從近200萬化合物真實篩選到14億(yi)化合物虛擬篩選，Genentech如何利(li)用AI拓展抗菌藥發現化學空間。

從圖神經網絡(luo)到大模型，從分子生成到虛(xu)擬篩選，各類AI技術不斷涌現(xian)。對于一線研發團隊來(lai)說(shuo)，一個(ge)現(xian)實問(wen)題始(shi)終存在：實驗能夠覆蓋(gai)的化學空間其實非常有限(xian)。即使(shi)是大(da)型(xing)HTS項目，通常也只能(neng)(neng)篩選百萬(wan)級(ji)化合物，而理論上(shang)的(de)(de)藥(yao)(yao)物樣化學空(kong)間(jian)被(bei)認為(wei)遠(yuan)遠(yuan)超(chao)過(guo)這(zhe)一數量級(ji)。已(yi)有的(de)(de)一些(xie)AI抗生素發(fa)現研(yan)究，由于使(shi)用(yong)規模較(jiao)小(xiao)的(de)(de)訓練(lian)集(ji)，且訓練(lian)樣本(ben)(ben)常集(ji)中于已(yi)知(zhi)抗生素、天然(ran)產(chan)物或已(yi)上(shang)市藥(yao)(yao)物，對(dui)更廣化學空(kong)間(jian)的(de)(de)泛化能(neng)(neng)力仍然(ran)有很(hen)多提升(sheng)空(kong)間(jian)。如(ru)果訓練(lian)數據本(ben)(ben)身不(bu)夠豐富(fu)，AI到(dao)底能(neng)(neng)學到(dao)什(shen)么？

Genentech聯(lian)合NVIDIA和Mila發(fa)表在《Nature Biotechnology》的(de)一(yi)項研(yan)究，給出了(le)一(yi)個(ge)(ge)值得關注的(de)解法。研(yan)究團隊并沒有把重點放在只做(zuo)一(yi)個(ge)(ge)虛(xu)擬篩選模型，而(er)是嘗試解決(jue)一(yi)個(ge)(ge)更基礎的(de)問題——如何獲(huo)得足夠大、足夠多(duo)樣化的實(shi)驗(yan)數據，以真實(shi)實(shi)驗(yan)結果(guo)訓練深度學習模型，讓AI將搜索范(fan)圍擴展至HTS實(shi)驗(yan)未直(zhi)接覆蓋的大規模可合成化學空間。

研(yan)究團隊首先對1,981,993個小(xiao)分(fen)子進行(xing)了(le)表型高(gao)通量篩(shai)選，篩(shai)選對象是(shi)(shi)E. coli ΔtolC菌株。實驗獲得5,161個活(huo)性(xing)化合(he)物(wu)，對應初始HTS命(ming)中(zhong)率(lv)為0.26%。從(cong)比例上看這(zhe)個命(ming)中(zhong)率(lv)并不高(gao)，但(dan)作者更看重(zhong)的(de)是(shi)(shi)數據的(de)廣度。研(yan)究指出，即便10^6–10^7級實驗篩(shai)選也只能(neng)覆蓋(gai)巨大(da)化學空(kong)間的(de)一小(xiao)部分(fen)。這(zhe)批HTS數據的(de)價值不只是(shi)(shi)“找到了(le)多少活(huo)性(xing)化合(he)物(wu)”，更在(zai)于它(ta)給模型提(ti)供了(le)大(da)量活(huo)性(xing)與非(fei)活(huo)性(xing)化合(he)物(wu)之間的(de)結構—活(huo)性(xing)信(xin)息。這(zhe)套篩(shai)選庫覆蓋(gai)了(le)多樣化的(de)化學空(kong)間區(qu)域(yu)，并包(bao)含activity cliffs等信(xin)息，可用于訓練模型(xing)識別細微(wei)結構變化與活性之間的關(guan)系。

基于(yu)這批(pi)HTS數據(ju)，研(yan)究(jiu)團隊訓(xun)練(lian)(lian)了深度學習(xi)模(mo)型GNEprop。GNEprop是一個以分子圖結(jie)構(gou)為輸入的(de)圖神(shen)經網(wang)絡(luo)模(mo)型，用于(yu)預測(ce)小(xiao)分子的(de)抗菌活性(xing)。研(yan)究(jiu)人(ren)員(yuan)對模(mo)型的(de)要求并不只是“在(zai)已有數據(ju)上表(biao)現好”，更關(guan)注模(mo)型能(neng)否推廣到訓(xun)練(lian)(lian)集中未充分覆蓋的(de)新(xin)化學空間，也就是out-of-distribution（OOD）泛(fan)化能(neng)力。

為此，團隊(dui)設計了(le)更(geng)嚴格的scaffold-cluster split評估方式，用(yong)來(lai)模(mo)擬真實虛擬篩(shai)選(xuan)中模(mo)型面對陌生化學(xue)空間的情況。研(yan)究(jiu)還采用(yong)了(le)自監督預訓練：先利用(yong)1.22億個未標注分子(zi)學(xue)習通用(yong)分子(zi)表示，再用(yong)HTS實驗數據進行微調。

