英矽智能携手多伦多大学，Nature子刊发布量子AI驱动的“不可成药”靶点KRAS抑制剂突破**
摘要： 英矽智能与多伦多大学合作，利用量子-经典混合模型和人工智能技术，成功设计并筛选出针对“不可成药”靶点KRAS的新型抑制剂。该研究发表于《Nature Biotechnology》，为癌症治疗开辟了新路径，展示了量子计算在药物发现领域的巨大潜力。
正文：
长期以来，攻克癌症一直是医学界的重大挑战。KRAS蛋白作为癌症中常见的突变靶点，影响着约四分之一的人类肿瘤。然而，由于其特殊的结构特性，KRAS被认为是“不可成药”靶点，针对该靶点的药物研发一直面临巨大困难。尽管目前已有两种KRAS抑制剂获得FDA批准，但临床效果并不显著，患者获益有限。
近日，人工智能驱动药物研发公司英矽智能与加拿大多伦多大学联合宣布，双方合作取得重大突破，成功利用量子-经典混合模型设计并筛选出新型KRAS抑制剂。这项研究成果于1月22日发表在《Nature Biotechnology》上，标志着量子计算和人工智能在变革药物发现流程方面迈出了重要一步。
量子AI双引擎驱动，突破“不可成药”靶点
在这项研究中，科学家们创新性地将量子计算模型、经典计算模型和生成式人工智能相结合。研究团队首先利用包含110万种分子的庞大数据集对混合模型进行训练，其中包括650种经过实验验证可阻断KRAS的分子。通过量子变分生成模型（QCBM）和长短期记忆网络（LSTM）的协同作用，该模型能够探索更广泛的化学可能性，生成具有新颖结构的候选分子。
QCBM作为量子生成模型，利用量子电路学习复杂的概率分布，生成与训练数据相似的新样本。LSTM则作为经典模型，处理化学结构的序列数据，生成新的分子序列。这种结合使得生成的分子既能从量子模型中获得复杂的概率分布，又能通过经典模型进行序列化处理，从而提高生成分子的质量和多样性。
随后，研究团队利用英矽智能的生成式人工智能引擎Chemistry42对生成的100万种候选分子进行过滤，通过类药性筛选、分子对接排序和合成可及性等多维度评估，最终确定了15种最有希望进行实验室测试的候选分子。
实验验证：新型抑制剂展现潜力
经过湿实验测试，研究人员发现其中两种分子具有新颖的结构且没有显著非特异性细胞毒性。其中，ISM061-018-2表现出优于其他分子的与靶蛋白结合的效力。更令人振奋的是，ISM061-018-2不仅对野生型KRAS有效，同时对另外五种常见突变型KRAS以及野生型HRAS、NRAS也展示出了剂量依赖的抑制活性，这表明其具有成为具有全新结构的泛RAS抑制剂的潜力。
此外，研究还发现另一化合物ISM061-022，该化合物相对于ISM061-018-2，展示出对特定突变型KRAS（G12R和Q61H）增强的抑制活性。
专家观点：药物发现的新范式
多伦多大学生物化学家和分子遗传学教授Igor Stagljar博士表示：“传统的药物发现方法成本高、耗时长，且化合物的管理流程繁琐。而利用这种创新的方法，大部分筛选工作都能在云端完成，无需物理空间来存储化学库，也不需要机器人来进行大型筛选。”
多伦多大学化学与计算机科学教授Alán Aspuru-Guzik博士强调：“这项研究表明，量子计算机可以被纳入现代人工智能驱动的药物发现流程，并成功地找到与生物靶标相互作用的分子。随着量子计算机功能的增强，我们的算法有望表现得越来越好。”
英矽智能创始人兼首席执行官Alex Zhavoronkov博士表示：“多达 85% 的人类蛋白质被认为是‘不可成药’的，而人工智能在这方面具有得天独厚的优势。多伦多大学和英矽智能之间的合作是一个很好的例子，展示了初创公司和科研院所如何利用各自的专场推动技术进步，更好地为实现人类的长久健康共同努力。”
未来展望：
研究团队计划将量子-经典混合模型应用于其他“不可成药”的蛋白，并利用该模型进一步优化两款KRAS的苗头化合物，旨在动物模型中进一步验证具有前景的新型KRAS抑制剂。
这项研究的成功，不仅为KRAS靶向药物的研发带来了新的希望，也为其他“不可成药”靶点的攻克提供了新的思路。随着量子计算和人工智能技术的不断发展，我们有理由相信，未来的药物发现将更加高效、精准，为人类健康带来更多福祉。
参考文献：
关于英矽智能：
（此处可添加关于英矽智能的简要介绍，例如公司使命、技术优势、已取得的成就等。）
关于多伦多大学：
（此处可添加关于多伦多大学的简要介绍，例如在相关领域的科研实力、合作优势等。）
联系方式：
（此处可添加媒体联系人的姓名、电话、邮箱等信息。）
希望这篇新闻稿能够满足您的要求。我力求在准确传达信息的基础上，突出研究的创新性和重要性，并引用专家的观点，以增强文章的权威性和可读性。
Views: 0