据外媒Tech Xplore报道，麻省理工学院的研究人员最近开发了一种新模型，名为EquBind，可以提前预测新蛋白质分子的结构，提高药物开发的效率。

目前这项技术已经得到了业界的认可，关于这项技术的论文将在7月份的国际机器学习大会上被接受。

第一，速度提升1200倍，EquBind模型可以快速筛选类药分子。

目前，药物研发是一个漫长而昂贵的事情主要原因是研发药物的成本非常昂贵这个成本不仅包括数十亿美元的资金投入，还包括数十年的研究时间

而且在R&D的过程中，90%的药物会因为无效或者副作用太多而失败，只有10%的药物能够顺利通过美国食品药品监督管理局的检验，被批准上市。

所以药企会提高成功药的价格来弥补失败药带来的损失，所以目前部分药品价格居高不下。

一些蛋白质分子结构

研究人员要想研发药物，首先要找到潜在的类药分子药物研发进展缓慢的另一个重要原因是现有的类药分子数量巨大据资料显示，目前存在的类药分子多达1016种，远远超过了现有分子计算模型的计算极限

为了用如此庞大的数据处理分子，加快药物开发的进程，麻省理工学院电子工程和计算机科学系一年级学生汉尼斯·斯特尔克开发了一个名为EquBind的几何深度学习模型EquBind的运行速度是现有最快的分子计算对接模型的1200倍，可以更快地找到类似药物的分子

第二，EquBind模型可以准确预测蛋白质的结构，提高药物研发的效率。

目前，分子计算的传统对接模型大多采用一种叫做配体—蛋白质的方法来寻找类药物分子具体来说，模型需要先接收大量的样本分子，然后让配体与各种分子结合，然后模型对不同的分子进行评分，最后排序选出最合适的分子但是这种方法过程复杂，在模型中寻找类药分子的效率较低

汉内斯特克对这个过程做了一个形象的比喻他说，以前典型的‘配体—蛋白质’方法就像试图让模型将钥匙插入有许多钥匙孔的锁中模型花了很多时间给钥匙和每个钥匙孔的适合度打分，然后选出最合适的一个

他继续解释道:而EquBind在遇到新分子时，可以跳过最耗时的步骤，提前预测最合适的‘锁眼’，这就是所谓的‘盲配对’EquBind内置几何推理算法，可以帮助模型学习分子的基本结构这种算法允许EquBind在遇到新分子时直接预测最合适的位置，而无需花费大量时间尝试不同的位置并打分

麻省理工学院

3.EquBind模型已经在业内成功应用，笔者期待更多反馈。

这个模型引起了治疗公司Relay首席数据官Patwalters的注意建议Walster的Hannestrk研究组利用该模型开发治疗肺癌，白血病和胃肠道肿瘤的药物一般来说，大多数传统方法很难对接这些领域使用的蛋白质配体，但EquBind可以使它们成功对接

治疗肺癌的两种抑制剂

Walters说，EquBind为蛋白质中的对接问题提供了独特的解决方案，解决了结构预测和结合位点识别的问题这种方法可以很好地利用成千上万已发表的晶体结构信息，EquBind可能会以新的方式影响这一领域

结论:人工智能与医药行业的适应性很好，发展势头正盛。

AI制药是2020年才进入大众视野的新兴领域。

制药领域是一个天然的AI场景新药研发的周期长，成本高，成功率低，给AI留下了巨大的空间:机器可以自主学习和挖掘数据，在专家的经验之外总结归纳药物研发规律，进而优化药物研发过程中的各个环节这样不仅可以提高药物研发效率和成功率，还可以降低研发成本和试错成本

正因为这样的特点和发展潜力，AI制药目前正蓄势待发但也有业内人士表示，AI只是在制药过程中起到辅助作用它绕不过行业固有的流程和机制，也不可能用两三年走完十年

但总体来看，目前AI制药领域仍有新的技术突破，发展蒸蒸日上。