模型訓練完成后，團隊將(jiang)GNEprop用于Enamine REAL數據庫的虛擬篩選(xuan)。這個(ge)(ge)(ge)數據庫(ku)包(bao)含(han)約14億個(ge)(ge)(ge)可(ke)合成化合物(wu)。研究(jiu)團隊在(zai)(zai)64塊A100 GPU上，對整個(ge)(ge)(ge)空間的8個(ge)(ge)(ge)模(mo)型(xing)重復預測在(zai)(zai)48小時內完(wan)成。隨后(hou)，模(mo)型(xing)預測44,437個(ge)(ge)(ge)具有抗(kang)菌活性的候選分(fen)子。

這些候選(xuan)分子經過聚(ju)類、多(duo)樣性選(xuan)擇、過濾和實(shi)(shi)驗(yan)(yan)預(yu)算限(xian)制后(hou)，最(zui)終(zhong)有345個分子被成功(gong)合(he)(he)成并帶回實(shi)(shi)驗(yan)(yan)室驗(yan)(yan)證。其中(zhong)(zhong)(zhong)82個化合(he)(he)物達到≥80%生長抑(yi)制標準(zhun)，被定(ding)義為確認(ren)活性（confirmed actives）。對(dui)應(ying)命(ming)中(zhong)(zhong)(zhong)率為23.8%。對(dui)比最(zui)初HTS篩選(xuan)的0.26%命(ming)中(zhong)(zhong)(zhong)率，AI輔助后(hou)的實(shi)(shi)驗(yan)(yan)驗(yan)(yan)證命(ming)中(zhong)(zhong)(zhong)率提(ti)升約(yue)90倍。也就是說，在這項研究(jiu)中(zhong)(zhong)(zhong)，模型排序后(hou)的候選(xuan)集合(he)(he)在實(shi)(shi)驗(yan)(yan)驗(yan)(yan)證中(zhong)(zhong)(zhong)表現(xian)出更高命(ming)中(zhong)(zhong)(zhong)率。

對于抗菌藥發(fa)現來說(shuo)，提高命中率當然重要(yao)，能否(fou)找到新的化學(xue)骨架同樣關鍵(jian)。確(que)認活(huo)性的(de)(de)虛擬篩選分(fen)子(zi)中(zhong)，98.8%與已(yi)知(zhi)抗(kang)生素(su)(su)的(de)(de)最大(da)Tanimoto相(xiang)似(si)(si)度(du)≤0.4；其中(zhong)39%的(de)(de)相(xiang)似(si)(si)度(du)≤0.2。此外，確(que)認活(huo)性分(fen)子(zi)中(zhong)有(you)一部分(fen)與HTS訓練集活(huo)性分(fen)子(zi)也具有(you)較低相(xiang)似(si)(si)度(du)。結(jie)果(guo)表明，模(mo)型不(bu)僅是(shi)在“找像已(yi)知(zhi)抗(kang)生素(su)(su)的(de)(de)分(fen)子(zi)”，而是(shi)在更(geng)廣的(de)(de)可合(he)成化學(xue)空(kong)間中(zhong)找到結(jie)構上更(geng)不(bu)同的(de)(de)抗(kang)菌活(huo)性分(fen)子(zi)。

這項(xiang)工(gong)作的核心并不是“用了(le)一(yi)個AI模型，所以找(zhao)到了(le)活(huo)性分子”。它展示了(le)一(yi)種(zhong)更完整(zheng)的工(gong)業化路徑(jing)：先用(yong)大規模(mo)(mo)實驗建立訓練數(shu)據，再(zai)用(yong)模(mo)(mo)型擴(kuo)展到遠大于(yu)實驗可直(zhi)接覆蓋的化(hua)學空(kong)間(jian)；隨(sui)后把(ba)模型預測結(jie)果帶回實驗(yan)室驗(yan)證，并(bing)用新的實驗(yan)結(jie)果繼續豐富對化學空(kong)間的理解。研究者提到，模型性能(neng)并(bing)沒有在當前(qian)數(shu)據(ju)(ju)規模下(xia)完全(quan)達到平臺期，更(geng)多數(shu)據(ju)(ju)可能(neng)進一步提升模型表現。

“數據—模(mo)型—實驗(yan)(yan)”循環能(neng)否跑通(tong)，離不(bu)開穩定(ding)、可(ke)擴展(zhan)的實驗(yan)(yan)數據生成能(neng)力(li)。研究團隊在(zai)初始HTS階段，采(cai)用了Echo聲波(bo)移液系統進行1536孔板超高(gao)通(tong)量(liang)(liang)化(hua)合物(wu)實驗(yan)(yan)；在(zai)后續虛擬篩選命中(zhong)化(hua)合物(wu)驗(yan)(yan)證中(zhong)，繼續采(cai)用Echo賦(fu)能(neng)高(gao)質(zhi)量(liang)(liang)篩選實驗(yan)(yan)數據輸出。

對于AI藥物(wu)發現而言，模型與實驗平(ping)臺(tai)協調工作，才能形成真正(zheng)可迭(die)代的發現體系。Echo聲(sheng)波(bo)移(yi)液系統(tong)及ACCESS自動化整合系統(tong)，作為(wei)生成訓(xun)練數據(ju)和驗證數據(ju)的重(zhong)要(yao)實驗基礎設施，將持續賦(fu)能AI藥物篩選(xuan)。