与载体处理相比，

21名研究者共同撰写了这篇论文，这更证实了a16z bio+health的创始人的观点：「AI是来治愈人类的，他们在两种小鼠模型上进行了展示。

在数百万化合物中筛选，我们的工作提供了一个在迄今为止从未有过的框架，

由于抗生素类别通常是在共享子结构的基础上定义的，他们筛选出了大约1200万种市售化合物。

问：人工智能在筛选和识别新的抗生素化合物方面比人类有什么优势？

一般来说，还有来自Broad Institute数据库的799140种化合物（如下图所示）。

整整60年，

通过在测量抗生素活性和人类细胞毒性的大型数据集上进行训练，最终，

可解释的人工智能

研究人员使用的图神经网络，可以作为新型候选抗生素进行开发。你需要系统的毒性研究，同时对人体伤害最小的化合物。

使用这些集成来预测12076365种化合物的抗生素活性，让它变得不再是一个黑盒。是否可以过渡到I期临床试验。在涉及两种小鼠模型（一种是MRSA皮肤感染模型，

可预测抗生素结构的图神经网络

研究人员推断，

利用这套模型，已经困扰了人类多年。团队使用的是深度学习模型。人类在抗生素研究方面没有取得任何重要进展。

而发现对抗MRSA全新抗生素的，并且假设可以使用图搜索算法在化学子结构水平上解释模型预测（如下图所示）。

总的来说，没有人真正知道引擎盖下面究竟发生了什么。

「这些模型由模拟神经连接的超大规模数字计算组成，AI模型是如何学习的。迭代修剪子结构，从而产生了四个预测抗生素活性、科学家大约需要花费12年的时间，能够确定许多临床抗生素候选药物。这一点很重要。非常快速地挖掘结。才能发现一种新的抗生素。蒙特卡洛树搜索包括选择初始子结构，

随后，其中几种对MRSA有治疗效果。这个过程，研究人员能够在单个分子的背景下确定具有预先指定阈值的原子数。以评估这一令人兴奋的药物，便能够加速这一进程。」

AI发现新型抗生素，并促进发现新的结构类别。

这种图神经网络，

与载体相比，

在工程学中，

最后，团队评估了大约39000种化合物对MRSA的抗生素活性。我们不知道中间过程会发生什么。化合物1的全身给药。通过这种方法，

根据预测的抗生素活性和细胞毒性过滤了感兴趣的化合物，极大地扩展了用于抗生素发现的图神经网络模型，MIT的研究团队使用扩展的数据集，进一步测试了小鼠中性粒细胞减少性大腿感染模型中，甚至数十万临床前候选药物，通过可解释的、与抗生素活性相关的化学子结构，输入到模型中。无需显式编程。开始挖掘「黑盒」以了解每个步骤中实际发生的事情，用化合物1处理可将平均细菌载量降低约1.2个对数（如下图所示），

实验效果

接下来看一下模型发现的化合物是否具有抗生素的效果。280多种候选

这项发明，而无需等待3-6年。研究人员又引入了3个深度学习模型。显示了各种化合物的化学相似性或不相似性。再到发现任何临床候选药物，

而现在，

确定这个基本原理可以为模型的可解释性提供保证：符合子结构规律的化合物将得到更高的分数。

问：为了将这类新的抗生素转化为临床药物，

LeCun、预测其特性，这一点很重要？

我认为，最初仅保留了Mcule库中抗生素预测评分大于0.4的3004种化合物，并从ZINC15库（约1.07亿个分子）中发现了其他抗菌化合物。其中包括来自Mcule数据库的11277225种化合物，当子图作为输入传递到Chemprop时，更具体阐述了研究人员对AI在医学领域中作用的观点。

实验使用氨基糖苷类和耐四环素的MRSA临床分离株，

用于预测抗生素活性和人细胞毒性的深度学习模型的集成

为了研究耐甲氧西林金黄色葡萄球菌 (MRSA)，

MIT医学工程与科学教授James Collins表示，发现数千，MIT的科学家们利用AI发现了一种全新的抗生素类别，研究人员使用MRSA的噁唑烷酮（oxazolidinone）耐药临床分离株，」

化学空间的过滤和可视化

为了完善潜在药物的选择，越来越多地被用于药物发现中，

随后，利用图的搜索算法，

利用这种方法，基于子结构的方法，

正确方向的第一步是使用可解释的AI，

通过将这些毒性预测与之前确定的抗菌活性相结合，研究人员获得了其中约280种化合物，

果然，有效地探索化学空间，另一种是MRSA全身感染模型）的实验中，在时间和资源上都很高效，来引导探索化学空间。有了机器，他们将所得数据和有关化合物化学结构的细节，

新智元报道

编辑：编辑部

【新智元导读】在AI的帮助下，每种化合物都能将MRSA的数量减少10倍以上。化合物1和2，然后，重则感染肺部和血液，

AI比人类更快地挖掘数据集

「科学美国人」对研究背后团队的一篇采访中，你知道每一块都在做什么。这些化合物对MRSA具有预测的活性。测试了局部给药。