指纹嵌入框架可以帮助寻找新的候选药物

研究人员开发了一种新的计算机框架，有望在发现新药的工作中发挥作用。他们的框架使用一种称为卷积神经网络的人工智能方法来提供有关潜在新型候选药物的全球信息。

武汉大学研究团队于2022年11月24日在《大数据挖掘与分析》杂志上发表了他们的研究结果。

该团队开发了一种用于药物靶点结合亲和力预测(FingerDTA)的指纹嵌入框架，能够找到新的候选药物。计算药物和目标的指纹或描述符。这些靶点是在某种程度上与疾病相关的分子——靶点可用于药物治疗特定疾病的方式。然后，该团队在卷积神经网络模型中使用来自药物或靶标指纹的一般信息，并提升其在预测药物-靶标结合亲和力方面的性能。FingerDTA是发现新药的强大模型。

传统的体内药物发现，即研究人员与活体受试者合作寻找抗击疾病的新药，是一个昂贵且耗时的过程。研究人员可以使用潜在药物的虚拟预筛选来指导他们的实验。这个虚拟过程可以降低成本并提高发现合适药物的成功率。

研究人员广泛使用两种虚拟筛选方法进行药物发现。一种方法是高通量筛选，在短时间内测试大型化合物库。另一种方法涉及基于模拟分子对接的策略，他们研究两个或多个分子结构如何组合在一起，预测蛋白质如何与小分子相互作用。虽然这两种方法已成功用于药物发现，但它们需要深入的实验设计和验证，因此不适合大规模的药物筛选。

第三种方法使用药物-靶标亲和力预测模型，科学家在该模型中寻找药物和靶标之间的强烈吸引力，以此作为识别可能用于治疗疾病的候选药物的一种方法。这第三种方法在效率和成本上都有很大的优势。科学家们已经能够成功地应用深度神经网络来预测药物-靶标结合亲和力。因此，武汉大学的研究团队将他们的工作重点放在了一种用于药物靶点结合亲和力预测的深度学习模型上。

当使用复杂的算法在集群或云上分析TB或更大的大数据集时，可扩展性是一个主要问题。广泛使用的MapReduce类型编程模型

通常用于处理数百或数千台服务器上的大量数据。但是MapReduce由于其内存依赖性和高通信成本而无法扩展到大数据。研究团队提出了一种非MapReduce计算框架，以提高集群计算对大数据的可扩展性。他们的框架降低了数据通信成本，并实现了近似计算，这对内存的依赖性较低。

这种新的计算框架在大数据计算中也产生了一些好处，例如快速采样多个随机样本进行集成机器学习和近似计算，直接在本地随机样本上执行串行算法而不需要节点之间的数据通信，有利于大数据探索和探索。清洁。此外，Non-MapReduce计算简化了大数据计算，并且可以在云计算中节省能源。”

研究小组认为，药物-靶标结合亲和力预测有望发现能够抑制病毒附着在其靶标上的新药。“FingerDTA可以帮助发现一些潜在的药物，通过与尖峰靶标结合来使COVID-19失活，”刘说。它可以提供精确的指导，节省大量的人力和物力，同时也可以加速新药的研究。

展望未来，团队希望在大数据平台上实现FingerDTA框架，并投入到实际应用中。“我们的最终目标是为用户开发这样的技术和系统，以解决分析分布在多个数据中心的超大数据的应用问题，”刘娟说。