一种对一个人来说理想的药物可能对其他人无效或有害，并且预测谁可以从某种药物中受益是很困难的。现在，由神经科学家Kirill Martemyanov 博士领导的国际团队。总部位于赫伯特·沃特海姆佛罗里达大学斯克里普斯生物医学创新与技术研究所，正在训练人工智能来提供协助。

Martemyanov 的团队使用强大的分子追踪技术来分析 100 多个重要细胞药物靶标的作用，包括它们更常见的遗传变异。然后，科学家们利用这些数据开发和训练一个人工智能锚定平台。在 10 月 31 日《细胞报告》杂志上发表的一项研究中，Martemyanov 及其同事报告说，他们的算法以超过 80% 的准确度预测了细胞表面受体对药物样分子的反应。

用于训练算法的数据是经过十多年的实验收集的。该研究所神经科学系主任 Martemyanov 表示，他们的长期目标是完善该工具，并利用它来帮助设计真正的精准药物。

“我们都认为自己或多或少是正常的，但事实并非如此。我们基本上都是突变体。我们的细胞受体有巨大的变异性，”Martemyanov 说。“如果医生不知道你到底有什么基因改变，你就只能采用这种一刀切的处方方法，所以你必须进行实验才能找到适合你的方法。”

三分之一的药物通过与称为 G 蛋白偶联受体 (GPCR) 的细胞表面受体结合来发挥作用。这些是穿过细胞膜的复合物，在细胞外部有一个“对接站”，并有一个延伸到细胞内的分支。当药物进入其 GPCR 码头时，分支就会移动，触发细胞内的 G 蛋白并引发一系列变化，就像倒下的多米诺骨牌一样。

激活或阻止这一过程的结果可能是缓解疼痛、平息过敏或降低血压。除了药物之外，激素、神经递质甚至气味等其他物质也可以与 GPCR 对接来指导生物活动。

科学家们已经对人类中大约 800 个 GPCR 进行了编目。大约一半致力于感官，尤其是嗅觉。另外大约 250 人接受了药物或其他已知分子。Martemyanov 的团队必须发明一种新的协议来观察和记录它们。他们发现了很多惊喜。一些 GPCR 按预期发挥作用，但其他 GPCR 却没有，尤其是那些负责谷氨酸神经递质的 GPCR。

Martemyanov 在该项目上的合作者包括他的博士后研究员、后来的研究员 Ikuo Masuho 博士(他现在是爱荷华州苏福尔斯桑福德研究中心自己的实验室的负责人)，以及计算蛋白质设计师 Bruno E. Correia 博士。 D.，位于瑞士洛桑的瑞士生物信息学研究所，在创建人工智能算法方面发挥了重要作用。Martemyanov 说，他们的合作源于多年前科雷亚在佛罗里达州朱庇特校区的一次演讲。

马尔捷米亚诺夫对这样一个事实感到震惊：人工智能算法要想有用，就必须用准确的数据和明确的规则进行训练。Martemyanov 表示，GPCR 研究刚开始时还处于早期阶段，缺乏有关 GPCR 活性的广泛、复杂的数据。

“如果你只看过大象的一条腿，你可能不知道如何描述它;你可能看不到它实际上是一头大象，”他说。

他说，仅根据 GPCR 最知名的活动对它们进行分类就像看到大象的一条腿一样。Martemyanov 表示，这过于简单化，过于笼统，无法训练人工智能。

为了以全面的方式记录信号，他们转向了一种称为生物发光共振能量转移的有用技术。它涉及在细胞蛋白质中设计一个小的生物发光标签，并记录当细胞暴露于激活 GPCR 的分子时发光的变化。

他们收集了数据，根据绑定偏好进行了排名，并看到了模式的出现。这些数据类似于心电图，具有激活率、幅度和选择性的测量值。他们添加了人类携带的 GPCR 的常见遗传变异，并记录了这些突变受体在激活时反应方式的显着差异。

当瑞士的 Correia 团队训练算法根据这些更细致的数据进行预测时，研究人员对结果感到兴奋。他们发现它在 80% 以上的情况下是正确的。

科学家们希望他们的研究结果能够鼓励药物开发商对 GPCR、其 G 蛋白及其活性有更深入的了解，从而最终以更安全、更快速、成本更低的方式生产出更安全的药物，从而使患者受益。展望未来，他们打算更深入地探索遗传变异如何影响 GPCR 作用的类药化合物的作用方式。

Martemyanov 说：“我们的最终目标是能够预测人们携带的个体变异如何对药物产生反应，从而可以定制处方并为精准医疗铺平道路。”