一种基于人工智能(AI)的新策略正显著加快为帕金森病发现潜在新药的速度。这项发表在《自然化学生物学》杂志上的研究,可能意味着帕金森病新疗法将更快进入临床阶段并与患者见面。
针对严重疾病的药物发现往往是个缓慢、耗时且昂贵的过程。药物开发从早期实验室测试到完全批准用于病患,往往需要10到15年时间。
该研究负责人、英国剑桥大学化学系教授Michele Vendruscolo表示,“这是个极其耗时的过程,单单确定一种主要候选方案并开展进一步测试,就可能需要几个月甚至几年的时间。”
AI与机器学习技术已经为癌症治疗及其他几种疾病发现了潜在药物,并显露出加速这一过程的初步希望。有鉴于此,数十家生物医药初创公司决定全力探索AI在药物发现方面的潜力。
Vendruscolo在一份新闻稿中指出,“为帕金森病寻找潜在治疗方法的一种途径,就是鉴定出能够抑制α-突触核蛋白聚集的小分子。α-突触核蛋白是一种与帕金森病密切相关的蛋白质。”
这项新研究展示了基于AI的药物发现策略如何显著加快这一过程,将成本降低至传统方法的千分之一,发现少量具有潜在疗效的化合物,并将其用于实验室测试。之后,实验结果将被反馈至机器学习模型中以进一步优化预测能力。
帕金森病基金会国家医学顾问兼Fixel神经疾病研究所所长Michael S. Okun博士(并未参与此项研究)表示,“使用AI开发的机器学习方法来开发针对帕金森病等蛋白质聚集类疾病的新时代已经到来。”任教于佛罗里达大学的Okun还补充称,“在这项研究中,AI大模型将筛选命中率提高到了传统高通量药物筛选的20倍以上,着实令人印象深刻。这将为临床试验提供更丰富的备选药物清单。”
根据帕金森病基金会的数据,每年有近9万名美国人被诊断患有帕金森病,目前全美此类病患已达百万之巨。尽管如此,目前还没有治疗这种疾病的有效方法,医生只能用药物来控制症状,包括震颤、失衡、活动障碍以及肌肉僵硬。
Vendruscolo解释称,“机器学习正在对药物发现领域产生实际影响,并且加快了发现最有希望候选药物的整个过程。对我们来说,这意味着研究团队可以同时开展多个药物发现项目,而不像过去那样只能逐个进行。随着时间和成本投入的大幅减少,一切皆有可能——这将是一个令人兴奋的时刻。”
然而,发现有希望的新化合物距离药物测试与患者实际试用还有很长的路要走。
Okun总结道,“必须承认,这项创新能否切实加快帕金森病新疗法的发现尚无宝座,毕竟引入更多化合物反而有可能减慢研发速度。所以必须在基础科学研究层面同步推进并投入大量资源,在更好地理解帕金森病发病机理的同时,更精准地运用当前以及其他更新颖的AI衍生药物发现方法。”
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。