生醫研究 · global
AI篩出的抗病毒分子有效嗎?研究籲為病毒聚合酶另設考題
一般蛋白質資料集上的高分,未必能預測抗病毒效果。一篇新綜述主張,把病毒複製所需的RNA、輔助蛋白與金屬離子納入評估,再以酵素和細胞實驗檢驗AI的選藥能力。
一個分子在電腦裡看似能緊緊結合病毒蛋白,進入受感染細胞後,卻未必能阻止病毒繁殖。對希望用人工智慧加快抗病毒藥物研發的科學家而言,這段落差決定了哪些預測值得投入實驗。10月15日刊於《Frontiers in Pharmacology》的一篇綜述指出,評估AI的常用考題,可能尚未充分涵蓋呼吸道病毒聚合酶的生物特性。
這篇由墨西哥社會安全研究所及多所大學研究人員撰寫的文章,聚焦RNA依賴性RNA聚合酶(RdRp)與相關複合體。這些酵素負責合成病毒RNA,也是抗病毒藥物的重要標的。作者認為,目前一般蛋白質與小分子結合的評測資料,主要由非病毒標的構成;模型在這類資料上表現出色,能否延伸到病毒聚合酶,還需要專門檢驗。
困難在於,聚合酶是一部持續變動的分子機器。它與藥物結合的狀態,會受到RNA模板、輔助蛋白、二價金屬離子及構形變化影響。若模型只依賴某一張靜態結構,便可能漏掉真正參與病毒複製時的結合環境,讓看似合理的分子對接結果偏離實際作用。
因此,作者主張評估應從整理多種聚合酶結構狀態開始,並防止訓練資料與測試資料之間的資訊洩漏。這關係到模型究竟學會了推測陌生分子的作用,還是因接觸過相似資料而拿到高分。專為抗病毒研發設計的測試,也應檢查模型能否優先挑出實驗上有效的化合物。
接下來的證據必須逐層銜接:化合物是否作用於預定標的、能否抑制聚合酶,以及能否在細胞感染實驗中降低病毒活性。細胞毒性也須一併測量,避免把傷害宿主細胞造成的變化誤判為抗病毒效果;抗藥性分析與吸收、分布、代謝、排泄及毒性評估,則用來判斷候選分子是否值得繼續開發。
這項提案的意義,在於讓AI的成績更貼近實驗室的決策:同樣一筆驗證資源,模型能否提高找到有效分子的機會?單靠分子對接分數、預測結合力或統計誤差,無法回答這個問題。將實驗結果回饋模型,才有機會逐步修正計算預測與病毒生物學之間的落差。
不過,這篇文獻屬於綜述,提出的是評估與研發流程,並未以新的前瞻性比較實驗證明這套流程能提高藥物成功率,也沒有提供新候選藥的人體療效證據。它為AI抗病毒研發提出了更具體的驗收方向;這些考題能否改善選藥,仍須由後續實驗回答。