大约20%的美国人 suffer from chronic pain，而现有的治疗方法往往效果不佳。克利夫兰诊所基因组中心主任程飞雄博士与IBM合作，利用人工智能 (AI) 发现旨在更好管理疼痛的新药物。他们的深度学习方法揭示了来自肠道微生物组的多种代谢物，并确定了可以重新使用的 FDA 批准药物，这些药物可作为非成瘾性、非阿片类的慢性疼痛治疗方法。
其研究结果已发表在Cell Reports Methods。
程博士实验室的共同第一作者、专注于神经系统治疗的博士后研究员邱永光博士强调，由于阿片类药物存在严重的副作用和成瘾风险，疼痛管理始终面临挑战。最近的研究表明，针对一类称为G蛋白偶联受体 (GPCRs) 的特定疼痛受体群体可能会导致非成瘾性镇痛。邱博士解释说，真正的挑战在于有效地靶向这些受体。
研究人员并未从零开始创造新的分子，而是考虑利用现有的方法来搜索可能也能缓解疼痛的已有FDA批准药物。这项研究涉及绘制肠道代谢物图谱，以识别可行的药物靶点。
该团队由计算科学家杨宇鑫博士领导，杨博士是主要作者之一，致力于改进程实验室早期开发的基于AI的药物发现算法。与IBM的合作也为撰写和完善研究出版物作出了贡献。
杨博士对IBM合作伙伴提供的见解和先进的计算技术表示感激：“能够与业界同行合作并学习是一次很好的机会。”
为了评估某种分子是否可以作为药物，研究人员旨在预测其与蛋白质，特别是疼痛受体的相互作用及影响。这需要对所涉及分子的全面三维理解，并深入研究其化学、结构及物理特征所基于的广泛二维数据。
程博士指出，利用当前的计算方法合成进行预测分析所需的大量数据是复杂且劳动密集型的。“人工智能通过有效利用从成像、进化研究和化学实验中获得的化合物和蛋白质数据，加速了这一过程，以预测哪些化合物最有可能与我们的疼痛受体产生良好的相互作用，”他解释道。
研究人员开发了一种名为LISA-CPI（配体图像和受体三维(3D)结构感知框架，以预测化合物-蛋白质相互作用）的工具。该工具采用一种称为深度学习的人工智能类型来预测：
- 分子是否能够与特定的疼痛受体结合
- 分子附着在受体上的具体位置
- 分子与受体的结合强度
- 分子的结合是否会激活或抑制信号通路
利用LISA-CPI，团队预测了369种肠道微生物代谢物与2308种FDA批准药物在13种疼痛相关受体之间的相互作用，从而识别出可用于疼痛管理再利用的潜在化合物。用于验证这些化合物的实验室研究目前正在进行中。
杨博士强调，该算法所做的预测可以显着减少为了进一步调查而需编制的潜在药物列表所需的实验工作量。“这个工具使我们能够评估更广泛的药物、代谢物、GPCRs和其他受体，以寻找除疼痛之外的疾病治疗方法，比如阿尔茨海默病。”
程博士指出，这一举措仅代表他们与IBM合作的一个方面，以创建药物开发的基础模型，包括此次的药物再利用和正在进行的新药发现工作。
“我们相信这些基础模型将赋能先进的AI技术，以快速开发针对各种紧迫健康挑战的疗法，”他说。
