半年6个管线，医图生科AI+生物信息学：成药性/可靶性准度90%，实现AI贯穿研发的License Out( 二 )

AI+生物信息学持续融合应用：驱动性靶点， AI+理化性质设计化合物，成药性/可靶性准确度达90%

文章图片
医图生科三大智能药物研发平台及其技术服务
医图生科的研发团队具备完整的FirstinClass药物从研发到上市的全流程经验，且其自主搭建的研发平台也覆盖了药物IND所需的全部技术环境，将现代计算机AI技术应用在了药物研发的各个环节，包括靶点筛选、先导化合物(大小分子)发现、药靶结构探索分析、药物及靶点分子动力学模拟、药代特征预测、不良反应分析、免疫原性判断等。
以“医图AceMap智能药物(小分子)研发平台”为例，该研发平台能够完成小分子DeNovo设计、成药性/可靶性评估、高通量虚拟分子筛选、ADME/T预测，以及化合物合成服务。
首先，平台利用AI技术进行全基因组（WGS）分析，找到可能造成疾病的病变通路，同时分析病变所对应蛋白质作用通路变化，最终选定驱动性靶点。
其中在验证药物的靶点确认环节，医图会充分发挥其AI与基因工程的能力，通过对动物基因诱导产生定向基因突变，构建在表型层面可以稳定复现疾病的基因编辑模型，从源头重现疾病的发病机理。团队利用这一技术为制药过程打下了坚实的试验基础，尽可能实现了在早期阶段完成接近真实效果的动物效果评估，满足现代制药工业最重要的快速试错（FailFast）要求，同时实验结果反馈给AI设计平台，持续迭代更新。医图生科目前已经应用这一先进技术完成了一项罕见病全球首个动物模型，正与阿斯利康进行相关商业洽谈。
接着，在完成靶点评估后，开始化合物结构设计环节。
传统AI制药的化合物筛选一般采用构效关系或药效团的方法进行，使用机器学习来分析预测各种原子、分子及其理化性质，合成大量的候选化合物，进行高通量试验并基于此进行分子筛选。该方法虽然有一定效果，但大量理化性质、以及不同理化性质之间的相关作用都容易被忽略，且学习算法也往往局限于传统的机器学习方法上，因此筛选效率有限，并且无法进行DeNovo药物设计。
在医图瞄准的国际市场交易环境下，最具竞争力的FirstInClass的药物管线，都是在没有任何可参考的有效活性物质、极为有限的靶点历史研究信息、?甚至发病机理和疾病通路尚未明确的前提下展开的药物研发。因此，可综合利用的药靶信息、药物本质的理化特征、更多维度的药物结构，以及更深层次现代AI技术的有效利用，是当下所需。
陈教授及其团队基于流性变换(Manifold)理论，开创了全新的AI理解药物超高维物理及化学性质的药物特征表征方法MolMap ，以及创新AI学习算法MolMapNet 。通过对生物信息学的深度融合，将无序的理化性质信息变成有序的、有特定结构的二维图像，充分利用现代AI视觉影像技术，从而大大提高了化合物筛选效率。该研究成果已于2021年4月发表于NatureMachineIntelligence 。

文章图片
“AI+生物信息学”融合的另一个革命性突破，是让计算机对于药物有了更全面更精准的判断。其中的一个经典案例，便是该方法对顶刊十数年所发表新靶点的成药性预测及后期跟踪。通过将此技术应用于靶点发现过程中，目前在药物发现早期阶段，团队对于可靶性和成药性评估的准确度已达到了90% 。
借助大分子/合成生物学研发平台，医图生科还能通过AI模拟不同生物环境，准确评估大分子药物的耐碱性、耐酸性、稳定性等性质，对药物与人体内靶点的对接和药物效果进行充分的模拟和评估，通过免疫原性预测及定点突变来降低大分子药物进入人体后的副反应。同时，医图生科的科研团队从上世纪90年代开始收集整理了非常独特的有效子结构、不利结构、以及不良反应数据库等，再次拔高了其AI应用的技术实力。目前， MolMapNet算法及特征处理技术已经在各项数据集上构建了超85亿以上的特征及空间矩阵，旨在让AI进行重要的空间及化学特征的细节分区，从而大幅提升AI在各个应用阶段的精准度。