密苏里大学发布用于AI驱动药物开发的蛋白质模型基准PSBench
密苏里大学研究人员发布了PSBench，这是一个包含140万个经独立专家验证并带注释的蛋白质结构模型数据库。随着生物药发现转向数据驱动设计，该资源旨在提升人工智能对蛋白质模型质量的评估能力，并推动药物开发。
University of Missouri研究人员发布了PSBench——一个包含140万个带注释的蛋白质结构模型的数据库。这一新资源有望加速阿尔茨海默病和癌症等疾病的药物开发。这些模型已由独立专家验证，旨在帮助科学家构建更准确的人工智能系统，用于评估蛋白质结构模型的质量。AI领域的最新进展，包括AlphaFold等工具，已显著提升蛋白质结构预测能力，但尚无任何单一AI工具能够对所有类型的蛋白质都持续保持准确。
该数据库为科学家提供信息，以评估预测的蛋白质模型是否可信，而这对未来医学治疗的开发至关重要。蛋白质驱动着人体内的每一个生物过程，其三维形状决定了它们如何发挥功能。即便是微小的结构变化，也可能导致疾病。
PSBench资源的构建利用了**Critical Assessment of protein Structure Prediction (CASP)**中生成的内部资源和社区范围资源。CASP被广泛认为是评估蛋白质预测计算方法的国际黄金标准。这项每两年举办一次的竞赛旨在独立测试计算机模型，以预测蛋白质链如何折叠成功能所需的三维形状。
这些进展反映了生物药发现领域更广泛的转变：从缓慢的实验过程转向数据驱动的工程学科。深度学习的进展——从解读序列语法的蛋白质语言模型，到结构预测器和新一代生成模型——正使研究人员能够以前所未有的精度解码、预测并创造复杂的生物分子。通过从海量生物数据集中学习，这些系统能够发现连接序列、结构和功能的模式，推动该领域从依赖偶然发现转向以理性设计为主导的创新。
AI能够设计具有定制功能的新型蛋白质、抗体、肽和核酸，同时优化结合亲和力、稳定性和可制造性等属性。包括扩散模型和自回归架构在内的生成方法，使科学家能够探索广阔的分子设计空间，而这些空间通过传统筛选或定向进化难以触及。与此同时，机器学习也在通过预测性能、指导制剂开发和提出新型组分，改进脂质纳米颗粒、病毒载体和抗体偶联药物等递送策略。
早期由AI设计的生物药，包括肽类治疗药物、抗体和基于mRNA的候选产品，正进入临床评估。与此同时，AI引导的优化正在加速亲和力成熟和稳定性工程，减少对大规模实验筛选的需求，并缩短开发时间。
当前模型往往擅长预测分子结构，但难以捕捉生物系统的复杂性，导致计算机模拟（in silico）预测与体内（in vivo）结果之间仍存在差距。免疫原性、药代动力学和细胞环境仍然难以准确建模，而高质量、任务特异性数据集获取有限，以及难以在不产生权衡的情况下同时优化多种药物属性，也限制了进展。近期一篇综述的作者表示，计算与实验之间更紧密的整合，尤其是通过闭环、AI驱动的工作流程——在这一流程中，自动化实验持续生成数据以优化模型——可能有助于弥合预测与实际表现之间的差距。