本文来自民众号：机械之心（ID：almosthuman2014），作者： Synced

MIT 科学家用深度学习模子发现的“halicin”抗生素分子展示了亘古未有的广谱抗菌能力，这是人类首次完全使用人工智能的方式发现新抗生素。研究职员示意，halicin 可以祛除一些世界上最危险的细菌。他们的这一研究登上了生命科学顶级期刊《Cell》。

自青霉素泛起以来，抗生素已经成为现代医学的基石。然而，随着时间的推移，细菌会逐渐发生匹敌生素的耐药性，这就需要药物研发事情者不停开发新的抗生素。

但现实情况是，由于缺乏经济激励，私营药企在新抗生素的发现上收效甚微，使得抗生素的问题越发严重。曾有研究展望，若是不立刻接纳措施开发新的抗生素，到 2050 年，因耐药熏染而殒命的人数将到达每年 1000 万人。

在已往的几十年里，研发职员使用多种传统方式挖掘新的抗生素，但许多时刻，他们会一次又一次地发现相同的分子，因此新抗生素的发现步履维艰。在此靠山下，生物医学界亟需新的方式来辅助发现新抗生素。

解决 WHO“通缉令”上最危险的病原体

为了解决上述问题，来自 MIT 合成生物学中央的研究者开发了一种可以展望抗生素分子活性的深度学习方式，从跨越 1.07 亿种分子中识别出了壮大的新型抗生素分子——halicin。halicin 可以匹敌多种细菌，如肺结核以及被以为无法治疗的菌株。而且，这种新发现的分子在结构上与已知的抗生素分子有很大差别。

在小鼠实验中，该分子对多种病原体具有抗菌活性，包罗艰难梭菌（Clostridioides difficile）、肠杆菌科（Enterobacteriaceae）和有“普遍耐药性”并迫切需要新抗生素的鲍曼不动杆菌（Acinetobacter baumannii）。其中，后两者被世界卫生组织（WHO）列为高优先级病原体，是新抗生素三大研究目的中的两个。

虽然之前已有使用人工智能作用于部门抗生素发现的应用案例，但研究团队强调，此次最新发现是基于没有任何先前假设的情况下，完全从零最先识别出的全新抗生素种类。

现在，这项研究事情由麻省理工学院（MIT）的合成生物学家 Jim Collins 主导，已揭晓在权威学术期刊《Cell》上，并成为当期封面文章。

“就抗生素发现而言，这绝对是第一次，”该研究的作者之一、MIT 机械学习专家 Regina Barzilay 示意。

“我们希望能够开发一个平台，使人类能够行使人工智能的气力来开创抗生素药物发现的新时代。我以为 halicin 是迄今为止，人类发现的最壮大抗生素之一，”MIT 团队生物工程师 James Collins 弥补道。“它对于大量抗药性病原体展示了显著的活性。”

论文链接：https://www.cell.com/cell/fulltext/S0092-8674(20)30102-1

宾夕法尼亚州匹兹堡大学的盘算生物学家 Jacob Durrant 示意，此项研究意义特殊，研究团队不仅确认了候选分子，同时还在动物实验中验证了有潜力的分子。更主要的是，这种方式具有一定的泛化性，可以应用于其他类型的药物研究，例如用于治疗癌症或者是神经退行性的疾病。

发现历程

在寻找新抗生素的历程中，研究者训练了一个深度神经网络，以寻找抑制大肠杆菌生长的分子。在训练历程中，他们用到了 2335 个已知具有抗菌活性的分子，包罗约莫 300 种已获批的抗生素和 800 种从植物、动物和微生物中获得的自然产物。

在这项研究中，模子不需要知道关于药物机理的假设，也不需要化学基团的标注就能执行展望。该模子能够学习人类专家未知的新模式。

训练完成后，研究者用该模子在一个名为“Drug Repurposing Hub”的库中举行分子筛选，内里有约莫 6000 种正处于研究阶段的匹敌人类疾病的药物分子。

此次筛选的目的是看哪种分子能匹敌大肠杆菌，并挑选出那些看起来和通例抗生素不一样的分子。从这些效果里再选出 100 个候选分子举行物理试验，

效果，他们发现，一种名为“halicin”的分子效果很好，而这一分子正处于针对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，包罗艰难梭菌、肠杆菌科和有“普遍耐药性”并迫切需要新抗生素的鲍曼不动杆菌。

论文的图片摘要。

抗生素分子的图建模

整体来看，神经网络起到的作用就是展望差别分子结构最终对大肠杆菌的抑制能力。根据正常头脑，我们需要一个数据集，其中输入特征是分子的组成部门与结构，标注为对大肠杆菌的抑制能力。而神经网络的优势在于，它能以一个自己学习的向量来表征分子，而不是手工设计的特征向量。

在这篇论文中，研究者示意有向信息通报网络能直接从分子的图结构展望分子的属性，其中原子可以示意为节点，化学键可以示意为边。对于每一个化学分子，研究者针对每一个组成部门的 SMILES 表达式确立分子图，其中 SMILES 是一种用 ASCII 字符串明确形貌分子结构的规范。

在初始化特征向量时，它又分为原子特征向量与化学键特征向量。如下最左边的神经网络建模，其最上面为一个分子图，第 3 个原子和第 4 个原子都有连向第 2 个原子的化学键（Bond），下面两个玄色的向量示意这两个毗邻。以此类推，红色向量示意第 2 个原子毗邻到第 1 个原子的化学键。

该模子应用了一系列信息通报步骤，它会聚合相近原子与化学键的信息，从而明白局部门子的化学性质。在有向信息通报网络的每次信息通报历程中，通过求和相近化学键特征向量，并馈送到非线性单层神经网络中，化学键特征向量能获得更新。

经由牢固次数的信息通报步骤，整个分子学到的种种特征向量会加和为单个向量，并馈送到前馈神经网络以展望该化学分子对大肠杆菌的抑制效果。后面的 FFN 就是异常通例的二分类问题了，因此整个抗生素分子建模最主要的就是第一步的图模子：如何用图与向量示意分子之间的复杂关系。

这项开创性的事情标志着抗生素发现甚至更普遍的新药研发方式发生了范式转变。未来，MIT 的研究职员还设计使用深度学习模子来设计新的抗生素，并优化现有的分子。

实在，抗生素分子的发现只是机械学习在药物挖掘领域应用的冰山一角，全球各地的学者都在尝试用机械学习手艺加速新药研发进度。以新型冠状病毒的新药研发为例，部门 AI 药物研发公司已经最先尝试用多种深度学习模子举行药物分子的挖掘（如英科智能行使二十多种模子寻找对新冠病毒要害蛋白酶有抑制作用的分子），相关功效也在陆续宣布。

参考内容：

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

http://news.mit.edu/2020/artificial-intelligence-identifies-new-antibiotic-0220

https://www.theguardian.com/society/2020/feb/20/antibiotic-that-kills-drug-resistant-bacteria-discovered-through-ai

https://insilico.com/ncov-sprint

本文来自民众号：机械之心（ID：almosthuman2014），作者： Synced