研究人员开发出可快速计算药物与靶点结合能力的方法

药物只有与靶点蛋白结合才能发挥作用，评估这种结合能力是药物发现和筛选过程中的重要环节。该能力由结合自由能来衡量，结合自由能越小，结合能力越大。当前结合自由能的计算方法主要分成两类，一类是精确值计算法，这类方法依靠广泛的分子动力学模拟，原则上得出的结果数值可与实验测量结果相媲美，计算过程中需要对2 个最终状态（绑定状态和未绑定状态）以及桥接它们中间状态进行模拟，因而需要耗费大量的时间和计算机资源。此外，中间状态的定义的构建也不容易。第二类是近似值计算法，这类方法只需考虑最终状态，虽然计算效率更高，但由于引入了用于估计熵贡献的近似值，因此准确性较低。

近日，一项由美国麻省理工学院（MIT）参与的项目开发出一种可以通过精确、快速计算结合自由能从而评估候选药物与其靶点间的结合能力的机器学习算法——DeepBAR。DeepBAR 中的“BAR”代表Bennett 接受率（Bennett acceptance ratio，BAR），该方法属于精确计算束缚自由能的方法之一。研究人员通过在被称为深度生成模型（deep generate models）的机器学习框架中引入BAR，从而削减耗时的中间状态，并借鉴计算机视觉领域的经验，大大缩短产生精确结果的时间。在一项对小蛋白类分子的测试中，DeepBAR 计算结合自由能的速度比此前的方法快近50 倍。该方法有望提高药物筛选的速度。

研究的相关结果于2021年3月18日发表在《The Journal of Physical Chemistry Letters》期刊上。