成功率可达100%，药物开发公司Cellarity联手英伟达，基于强化学习优化靶向分子

AIGC动态2天前发布 HyperAI超神经

0 0 0

在针对性分子生成和多参数优化方面表现突出

原标题：成功率可达100%，药物开发公司Cellarity联手英伟达，基于强化学习优化靶向分子
文章来源：HyperAI超神经
内容字数：8519字

AI赋能药物研发：MOLRL算法加速靶向分子优化

本文介绍了Cellarity公司和英伟达团队提出的基于潜在强化学习的靶向分子优化方法MOLRL，以及其在药物研发领域的应用和潜力。文章回顾了药物研发历史，从的发现到AI技术的应用，展现了药物研发技术的不断进步。

药物研发历史回顾
从19世纪初的发现，到阿司匹林的合成，再到高通量筛选技术和靶向药物的兴起，药物研发历经百年发展。如今，人工智能技术的飞速发展为药物发现带来了新的可能，AI可以加速药物靶点验证、药物结构设计优化，甚至直接生成具有特定性质的分子。
MOLRL算法：潜在强化学习的应用
Cellarity和英伟达的研究人员提出了一种新颖的基于潜在强化学习的靶向分子优化方法MOLRL。该方法结合了预训练的生成模型和先进的强化学习算法，在连续空间中进行优化。MOLRL框架包含潜在空间生成模型和强化学习代理两部分，通过奖励函数引导代理在潜在空间中寻找具有所需属性的分子。研究人员在两种不同编码器-解码器架构(VAE和MolMIM)上评估了MOLRL的性能。
MOLRL算法性能及优势
研究人员通过多目标优化任务，将MOLRL与现有最先进方法进行比较。结果显示，MOLRL在多种任务中表现出优越或具有竞争力的性能，尤其在针对性分子生成和多参数优化方面。MOLRL在保留指定分子骨架的同时优化多目标属性方面也表现出色，例如在优化含氨基嘧啶骨架的分子时达到了100%的成功率。与直接操作分子结构的方法相比，MOLRL在潜在空间中进行操作，避免了离散性带来的梯度不连续问题。
AI提升药物研发效率
药物研发成本高昂且耗时，一个新药从发现到上市平均需要10年以上的时间和数十亿美元的投入。AI技术的应用可以显著提高药物发现的效率，降低研发成本。例如，诺华和微软的研究利用机器学习模型重现了医学化学家的“化学直觉”，英矽智能则利用AI平台在18个月内以260万美元的成本发现了治疗IPF的新型靶点和候选分子。AI在药物发现领域的市场规模持续增长，未来潜力巨大。

总而言之，MOLRL算法的出现标志着AI在药物研发领域取得了重要进展，它为加速靶向分子优化，降低药物研发成本和时间提供了新的途径，有望推动药物发现领域的变革，最终造福人类健康。