人工智能帮助科学家发现强大的新型抗生素

麻省理工学院的研究人员使用一种机器学习算法来识别一种叫做halicin的药物，该药物可以杀死许多细菌。Halicin(上排)阻止了大肠杆菌中抗生素耐药性的发展，而环丙沙星(下排)则没有。

深度学习似乎是对抗抗生素耐药性感染的有力新工具。一种新的算法发现了一种药物，该药物在现实世界的实验室测试中杀死了多种致命细菌，包括一些抗药性菌株。相同的算法还发现了另外8个在计算机模拟测试中显示出希望的候选物。

如何建立一个发现抗生素的神经网络?答案与直觉相反，不是握住自己的手，而是教给他生物化学的规则。相反，就像Google成功的AlphaZero超级AI国际象棋和围棋程序一样，该小组的深度学习模型必须从头开始。

麻省理工学院生物工程系的博士后研究员乔纳森·斯托克斯(Jonathan Stokes)说：“我们不必告诉计算机任何信息，我们只给它一个分子和一个属性标签，在这种情况下，它是否具有抗菌性?”“然后，该模型自行了解哪些分子特征是重要的，哪些分子特征可以更强或更弱地预测抗生素的活性。”

而作为AlphaZero研究人员发现，一旦一个很好的深度学习模型大干快上的良好定义的问题，没有人争先恐后地教它一堆规则，新的领域有时开拓。

斯托克斯说，他和他的合著者来自麻省理工学院，哈佛大学和安大略省汉密尔顿的麦克马斯特大学，重新设计了一种旨在了解分子化学性质的深度学习算法。在预测例如模拟分子的溶解度方面，这种情况下的化学特性算法优于其他计算机模拟程序。

斯托克斯说，这项新研究将抗生素功效作为该相同算法可预测的另一化学性质。

该小组在1000多种FDA批准的药物和另一组从植物或泥土等来源分离的天然化合物的数据库中训练了其神经网络。这2,335个分子均具有众所周知的化学结构和众所周知的抗生素或非抗生素特性。

一旦对模型进行了训练，他们便将其指向重新利用药物的数据库，该数据库包含6,000多种已被FDA批准为药物或至少已开始FDA批准过程的化合物。

斯托克斯说，该团队特别关注两个参数：抗生素功效(由其深度学习算法确定)和与其他已知抗生素的化学相似性(由称为Tanimoto Score的著名数学公式计算)。他们想在Broad Institute的药物再利用中心发现高效的抗生素化合物。但是他们也希望这些潜在的抗生素在化学上尽可能远离任何其他已知的抗生素。

他们之所以需要后者，是因为已知抗生素的化学表亲也被证明对抵抗抗生素耐药的感染株无效。