本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

最近，來自哈佛大學等機構的研究人員，開發出了一個AI“藥神”工具包，為加速新冠疫情下的新藥研發助力。

這款名為DeepPurpose的工具包，不僅包含COVID-19的生物測定數據集，還有56種前沿的AI模型。

作為一個基于PyTorch的工具包，DeepPurpose只需要不到10行代碼，就能訓練出AI“藥神”模型。

這些模型不僅能完成虛擬篩選，還能挖掘出已有藥物的新功能（例如，高血壓藥物可治療阿爾茲海默癥）。

下面來看看它實現的原理。

56種前沿模型，功能齊全

DeepPurpose由兩個編碼器組成，分別用來生成藥物分子和蛋白質的嵌入（Embedding），也就是深度學習過程中的映射。

隨后，將這兩個編碼器串聯到解碼器中，用于預測二者的結合親和力，如下圖所示。

在這期間，模型的輸入是藥物靶標對（drug-target pair），輸出則是指示藥物-靶對的結合活性的分數。

當然，DeepPurpose畢竟是一個工具包，所以無論是藥物分子、還是蛋白質，它們的編碼器都不止一種類型。

對于藥物分子，DeepPurpose提供了8種編碼器。

在這些編碼器中，有用于構造分子結構圖的、有將繪制的分子轉換成二進制數的、也有用于獲取序列順序信息的等……模型各有不同。

而對于靶蛋白，DeepPurpose也提供了7種編碼器，相較于藥物的化學和信息學， 編碼器對靶蛋白的轉換更多地側重于生物學信息。

也就是說，DeepPurpose一共能提供7*8=56種模型，其中許多模型非常新穎前沿，值得入手。

那么，DeepPurpose究竟該怎么上手呢？

10步以內，上手AI“藥神”

事實上，訓練一個新藥研發模型，需要通過以下幾個步驟，每一步都只需要用1行代碼實現，所有這些步驟加起來，也不超過10步。

來看看這個模型要經過的步驟：

1、數據加載
2、指定編碼器
3、分割數據集、編碼
4、生成模型配置文件
5、初始化模型
6、訓練模型
7、舊藥新用/虛擬篩選
8、模型保存/加載

其中，DeepPurpose最關鍵的兩個功能，舊藥新用和虛擬篩選可以在訓練后實現。可以看見，DeepPurpose會自動生成藥物的親和度，并由低到高進行排序。

這樣，就能快速縮小高通量分子的篩選范圍（如果親和度為0，那真的不必考慮了）。

至于虛擬篩選，也是類似的工作，會生成一個與上圖相似的排名列表。

不僅如此，這個AI模型還包含另外幾種案例，例如SARS-CoV2 3CLPro的舊藥新用方法、預訓練模型等。

此外，針對近期引發關注的新冠疫情，DeepPurpose也包含了MIT收集的COVID-19開源數據集。

針對這些數據，工具包中有相應的函數，可以直接引用。

而這個工具包的框架，正是基于藥物研發的原理制作的。

靶蛋白：藥物作用對象

藥物篩選最根本的原理，通常是判斷藥物分子與靶蛋白（藥物作用的目標）的親和性。

為什么是蛋白質？

事實上，這是因為部分疾病（例如癌癥、腫瘤）產生的原因，通常與某一類蛋白質有關，如果能找到、并用藥物“調節”這種蛋白質，就能治愈疾病。

△ 圖片來源于flickr

例如，細胞與細胞之間的交流，依靠的就是細胞膜上的糖蛋白。而某種疾病發生的原因，可能就是因為一類細胞上的糖蛋白過度表達。

而這個糖蛋白，就被稱之為疾病過程中的靶蛋白。

但能用來調節某種靶蛋白的藥物，并不好找，畢竟不是每種化合物都能很好地與靶蛋白“貼貼”。

在這樣的基礎上，研究人員開發了DeepPurpose，這個工具包能用于預測藥物分子與靶蛋白的親和度，專業學術名詞叫藥物-靶標相互作用（Drug-Target Interaction, DTI），簡稱DTI。

之所以選擇用AI助力新藥研發，也有其背后的原因。

AI助新藥研發一臂之力

事實上，藥廠研發出一種新藥，需要15年左右，甚至更久。

而在這期間，光是研究開發的階段，就要花掉2-10年。

研究開發的階段，目的是篩選出有治療潛力的新化合物，也就是說，每一種化合物都需要做實驗，去不斷試錯。

這一過程不僅枯燥無味，而且工程量巨大，人力財力都得砸。

如果用AI完成藥物篩選這一過程，對于新藥研發的加速將會起到不小的作用。

作者介紹

論文的第一作者黃柯鑫，本科于紐約大學獲得數學和計算機雙學位，目前在哈佛大學讀碩士，專業與醫療大數據有關。

黃柯鑫的研究方向，主要是圖神經網絡（GNN）在新藥研發和醫療文本（如電子病歷等）上的應用。

此外，Tianfan Fu、Lucas Glass、Marinka Zitnik、Cao Xiao和Jimeng Sun也共同參與了研究工作。

傳送門

論文鏈接：
https://arxiv.org/abs/2004.08919

項目鏈接：
https://github.com/kexinhuang12345/DeepPurpose

黃柯鑫主頁：
https://www.kexinhuang.com/