人工智能加速终结抗生素耐药性
这些技术已经在加速新抗菌药物的发现，被称为生成模型的下一代 AI ，其一个子集产生关于特定新药所需的最终分子的假设。这些人工智能模型不仅搜索具有相关特性的已知分子，例如结合和中和病毒或细菌的能力，它们还足够强大，可以学习基础数据的特征，并且可以建议尚未发现的新分子已被综合。与搜索能力相反，这种设计特别具有变革性，因为可能的合适分子的数量大于宇宙中的原子数量，对于搜索任务来说大得令人望而却步。
生成式 AI 模型
——运行速度比任何人类都快
生成式人工智能可以在这个巨大的化学空间中导航，以比使用传统方法的任何人更快地发现正确的分子。人工智能建模已经支持可以帮助帕金森病、糖尿病和慢性疼痛患者的研究。例如，抗菌肽 (AMP)，例如小蛋白质样化合物，是一种深入研究的解决方案。这些分子作为下一代抗生素具有很大的前景，因为它们本质上不太容易受到耐药性的影响，并且是作为活生物体先天免疫系统的一部分自然产生的。
在最近发表于Nature Biomedical Engineering, 2021的研究中，人工智能辅助搜索新的、有效的、无毒的肽在短短 48 天内产生了 20 种有希望的新型候选物，与新化合物的传统开发时间相比显着缩短。
其中有两种用于对抗肺炎克雷伯菌的新型候选药物，这是一种常见于医院的细菌，会引起肺炎和血流感染，并且对传统抗生素的耐药性越来越强。用传统的研究方法获得这样的结果需要数年时间。
图片来源于网络
已投入商业使用的 AMP
IBM、联合利华和 STFC 之间的合作工作最近帮助研究人员更好地了解 AMP，STFC 在英国哈特里中心拥有IBM Research 的Discovery Accelerators之一。联合利华已经利用这些新知识创造了能够增强这些天然防御肽效果的消费产品。
而且，在这篇生物物理学杂志论文中，研究人员展示了小分子添加剂（低分子量有机化合物）如何能够使 AMP 更加有效和高效。使用先进的模拟方法，IBM 研究人员结合联合利华的实验研究，还确定了可能导致这种增强效力的新分子机制。这是科学家将在持续合作中推进的首个原则证明。
通过 AI 生成模型和高级计算机模拟促进材料发现是 IBM Research 更大战略的一部分，被称为 Accelerated Discovery，我们使用新兴计算技术来促进科学方法及其在发现中的应用。其目的是大大加快新材料和药物的发现速度，无论是为下一次全球危机做准备，还是迅速应对当前和未来不可避免的危机。
这只是包含修订后的科学方法的循环中的一个元素，它是对传统线性方法进行材料发现的前沿转变。从广义上讲，人工智能了解一种新材料的所需特性。接下来，另一种类型的人工智能——IBM 的深度搜索，梳理了有关制造这种特定材料的现有知识。
生成模型具有创造新分子的潜力
在此之后，生成模型会根据现有数据创建一个可能的新分子。完成后，我们使用高性能计算机来模拟这个新的候选分子以及它应该与它的邻居发生的反应，以确保它按预期执行。未来，量子计算机可以进一步改进这些分子模拟。
最后一步是人工智能驱动的实验室测试，以实验验证预测并开发实际分子。在 IBM，我们使用名为 RoboRXN 的工具来做到这一点，这是一个冰箱大小的小型化学实验室，它结合了人工智能、云计算和机器人，帮助研究人员随时随地创造新分子。这些方法的组合非常适合解决一般的“逆向设计”问题。在这里，任务是首次找到或创建具有所需特性或功能的材料，而不是计算或测量大量候选者的特性。
证明人工智能可以超越经典计算的限制
抗生素危机是全球逆向设计挑战的一个特别紧迫的例子，需要对我们发现材料的方式进行真正的范式转变。量子计算的快速进步和量子机器学习技术的发展现在正在创造现实前景，将人工智能的范围扩展到经典计算的限制之外。早期的例子显示了模型训练速度、分类任务和预测准确性方面的量子优势。总体而言，结合最强大的新兴人工智能技术（可能与量子加速）来学习与抗菌活性相关的特征，并在分子尺度上进行物理建模以揭示作用模式。
Alessandro Curioni
Vice President Europe and Africa and Director, IBM Research Europe
译文来源：https://www.weforum.org/agenda/2022/08/tackling-antibiotic-resistance-with-ai/
图片来源于网络
