麻[db:标签]��[db:标签]��工学院的科学家发现了具有深度学习模式的“哈利星”抗生素分子，显示出前所未有的广谱抗菌能力，这是人类第一次完全利用人工智能方法发现新的抗生素。研究人员称，盐霉素可以杀死一些世界上最危险的细菌。他们的研究发表在顶级的生命科学杂志《Cell》上。

自从青霉素出现以来，抗生素已经成为现代医学的基石。然而，随着时间的推移，细菌会逐渐对抗生素产生耐药性，这就要求药物研究者不断开发新的抗生素。

但现实是，由于缺乏经济激励，私营制药公司在发现新抗生素方面收效甚微，使得抗生素问题更加严重。研究预测，除非立即采取措施开发新的抗生素，否则到2050年，每年死于耐药性感染的人数将达到1000万。

在过去的几十年里，研究人员使用了许多传统的方法来发现新的抗生素，但是很多时候，他们会一次又一次地发现相同的分子，所以发现新的抗生素是非常困难的。在这种情况下，生物医学界迫切需要新的方法来帮助发现新的抗生素。

解决 WHO「通缉令」上最危险的病原体

为了解决上述问题，麻省理工学院合成生物学中心的研究人员开发了一种深入的学习方法，可以预测抗生素分子的活性，从超过1.07亿个分子中识别出——卤霉素，一种强有力的新抗生素分子。盐霉素可以对抗多种细菌，如肺结核和被认为不可治愈的菌株。此外，这个新发现的分子在结构上与已知的抗生素分子非常不同。

在小鼠实验中，该分子对多种病原体具有抗菌活性，包括艰难梭菌、肠杆菌科和鲍曼不动杆菌，后者具有“广泛的耐药性”，急需新的抗生素。其中，后两种被世界卫生组织列为高度优先病原体，是新抗生素的三大研究目标之一。

尽管以前曾有过利用人工智能发现某些抗生素的案例，但研究小组强调，最新的发现是基于全新的抗生素类型，从零开始识别，没有任何先前的假设。

目前，这项研究工作由麻省理工学院的合成生物学家吉姆·科林斯领导。它已在权威学术期刊《Cell》上发表，并成为当前的封面文章。

“就抗生素的发现而言，这绝对是第一次，”这项研究的作者之一、麻省理工学院机器学习专家雷吉娜·巴兹莱说。

“我们希望开发一个平台，使人类能够利用人工智能的力量来开创抗生素药物发现的新时代。我认为哈利星是迄今为止人类发现的最强有力的抗生素之一，”麻省理工学院团队生物工程师詹姆斯·科林斯补充道。"它对大量耐药病原体显示出显著的活性。"宾夕法尼亚州匹兹堡大学的计算生物学家雅各布·达兰特说，这项研究意义重大。该研究小组不仅确定了候选分子，还在动物实验中验证了潜在分子。更重要的是，该方法具有一定的通用性，可应用于其他类型的药物研究，如癌症治疗或神经退行性疾病。

在寻找新抗生素的过程中，研究人员训练了一个深层神经网络来寻找抑制大肠杆菌生长的分子。在训练过程中，他们使用了2335个已知具有抗菌活性的分子，包括大约300种批准的抗生素和800种从植物、动物和微生物中获得的天然产物。

发现过程

在这项研究中，模型不需要知道关于药物机制的假设，也不需要标记化学基团来进行预测。该模型可以学习人类专家未知的新模型。

培训结束后，研究人员使用该模型在一个名为“药物再利用中心”的图书馆中筛选分子，该图书馆包含大约6000种药物分子，目前正在研究用于对抗人类疾病。

这种筛选的目的是观察哪些分子可以抵抗大肠杆菌，并选择那些看起来不同于常规抗生素的分子。从这些结果中，另外100个候选分子被挑选出来进行物理实验。

结果，他们发现一种叫做“hAlicin”的分子非常有效，这种分子目前正处于糖尿病治疗的研究阶段。在小鼠实验中，该分子对多种病原体具有抗菌活性，包括艰难梭菌、肠杆菌科和鲍曼不动杆菌，后者具有“广泛的耐药性”，急需新的抗生素。

论文的照片摘要。

抗生素分子的图建模

总的来说，神经网络的功能是预测不同分子结构对大肠杆菌的抑制能力。按照正常思维，我们需要一个数据集，其中输入的特征是分子的组成和结构，标记为对大肠杆菌的抑制能力。神经网络的优点是它可以用自己学习的向量来表示分子，而不是手动设计的特征向量。

在这篇论文中，研究人员说有向信息传递网络可以从分子的图形结构中直接预测分子的性质，其中原子可以用节点表示，化学键可以用边表示。对于每一种化学分子，研究者为每一种成分的SMILES表达式建立一个分子图，其中SMILES是一个用ASCII字符串明确描述分子结构的规范。

初始化特征向量时，分为原子特征向量和化学键特征向量。最左边的神经网络建模如下。它的顶部是一个分子图。第三个原子和第四个原子都和第二个原子有一个键。下面的两个黑色矢量代表两个连接。通过类比，红色向量代表连接第二个原子和第一个原子的化学键。

该模型应用了一系列信息传递步骤，通过聚集相邻原子和化学键的信息来理解局部分子的化学性质。在有向信息传输网络的每个信息传输过程中，化学键特征向量可以通过对相邻化学键特征向量求和并将其送入非线性单层神经网络来更新。

经过一定数量的信息传递步骤后，整个分子学习到的各种特征向量将被添加到单个向量中，并被馈送到前馈神经网络，以预测化学分子对大肠杆菌的抑制作用。下面的FFN是一个非常传统的二元分类问题，所以在整个抗生素分子建模中最重要的事情是图形模型的第一步:如何用图形和向量来表示分子之间的复杂关系。

这项开创性的工作标志着抗生素的发现和更常见的新药研发方法的范式转变。未来，麻省理工学院的研究人员还计划使用深度学习模型来设计新的抗生素和优化现有的分子。

事实上，抗生素分子的发现只是机器学习在药物发现领域应用的冰山一角。世界各地的学者正试图用机器学习技术来加速新药的开发。以新型冠状病毒新药研发为例。一些人工智能药物研发公司已经开始使用各种深度学习模型来挖掘药物分子(例如，盈科智能使用20多个模型来寻找对新冠状病毒的关键蛋白酶具有抑制作用的分子)。相关结果也陆续公布。

参考内容：

https://www.nature.com/articles/d41586-020-00018-3

http://news.mit.edu/2020/人工智能-识别-新抗生素-0220

https://www.theguardian.com/society/2020/feb/20/抗生素-杀死-抗药性-细菌-通过人工智能发现-https://insilICO.com/ncov-sprint