![](https://www.gov.mo/zh-hans/wp-content/uploads/sites/5/2023/08/p23hdycwkt.jpeg)
澳门理工大学应用科学学院教授刘焕香团队和教授姚小军团队合作在化学信息学和人工智能研究领域的国际权威学术期刊“Journal of Chemical Information and Modeling”上发表了题为“Deep Generation Model Guided by the Docking Score for Active Molecular Design”的研究论文,提出了一种新的分子生成模型COMG,该方法将对接打分和药效团信息作为分子生成的约束条件,可以生成具有所需性质的新分子。作者也将所发展的模型用于几个靶点的候选活性分子生成,证明该模型的有效性。该模型可以大大提高生成分子的质量(包括活性和类药性),进而提升药物发现的效率,缩短药物研发周期,降低研发成本。
该方法使用与活性化合物药效团相匹配的配体为中心的生成模型在整个化学空间中进行迭代搜索,选择与靶点有较高亲和力的化合物。分子生成的模型主要基于多目标的条件变分自编码器进行构建,在化学空间的搜索过程中同时约束可合成性、类药性以及其它相关的物理化学性质,增加生成分子的潜力。利用分子对接指导化合物优化,将对接打分与贝叶斯优化相结合,用于对模型进行微调,从而获得高概率与特定靶点亲和的潜在候选分子。模型在微调的过程中还引入了相似性骨架过滤器,有助于模型在化学空间探索中进一步得到更加多样化的分子结构。
与主要以对接打分引导的生成模型对比,生成的分子在多种分子性质上都得到了显着的提升。同时作者基于COMG模型,针对DRD3、HPK1 、PPARγ三种不同类型的靶点生成了多个具有潜在活性的药物分子,在多项评价指标上都表现出很好的性能,具有进一步研究的潜力。
澳门理工大学应用科学学院人工智能药物发现中心积极推动人工智能技术与药学、化学、生物等多学科的交叉融合,开设澳门首个人工智能药物发现博士学位课程,大力培养应用人工智能技术开展新药研发的跨学科人才,为大健康医药产业做贡献。