美国加州大学圣迭戈分校科学家开发了一种机器学习算法，来模拟药物发现早期阶段耗时的化学过程，其可以显著简化研发流程，同时也为前所未有的治疗找到新途径。科学家借助这一工具，已合成出32种治疗癌症的新候选药物。相关研究成果发表在新一期《自然·通讯》上。
识别候选药物以进行进一步优化，通常需要数千次单独的实验，但新的人工智能平台可在很短的时间内得出结果。这个名为POLYGON的新平台可识别多靶点药物，而现有的筛选流程则优先考虑单靶点药物。多靶点药物与联合疗法具有相同的益处，即几种不同的药物共同用于治疗癌症，效果更好且副作用更小。
研究人员在一个包含超过100万个已知生物活性分子的数据库上对POLYGON进行了训练。该数据库涵盖了分子的化学性质以及与蛋白质靶标相互作用的详细信息。通过学习数据库中的模式，POLYGON能生成新候选药物原始化学式等信息。
为了测试平台有效性，研究人员利用其生成了数百种针对多种癌症相关蛋白对的候选药物。从这些候选药物中，他们成功合成出32种药物，这些药物可与MEK1和mTOR这两种细胞信号蛋白相互作用。MEK1和mTOR是癌症联合治疗中备受关注的潜在靶点，被科学界称为“综合致死蛋白”，同时抑制这两种蛋白被认为足以杀死癌细胞。
