福建
在新药研发中，找到一个能精准“抓住”目标分子的蛋白质，往往要经历漫长的计算和大量的实验。
传统上，一个候选分子从设计到验证，往往要耗费数月甚至数年时间。计算环节的瓶颈，常常拖慢整个研发链条。
如今，美国谷歌公司的研究团队给出了一种新的提速方案。谷歌研究人员开发出一种方法，可将蛋白质结构预测的速度提升8.6倍，并将其用于寻找有望用于靶向癌症疗法的分子。
这项工作是谷歌三个相关研究项目之一，目标是探索AI智能体如何设计生物分子、分析实验结果，乃至直接操控实验设备。
“外科手术式”切除，只算关键部位
这项提速技术被称为“表位外科切除”。
传统做法是对整个靶蛋白进行结构预测，计算量巨大。新方法则只对设计蛋白预计会结合的局部区域进行预测。
打个比方，这就像修锁的时候只研究锁孔，而不是把整扇门拆下来分析。由于结构预测的计算量会随着蛋白质尺寸迅速上升，只算关键区域，就能大幅节省时间和算力。
据谷歌介绍，在其测试中，这种提速并没有牺牲结构预测的准确性。
研究团队将这一方法用于成纤维细胞激活蛋白α（FAP）。这是一种与实体瘤密切相关的分子。
针对FAP设计的“结合蛋白”，未来或许能帮助药物更精准地找到与癌症相关的组织。FAP在许多肿瘤周围的基质细胞中高表达，而在健康组织中相对较少，因此被视为有吸引力的靶点之一。
研究人员利用酵母表面展示和荧光激活细胞分选技术，对大量工程蛋白变体进行了筛选。
简单来说，就是让大量候选蛋白展示在酵母细胞表面，再用荧光标记和仪器快速筛选出结合能力最强的那些。结果显示，表现最好的设计达到了个位数纳摩尔级的结合亲和力，意味着结合得相当牢固。
在另一项同等算力条件下的计算对比中，与AI智能体协作的科学家，其预测命中率接近单独工作科学家的两倍。
从DNA适配体到实验室机器人
第二个项目聚焦于DNA适配体的发现。与抗体相比，适配体合成成本较低、稳定性较好，在诊断试剂和靶向递送等领域都有应用前景。
适配体是一类短链核酸分子，能折叠成特定形状，像钥匙一样与特定蛋白质结合。
研究人员以肌红蛋白和α-凝血酶为目标，开展了三轮“设计—测试”循环，每轮耗时7到10天。每一轮都包括合成DNA候选分子、测试结合能力，并根据测序结果指导下一轮设计。
到第三轮时，针对肌红蛋白和α-凝血酶的确认命中率分别达到33.5%和42.1%，其中α-凝血酶结合物的特异性高达98.5%。
第三个项目则把AI带进了“动手”环节。谷歌推出了名为VERID的数字化实验室模型，可以追踪机器人设备、液体体积和实验材料。
AI智能体可以先在这个“数字孪生”中模拟实验流程，提前发现可能的错误，再向真实的实验机器人发出指令。
在一项染料混合实验中，智能体通过反复的机器人测试和摄像头反馈，将重建精度提升了五倍以上。
这项实验本身看似简单，却验证了一个关键能力：AI可以根据真实世界的反馈，自主调整实验操作。
离真正的抗癌药还有多远
尽管成果令人振奋，研究本身仍处于实验阶段。
这些蛋白结合物尚未被证明可以作为癌症治疗手段，研究人员也没有确认它们能否安全、有效地治疗癌症。
从实验室里的分子，到真正走进医院的药物，还需要经过动物实验、临床试验等一系列漫长的验证。
目前，三个项目仍是各自独立的演示。谷歌计划把机器人控制框架与分子发现流程结合起来。
一旦打通，AI就可能在人类监督下，自主完成从设计分子到实验验证的整个循环。
在这一过程中，人类监督和生物安全筛查将始终保留。这对于AI参与生物分子设计尤为重要，可以防止技术被误用。
生物安全筛查可以防止AI被用于设计有害分子，这是此类研究必须坚守的底线。
这项研究描绘了一幅清晰的图景：AI正在从“会算”走向“会做”，从辅助计算走向参与实验设计和执行。
在这一过程中，科学家的角色也在发生变化：从亲自完成每一步实验，转向设定目标、审核结果和把控风险。
如果设计、测试、分析能够形成高效闭环，新药研发的速度，或许将迎来一次真正的飞跃。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
