掌握的信息越充分，预测越准确。这是位于圣地亚哥的初创公司 Entos 改革药物设计时遵循的原则，他们采用 AI 技术将分子属性预测的准确性加速了一千倍。
药物研发是一个非常耗时和数据密集型过程。但是Entos 的 Orbnet 架构改变了这一点，它可以用之前 1/30 的数据来训练具有量子准确性的分子药物研发模型，而且寻找具有广阔前景的医药化合物所需进行的实验数量也降至之前的 1/100，这样可以显著减少传统药物研发方法的等待时间和复杂性。
该公司加入了 NVIDIA 初创加速计划（此计划旨在助力初创公司借助 AI 、数据科学和高性能计算的进步改革各种行业），他们正在利用 NVIDIA Clara Discovery 推进他们的工作。NVIDIA Clara Discovery 包括一系列最先进的框架、应用程序和预训练模型，用于深入了解数十亿种潜在的药物分子如何在人体内相互作用。
Entos 首席执行官 Tom Miller 表示：“基于物理原理的方法意味着我们可以在机器学习模型中加入更多有关基础量子力学的特质。这使我们即使使用更少的数据，也能够做出更准确的预测。”
Entos 正在致力于发掘可以灭活与某些癌症相关的蛋白质的药物分子。通过将量子力学计算引入机器学习，该初创公司可以更快速地缩小与靶蛋白结合的潜在化合物的范围。
将 AI 引入药物研发流程
机器学习正在改变从气候科学到药物研发等所有科学工作的方式。现在，AI 和机器学习的结合正在引领一种新的科学研究方式，那就是将深度学习和基于物理的仿真相结合，改变药物发现的方式。
药物研发是一个数据密集型过程，研究人员通过算力密集型计算来模拟分子和蛋白质的相互作用，以发掘正确的疗法。以往，这些形式的量子计算执行起来成本高昂，需要数周到数月的时间才能完成。
通过整合 AI 和加速计算，研究人员可以模拟药物与蛋白质的相互作用并且达到量子准确性，从而在上述计算实验方面从中受益。使用传统量子力学计算方法，这些仿真需要的算力过于高昂。
Entos 在 NVIDIA DGX A100 Tensor Core GPU 上优化其 OrbNet 药物研发软件。OrbNet AI 模型由 Entos 首席执行官 Tom Miller 和 NVIDIA 机器学习研究总监 Anima Anandkumar 在加州理工学院联合开发，可实现机器人合成和高吞吐量实验，从而加速药物疗法设计。
“OrbNet 使用了一种基于表达原子之间相互作这一领域特征的图神经网络。此外，我们还考虑了三维旋转等对称性。”Anandkumar 表示，“通过在设计中考虑这些因素，可以仅针对小分子（原子数量少于 40 个的分子）来训练 OrbNet，并直接以较高的准确率在大型蛋白质分子上应用该模型。”
通过与 NVIDIA 专家合作，Miller的科学家团队能够进行高吞吐量实验，并“开启新的大门去追求更多的成果”。
释放共价键的潜力
机器学习的最新进展正在改变化学数据库的数量和规模，助力研究人员寻找具备广阔前景的药物化合物。利用 AI 模型，科学家还可以用新的方式研究人体内酶的无数种化学反应。
这些先进技术相结合，有助于研究以往研究人员使用传统方法无法研究的全新药类。
一种前景可期的技术是创造与靶蛋白形成共价键的药物分子。如果治疗药物可以仅与靶蛋白形成这些共价键，患者就可以使用更小的药物剂量并且受到更少的副作用。Entos 研究人员计划将这种方法应用于癌症、糖尿病和囊性纤维化等疾病领域。
Entos 已与制药、材料和化学行业的领导者建立合作伙伴关系，并且在今年 7 月筹集了 5300 万美元，以支持以高准确性打造卓有成效的药物疗法。该公司认为，与 NVIDIA 医疗健康团队的积极合作帮助了他们获得丰富的技术资源并借助 NVIDIA 硬件架构优化了他们的应用。
欢迎在NVIDIA GTC上了解 Entos 和其他参加初创加速计划的初创公司的更多信息，大会以线上形式举行，持续到11月11日。敬请关注 NVIDIA 医疗健康副总裁 Kimberly Powell 发表医疗健康主题的特别演讲。敬请观看 NVIDIA 创始人兼首席执行官黄仁勋发表 GTC主题演讲。订阅 NVIDIA 医疗健康新闻。