Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

Atomwise与DNDi开展合作,推动人工智能研发寄生虫病药物

使用人工智能(AI)进行药物发现的生物技术公司Atomwise,以及致力于为被忽视疾病提供新疗法的非营利研发组织DNDi近日宣布,在一个开发first-in-class美洲锥虫病治疗方案的项目中,已经发现了有前途的药物类化合物

美洲锥虫病是一种被忽视的热带病,它是由克氏锥虫引起的寄生虫病,通过被称为“亲吻虫”的昆虫传播。它也可以通过受感染的母亲传染给孩子,以及通过输血或者被病媒污染的食物传播。据估计,全世界约有600万人受其影响,每年有3万新病例和1.4万人死亡。大约30% 的美洲锥虫病患者会产生心脏、消化或神经系统失调等问题,甚至可能威胁生命。然而,目前对美洲锥虫病的治疗并不理想:因为这种疾病的治疗周期长,且对该病晚期患者的疗效不确定。

Atomwise公司成立于2012年,其基于深度学习神经网络的虚拟药物发现平台技术,可以对大量化合物进行筛选,从而识别和预测那些以高亲和力结合的化学结构,让药物的研发不再受到化合物数量,以及创造和筛选这些化合物所需资源的限制。在使用Atomwise的技术和协作工作流程后,在理论上可以将过去需要数年时间的药物发现流程压缩到数周或数月。

作为一个非盈利性的研究和发展组织,DNDi致力于为患有被忽视疾病的患者提供新治疗方法,特别是那些患有美洲锥虫病、昏睡病(人类非洲锥虫病)、黑热病、丝虫病、足分支菌病、儿童艾滋病毒和丙型肝炎的患者。

图片来源:123RF

对于此次合作项目,DNDi的科学家们选择了三种经过验证但具有挑战性的治疗蛋白质靶标,这些靶标可以抑制导致美洲锥虫病的寄生虫活动。针对每一种疾病蛋白质,Atomwise利用其人工智能筛选技术筛选了数百万种化合物,以预测那些结合并可能抑制蛋白质功能的化合物。这项研究已经提供了近似于药物的化合物,现在将继续被进一步优化,然后进行潜在的药物开发。

DNDi的高级发现经理和研究科学家Benjamin Perry博士说:“与Atomwise的合作使我们能够获得比标准方法更有效率和成本效益的最先进技术。此次合作的下一步计划,是在启动的项目中进一步研发化合物,并帮助填补美洲锥虫病患者潜在治疗方法的管线。这种双赢的合作显示出了新技术用于被忽视的疾病药物发现的潜力。

Atomwise的首席执行官Abraham Heifets博士表示:“我们的科学家正在与DNDi的研究人员合作,将我们的技术应用于那些由于数据不足,而被一些人认为无药可医或过早进行合理药物设计的靶点。虽然这些靶点带来的挑战很大,但它们也为治疗美洲锥虫病提供了最大的机会。此次合作研究为研发新型药物提供了一条新途径。”

参考资料:

[1] DNDi and Atomwise collaborate to advance drug development using AI for neglected diseases. Retrieved April 18, 2019, from https://www.eurekalert.org/pub_releases/2019-04/jh-daa041519.php

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业AtomwiseDNDi药物研发深度学习神经网络
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

推荐文章
暂无评论
暂无评论~