研究人员利用人工智能技术大大加速了帕金森病治疗方法的探索。
来自剑桥大学的研究人员设计并使用了一种基于人工智能的策略来识别能够阻止α-突触核蛋白（帕金森氏症的特征蛋白）聚集或聚集的化合物。
该团队使用机器学习技术快速筛选包含数百万条目的化学库，并确定了五种高效化合物以供进一步研究。
全球有超过 600 万人患有帕金森症，预计到 2040 年这一数字将增加两倍。目前尚无针对该病症的疾病缓解疗法。在大型化学库中筛选候选药物的过程（需要在对患者进行潜在治疗测试之前进行）非常耗时且昂贵，而且常常不成功。
利用机器学习，研究人员能够将初始筛选过程加快十倍，并将成本降低一千倍，这可能意味着帕金森氏症的潜在治疗方法可以更快地到达患者手中。结果发表在《自然化学生物学》杂志上。
帕金森病是全球增长最快的神经系统疾病。在英国，如今每 37 名活着的人中就有一人在一生中会被诊断出患有帕金森氏症。除了运动症状外，帕金森氏症还会影响胃肠系统、神经系统、睡眠模式、情绪和认知，并可能导致生活质量下降和严重残疾。
蛋白质负责重要的细胞过程，但当人们患有帕金森氏症时，这些蛋白质就会失控并导致神经细胞死亡。当蛋白质错误折叠时，它们会形成称为路易体的异常簇，这些簇在脑细胞内积聚，阻止它们正常运作。
Yusuf Hamied 化学系的 Michele Vendruscolo 教授说：“寻找帕金森氏症潜在治疗方法的一个途径是鉴定能够抑制 α-突触核蛋白聚集的小分子，α-突触核蛋白是一种与该疾病密切相关的蛋白质。”领导了这项研究。 “但这是一个极其耗时的过程——仅仅确定一个主要候选者进行进一步测试就可能需要数月甚至数年的时间。”
虽然目前帕金森氏症的临床试验正在进行中，但尚未批准任何疾病缓解药物，这反映出无法直接针对引起该疾病的分子种类。
这一直是帕金森研究的主要障碍，因为缺乏识别正确分子靶点并与之互动的方法。这种技术差距严重阻碍了有效治疗方法的开发。
剑桥团队开发了一种机器学习方法，其中包含数百万种化合物的化学库被筛选，以识别与淀粉样蛋白聚集体结合并阻止其增殖的小分子。
然后对少数顶级化合物进行实验测试，以选择最有效的聚集抑制剂。从这些实验测定中获得的信息以迭代方式反馈到机器学习模型中，因此经过几次迭代后，就可以识别出高效的化合物。
我们不是通过实验进行筛选，而是通过计算进行筛选。通过使用我们通过机器学习模型进行初步筛选获得的知识，我们能够训练模型来识别这些小分子上负责结合的特定区域，然后我们可以重新筛选并找到更有效的分子。”
错误折叠疾病中心联席主任 Michele Vendruscolo 教授
使用这种方法，剑桥团队开发了针对聚集体表面上的口袋的化合物，这些口袋是导致聚集体本身呈指数级增殖的原因。这些化合物的效力比之前报道的化合物强数百倍，而且开发成本也低得多。
Vendruscolo 表示：“机器学习正在对药物发现过程产生真正的影响，它加快了识别最有希望的候选药物的整个过程。” “对我们来说，这意味着我们可以开始开展多个药物发现项目——而不仅仅是一个。由于时间和成本的大幅减少，一切皆有可能——这是一个令人兴奋的时刻。”
