中国科学院上海药物研究所的科学家近日在《自然-机器智能》杂志上发表了一项重要研究成果，他们利用“数据+知识+AI”的方法成功实现了新靶标药物的虚拟筛选。这项研究的核心是构建了一种名为EquiScore的通用蛋白质-配体相互作用评分方法，该方法在药物虚拟筛选和先导化合物优化场景中表现出了良好的泛化性能。
为了提高深度学习评分函数对新蛋白的预测能力，科研人员采取了两个策略。首先，他们收集了更多的阳性样本，并使用重对接技术生成了更多样的阳性样本。其次，他们使用交叉蛋白对接和分子生成模型生成了更多具有欺骗性和多样性的诱饵分子，以减少构建训练数据集时可能出现的类似物偏差、数据分布偏差及人工富集偏差。最终，科研人员使用新构建的数据集和等变异质图网络来训练EquiScore评分模型。
研究人员选择了21种不同的评分方法作为基准，通过严格测试发现，EquiScore的综合排序能力超过了现有方法。此外，EquiScore在新蛋白的富集能力方面也超过了传统评分方法和深度学习方法。此外，科研人员还比较了EquiScore与其他方法在结构类似物的活性排序能力上的差异，并评估了EquiScore作为评分方法的鲁棒性。
除了在虚拟筛选能力方面表现出色，EquiScore还具有良好的可解释性。这对于基于结构的药物设计来说是非常有价值的，因为它为科学家提供了重要的线索。
总之，中国科学院上海药物研究所的科学家利用“数据+知识+AI”的方法成功实现了新靶标药物的虚拟筛选，并构建了一种名为EquiScore的通用蛋白质-配体相互作用评分方法。EquiScore在药物虚拟筛选和先导化合物优化场景中表现出了良好的泛化性能，并为基于结构的药物设计提供了有价值的线索。这一研究成果对于药物发现领域具有重要的意义。
