作者/文龙 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。 候选药物的结合自由能与该药物的有效性之间存在高度相关性。传统的自由结合能计算方法有两种，但每种都有其自身的缺点——一种会消耗大量时间和计算机资源；另一种却仅产生近似值。 MIT研究团队设计的方法则是两全其美的，通过计算结合状态和未结合状态的绝对自由能的差值得到结合自由能，而绝对自由能的计算则是采用一种机器学习和传统化学计算相结合的方法。 图示：结合自由能的计算。（来源：论文） 研究人员还使用平均力势（PMF）方法进行了计算，比较结果显示，由于DeepBAR不需要中间态的模拟，效率比PMF提高了几乎50倍，精确度却相当。 化学计算和机器学习相结合 DeepBAR中的「BAR」代表「Bennett接受率」，这是传统的用于精确计算结合自由能的方法。使用Bennet接受率不仅需要了解两个「端点」状态，还需要知道许多中间状态，这大大降低了计算速度。 通过在深度生成模型的框架中部署BAR，DeepBAR大幅削减了中间态的模拟。「这些模型为每个端点创建了一个参考状态，结合状态和未结合状态，」张教授解释说，这两个参考状态与实际状态非常相似，因此可以直接使用Bennett接受率，无需中间部分结合的相应步骤。 他们的深度生成模型基于计算机视觉技术，并通过对算法的改进使模型适用于3D结构的分析。从本质上讲，DeepBAR将分析的每个分子结构都视为图像，分析「图像」的特征以供学习。 图示：使用受约束的分子动力学模拟收集的样本，使用深度生成模型对参考状态进行参数化。（来源：论文） 更快的药物筛选的未来 DeepBAR并不是将AI应用于药物发现的首次尝试，但它与之前旨在药物发现自动化的研究不同，DeepBAR通过对药物有效性的检验来提高速度，突破存在的自然瓶颈。 如果目标是提高药物发现的速度，那么「解决正确的问题」就很重要。药物的临床有效性和安全性评估需要大量时间，很难找到使用AI降低临床失败率的方法。最终，就药物开发而言，在AI可以合理地整合到临床评估过程之前，可以节省的时间可能会有一个上限。 DeepBAR的精确度与标准完全相同，但是速度要快得多。「我们的方法比以前快了几个数量级，这意味着我们可以找到既高效又可靠的药物，」张教授表示，效率意味着「我们可以真正开始考虑使用此方法进行药物筛选，尤其是在Covid-19大流行的情况下。」 加州大学圣地亚哥分校的药物学教授Michael Gilson（迈克尔·吉尔森）则认为，DeepBAR是「一项非常出色的计算研究工作」，但在将其用于实际药物发现之前，还需清除一些障碍。 Gilson指出DeepBAR需要针对复杂的实验数据进行验证，「这必然会带来更多的挑战，可能是需要进一步增加近似度。」这也正是该团队正在进行的工作，他们希望能够利用计算机科学的最新进展来改进模型，从而提高DeepBar计算大型蛋白质的结合自由能的能力。 研究人员补充说，由于DeepBAR可用于模拟多种蛋白质之间的相互作用，除了药物筛选，它还可以帮助蛋白质设计以及工程化。除了论文以外，该团队还为他们开发的DeepBAR写了说明文档，以帮助更多研究人员更好地使用。他们表示，希望DeepBAR有一天可以加快药物发现和蛋白质工程的步伐。 「这项研究是将数十年来发展起来的传统计算化学方法与机器学习的最新发展相结合的一个例子，」丁认为，「我们取得了以前不可能实现的目标。」 论文链接：https://doi.org/10.1021/acs.jpclett.1c00189 参考内容： https://news.mit.edu/2021/drug-discovery-binding-affinity-0315 https://www.unite.ai/researchers-aim-to-boost-drug-discovery-speed-by-calculating-binding-efficiencies-with-ai/
