最近，麻省理工学院的研究人员开发了一种新的AI驱动技术，通过提高评估药物分子结合亲和力的计算速度来加速药物的发现。

这项研究于3月15日以「DeepBAR：一种快速精确计算结合自由能的方法」（DeepBAR: A Fast and Exact Method for Binding Free Energy Computation）为题发表在《物理化学快报》（the Journal of Physical Chemistry Letters）杂志上。该研究的主要作者是麻省理工学院化学系的博士后Xinqiang Ding。

药物只有在体内黏附目标蛋白质时才能起作用。评估粘性是药物发现和筛选过程中的关键，而机器学习可以减少评估该重要药物属性所花费的时间。

MIT团队研发的被称为DeepBAR的新技术，可以快速计算候选药物与其靶标之间的结合亲和力，从而提高药物发现的速度。

药物分子与靶蛋白之间的亲和力是通过「结合自由能」的大小来衡量的——值越小，结合的粘性就越大。「较低的结合自由能意味着该药物可以更好地与其他分子竞争，可以更有效地破坏蛋白质的正常功能。」麻省理工学院和哈佛大学广泛研究所（Broad Institute）成员、MIT辉瑞-劳巴赫化学职业发展教授张斌解释道。

论文链接：https://doi.org/10.1021/acs.jpclett.1c00189

内容中包含的图片若涉及版权问题，请及时与我们联系删除