数学方法可以使药物发现更有效更高效

德克萨斯大学达拉斯分校和诺华制药公司的研究人员设计了一个基于计算机的药物发现平台，可以使该过程更有效、更高效且成本更低。

达拉斯德州大学数学科学教授BarisCoskunuzer博士及其同事开发了一种基于拓扑数据分析的方法，以虚拟方式筛选数千种可能的候选药物，并将候选化合物大幅缩小至最适合实验室和临床测试的化合物。

研究人员将在11月28日至12月9日在新奥尔良举行的第36届神经信息处理系统会议上展示他们的发现。

通常，药物发现的早期阶段涉及研究人员识别生物靶标，例如与感兴趣的疾病相关的蛋白质。下一步是筛选数以千计的潜在化合物库，这些化合物可能有效或可以被修改以影响目标以减轻疾病的原因或症状。最有前途的候选人将继续进行漫长而昂贵的实验室和临床测试以及监管批准过程。

“药物发现过程可能需要10到15年，耗资10亿美元，”Coskunuzer说。“制药公司想要一种更具成本效益的方法来做到这一点。他们希望在流程开始时找到最有前途的化合物，这样他们就不会浪费时间测试死胡同。我们提供了一种全新的虚拟筛选方法，计算效率高，并根据化合物起作用的可能性对化合物进行排名。”

虽然化合物库的虚拟筛选并不新鲜，但Coskunuzer表示，他的团队的方法在大型数据集上明显优于其他最先进的方法。

UTD和Novartis团队将虚拟筛选过程定义为一种新型的基于拓扑的图排名问题，来自称为拓扑数据分析的数学分支。他们的方法根据其底层物理子结构的形状(其拓扑结构)以及分子组分的一系列物理和化学性质来表征每个分子化合物。根据这些信息，研究人员为每种化合物开发了一个独特的“拓扑指纹”，用于根据其符合所需特性的程度对其进行排名。

“我们算法的优势在于它可以在几天内筛选出大约100,000种化合物，这比其他方法快得多，”Coskunuzer说。

下一步将是将该方法推广到分子特性预测，包括对化合物在水中的溶解度进行评分。溶解度对药物在人体中的疗效至关重要。

“如果你找到了一种好的化合物，但它不具有所需的分子特性——如果它不可溶——那么它很可能不会起作用。你希望能够在候选药物变得太差之前先测试这些特性远在发展中，”Coskunuzer说。