日本镰仓长谷寺庭院，到底藏有几座良缘地藏石像，你全都找到了么日本镰仓古寺众多，著名景点长谷寺里最有趣当属找齐良缘地藏们日本的寺院和神社中，会收集众多的石像，而众多寺院石像当中，给我感觉最卡哇伊（可爱）的，当属于镰仓长谷寺中的良缘地藏，这些造泰国东北奇葩景点，廊开府的撒拉教窟，雕塑比西游记内容还奇幻这处泰国奇葩的景点，比西游记的故事还奇幻视频加载中对于泰国网上的景点排名，最好不要相信，因为传得越神奇，且排名越靠后的，景点也一定越奇葩，看见后就容易被吐槽。在泰国的廊开府（泰国东一座用高中物理题来宣传推广的浙江温州大瀑布，让人脑洞大开关于温州景点的新闻和故事，总是那么让人觉得惊奇和开脑洞这次在温州文成旅行，发现文成县的百丈漈瀑布，近年来通过网络票选，竟跻身位列中国十大瀑布之一，成为了让人惊叹上升速度的中国名瀑，贵州峰林中的奇幻小众自驾道路，天下山峰何其多，唯有此处峰成林今天介绍一条中国特别的乡村自驾小路，明代的著名旅行家徐霞客曾慕名到访过贵州的万峰林，他赞叹这片峰林天下山峰何其多，唯有此处峰成林，如此奇特的地貌中的小众公路会是什么样的呢，去过之后带上一本真正好书去日本，来一次开卷有益的文化之行开卷有益，看书不看书，旅行体验截然不同以前写文章，是因为旅行中的景美或有趣故事而写，而这篇文章，却是因为一本书触发的感悟而写。以前，往往以为旅行携带孤独星球系列类似攻略宝典才是最好去一个未知的地方旅行，应该提前先看书，还是旅行中边走边看？汲取旅游目的地书籍知识的能力，是完美旅行的必修技在旅行前，提前购买和阅读旅游目的地介绍的书籍，其实会让旅行缺乏很多新鲜感和惊喜感觉，就像阅读一张出版日期是未来时间，但却已经被翻旧的世界自然植物奇观，泰国乌隆壮观的万亩红莲花海奇景，只冬季限定泰国和老挝边境不远的乌隆府，有座世界奇幻的红莲湖视频加载中泰国全境有77个府，泰国府级行政区级别相当于中国的县，外国游客去的较多得是泰国南部海岸区域，以及泰国北部的清莱清迈地区，泰温州文成的安福寺很有看点，2013年浙江省政府红头文件被刻作石碑你真的没眼花，这真的是一块刻上红头文件的寺庙门前碑刻浙江温州地区很多方面都非常前卫，经济繁荣程度不落后于北上广深。当代温州有着罕见的创造性能力，融合资源的手段特别高超。有一座寺庙，印尼的巴厘岛上也有座反重力瀑布，但很多游客不知道，因为很危险反重力的自然景观其实世界上有不少，印尼巴厘岛上就有最近丹麦的反重力龙卷风瀑布很火，不过这种景象罕见，并不可能每日天看得到。但其实，在印度尼西亚的巴厘岛，有一个小众的免费景点，每天都困海上多日，解困这艘两千多人邮轮的，是柬埔寨美丽西哈努克港一条新闻，让邮轮几乎不太光顾的柬埔寨西哈努克港，成为世界报道热点最近一条新闻，让一座柬埔寨的港口城市，成为了世界新闻的热词，这就是柬埔寨的西哈努克港（西哈努克市）。这里不是知名的邮浙江淳安千岛湖，人在千岛山水画中游，多种旅行方式的乐生活之地杭州千岛湖，是一个百玩不腻的好地方，千岛湖之名实至名归这里整个湖区水域面积巨大，湖水总量几乎是太湖的4倍杭州西湖的3000倍，水质更是一流。由于是如此巨大水容积的存在，这让千岛湖地