在纽约刚刚举办的第十一届RECOMB/ISCB会议公布了DREAM Challenge 单细胞转录组挑战赛和多靶点药物预测挑战赛的比赛结果。上海科技大学和中科院上海药物所联合培养的博士研究生熊招平以总分28分的最高分获得多靶点药物预测挑战赛冠军，指导老师是来自中国科学院上海药物研究所的蒋华良院士和郑明月研究员。

多靶点药物，是指同时作用于疾病相关网络中多个靶点的药物。多年来，一些科研人员认为多靶点作用就意味着选择性差，更加倾向于开发作用于单一靶点的高特异性药物。然而，人体是一个有机整体，很多疾病必须要同时精细调控多个靶点才能得到控制。这种背景下通过调控多个靶点发挥作用的药物不是选择性低，而是选择性更高，作用更精准，即一定要作用于某些靶点，而又一定不能作用于另外一些靶点。以针对多靶点设计的蛋白激酶抑制剂PP121为例，该化合物不仅可以靶向酪氨酸激酶，还可以阻断mTOR和PI3K之间的负反馈通路，从而具有更好的协同作用。目前已发现有多种靶向激酶抗肿瘤药物的临床疗效与其多向药理学作用相关。然而，目前大多数激酶抑制剂通过与激酶高度保守的ATP结合口袋结合发挥作用，选择性低且易于产生毒副作用。因此，开发新型、有效和安全的激酶抑制剂，需要实现化合物多向药理和选择性的均衡，这是十分具有挑战性的。

在本次比赛中，要求选手利用私有和公开的生物活性数据，找到对几个特定蛋白靶点有活性，但对另外几个靶点不能有活性的化合物，也就是要求化合物具有高度精准的多靶点选择性。为了对算法进行客观验证，比赛组织方要求找出的化合物是ZINC15数据库中可购买的化合物，之后赛方会根据参赛者提交的算法创新性和可扩展性，以及化合物结构的新颖性来选择性地购买化合物样品进行生物活性测试。最后根据第三方的实验测试结果给参赛者打分。熊招平在甲状腺髓样瘤和tau蛋白神经退行性模型两项任务中均斩获全场最高分，从190个参赛队伍中脱颖而出。

据悉，这次挑战赛中并不是所有靶点蛋白都有被解析的三维结构，熊招平发挥中国科学院上海药物研究所药物设计与发现中心长期积累的基础优势以及团队最近发展的将人工智能处理自然语言等序列类型数据的创新方法，对靶点蛋白进行编码，并利用最新的图神经网络原理对小分子图结构建模，最终生成一个端到端的神经网络预测模型，该AI模型不需要像传统机器学习算法进行人工特征选取，从而使模型具有很高的扩展性和预测能力。这一结果也表明人工智能和机器学习在提高创新药物研发效率方面的巨大潜力。

熊招平的导师之一蒋华良院士说：人工智能正成为药物研发的重工具，上海药物研究所多年前已布局这一研究方向，并与化学生物学、DNA编码库等新技术以及传统药理学和药物化学结合，在提高药物研发效率方面已经取得了较大的进展。

据悉，该大赛是国际计算生物医学领域历史最悠久也最有影响力的算法挑战赛。从2006年开始，每年一届，已经举办了12届，赢得比赛的参赛者会被邀请到次年由国际计算生物学会举办的RECOMB计算生物大会作口头汇报。该比赛由美国哥伦比亚大学的Gustavo Stolovitzky 和Andrea Califano教授发起，每一届会由不同的比赛组织方开放自己的私有数据、设计不同主题的任务由参赛者建模预测。这些任务都是当时最新最紧迫的科学问题，如转录因子结合位点预测，体细胞突变识别算法，疾病模块预测，肿瘤病人生存期预测，帕金森动作体态模式识别，阿尔兹海默症生物标志物预测，乳房X片识别，肿瘤蛋白组生物标志物预测，细菌或病毒急性感染后动态时序性的血液生物标志物识别等等。

编辑：金婉霞
责任编辑：许琦敏

来源：微信公众号“BioArt”