药物与靶点的相互作用图（图片来源：浙江大学）
药物-靶点的相互作用是药物发现的一个突出的研究领域，它指的是对化合物和蛋白质靶点之间相互作用的识别。2017年《自然》（Nature）杂志上有一篇文章报道到，化学家预计可以创造出1060余种具有类药性的化合物—这比太阳系的原子总数还多。
一种药物的开发周期平均需要14年左右的时间，花费高达15亿美元。很明显，在药物开发漫长的“星系”旅程中，传统的生物检测DTI实验通常是昂贵且耗时的。
Hou Tingjun教授是浙江大学药学院计算机辅助药物设计（CADD）领域的专家。在过去的几十年里，他一直致力于利用计算机技术开发药物。“最大的挑战在于未知靶点和药物分子之间的相互作用。我们如何才能更有效地发现它们，这需要方法上的突破。”
最近，人工智能带来了新的可能性。侯教授说道：“有了人工智能，我们或许能在药物发现领域达到更上游的阶段，从而提高药物开发的效率与成功率。”
除了人工智能以外，多层组学数据，如基因组学、蛋白质组学和药理学也蓬勃发展。在多个领域，都出现了大量的生物医学信息的海洋。有关药物、蛋白质、疾病、副作用、生物进程、分子功能、细胞成分、生物酶和离子通道的信息都已被储存在专门的数据库中。然而，目前它们对药物发现的价值仍然不明显。
KGE_NFM的工作流程示意图（图片来源：浙江大学）
He Shibo教授是浙江大学控制科学与工程学院专门研究大数据和网络科学的学者。“这个领域特别适合跨学科的研究，这种大量的生物信息可以被抽象为多个层次和异构的网络系统。”He Shibo说。
2021年11月，中南大学的Hou Tingjun、He Shibo和Cao Dongsheng在《自然-通讯》（Nature Communications）杂志上共同发表了一篇题为“A unified drug-target interaction prediction framework based on knowledge graph and recommendation system”（《基于知识图谱和推荐系统的统一药物-靶点相互作用预测框架》）的研究文章。
在这项研究中，研究人员提出了一个统一的框架，称为KGE_NFM（知识图谱嵌入和神经因子分解机），通过整合KGE和推荐系统技术，用于药物-靶点相互作用（DTI）的预测，使其可以适用于药物发现的各种场景，尤其是遇到新的蛋白质目靶标。
研究人员在三个真实世界的场景中评估了KGE_NFM的效果：热启动、药物的冷启动和蛋白质的冷启动。在前两个场景中，人工智能算法与传统算法不相上下，有时甚至略逊于后者。而在第三个场景中，KGE_NFM比其对照组高出约30%。
“这证明了人工智能在预测未知蛋白质靶点方面的显著能力和优势。从未知的蛋白质靶点中发现未知的药物-靶点相互作用是未来药物发现中不可否认的一项重要工作。”Hou指出。
（图片来源：Pixabay）
“通过人工智能，我们可以做很多有趣的事情来挖掘复杂的异构网络。”他说。例如，该团队目前正在与腾讯的一个实验室进行合作，开展对乙肝药物的虚拟筛选和药物协同作用的研究。“使用KGE不仅可以扩大信息的维度，还可以促进算法系统的可解释性和可信度。”
翻译：彭琛
审校：汪茹
引进来源：techxplore
京公网安备11010502039775号
