NVIDIA借助AI改进药物研发

药物研发是发现新药的关键过程。研究人员在药物研发过程中的任务是寻找具有积极疗效并能帮助解决当前健康问题的新型分子。

但是，毫不夸张的说，解决潜在基因、生化反应通路、蛋白质靶点的化学性质以及吸收、分布、代谢和排泄 (ADME) 过程之间的复杂相互作用极具挑战性。总之，成功的药物将能够在疾病通路中以非常具体的方式调节靶点。在药物研发中，我们的目标是将一种新型小分子确定为药物靶点，以使其能够在特定通路中发挥抑制作用，从而改进患者的治疗成果，并在同时减少不良副作用。

借助NVIDIA GPU，制药和生物技术公司能够开展 AI 驱动式的药物研发工作，从而简化其研发过程。借助这些技术，研究人员可将庞大的患者数据集转化为简单易懂的有形信息、识别个性化且精准的成药机会，并预测新药会带来的潜在反应。

了解疾病的生物学机制对于研发有效的治疗方案至关重要。疾病通路是生物学机制的组成部分之一，其中可能涉及成千上万种蛋白质，而这些蛋白质将会以复杂的机制来进行相互作用和反馈。最终，我们必须确定可

成药的蛋白质靶点。通过分析人类基因组，我们从中获得了对发病机理的宝贵见解，并有助于沿着疾病通路找出新的蛋白质靶点。

通过蛋白质结构测定，我们可得出氨基酸序列的三维结构分布。这些 3D 结构可令我们了解适合成药的小分子形状、性质等物理信息。我们通常会通过某种形式的电子显微镜来确定蛋白质结构，例如低温电子显微镜

(cryo-EM)。随着时间的发展，借助物理计算方法和 AI 方法，仅靠得自氨基酸序列以及核磁共振 (NMR) 一些有限数据，即可准确预测蛋白质的3D 结构。

化学领域包罗万象，因此人们将搜索、整理以及创建化学数据库的过程称为化学信息学。有了蛋白质靶点及其 3D 结构，研究人员就可以着手利用计算机进行模拟搜索，找出具有正确化学性质并有利于与靶点结合的分子。研究人员会通过计算每个分子的物理量矢量来对化学领域进行搜索，这些矢量又名为“指纹”，您亦可将其视为化学领域中各个分子的坐标。通过指纹和相关的嵌入方法，相关人员可广泛应用得自于数据挖掘和机器学习的方法，如聚类算法、分子性质预测以及定性构效关系 (QSAR) 模型的开发。

分子模拟可根据药物与蛋白质靶点之间的相互作用，针对药物候选分子的活力提供一些物理学方面的关键见解。我们可根据所需的吞吐量，以不同的精度水平进行模拟。例如，通过对接，我们可得知有关物理相互作用

的粗略描述，且由于已对计算工作进行了简化，所以可支持用于筛选数十亿种化合物。在自由能微扰 (FEP) 方法、分子动力学和量子方法的助力下，相互作用的图像正变得越来越精准，合成化学家可从中得出有关可执行 /不可执行的必要信息。

越来越多的公司和研究人员开始借助 AI 来改进当前的药物研发方法。分子模拟（例如对接、FEP 和分子动力学）需要大量的计算能力。研究人员在药物研发的各个阶段都整合了 AI 方法来加速进程。预测蛋白质的折叠 3D状态、配位体 - 靶标结合能以及诸如毒性和吸收性等药代动力学仅仅是目前 AI 方法开发的冰山一角。新的 AI 方法可推进研究进度，且能得出与花销高昂的计算方法相同的结果，从而可完善现有工作流程。借助 AI 运行模拟，研究人员可以节省资金，并能够以比以往更快的速度发现新型潜在药物。

NVIDIA 可启用由 GPU 提供技术支持的计算和 AI 软件，能够推进药物研发工作流程中的计算，从而帮助加速研究。利用由 NVIDIA 提供技术支持的平台和软件，研究人员和制药公司可以开发和部署智能应用，从而提升研究过程中的分析和计算能力。借助 NVIDIA Clara? Parabricks，研究人员可以加快基因组学工作流程。借助 NVIDIA RAPIDS?，研究人员可以在 Python Notebook 中一站式实现经 GPU 加速的 DataFrame 操作，并与聚类、降维和列表任务等机器学习算法无缝集成。实际上，GPU 可以加速几乎所有关键的计算化学代码，包括对接和 FEP，以及分子动力学和量子电子结构计算。

了解更多NVIDIA医疗健康与生命科学解决方案，欢迎点击专题Pro页面。