有数据显示，新药研发周期平均需要 6-7 年，而一款药物从研发到成功上市至少需要十年的时间以及 26 亿美元的资金投入。借助人工智能，现在从计算机设计到合成有效蛋白，只需要几个星期。
瑞典查尔默斯理工大学的研究人员最近开发了一种基于 AI 的方法，称为 ProteinGAN，该方法使用了生成型深度学习方法。
蛋白质是大而复杂的分子，在所有活细胞中起着至关重要的作用，它们会自然地构建，修饰和分解我们细胞内的其他分子。以蛋白质为基础的药物非常普遍。糖尿病药物胰岛素是医生开具最多的药物之一。一些最昂贵和有效的抗癌药物也是基于蛋白质的，包括目前用于抵抗新冠病毒的抗体配方。
用于蛋白质工程的当前方法依赖于将随机突变引入蛋白质序列。但是，每引入一个额外的随机突变，蛋白质活性就会下降。因此，必须进行多轮非常昂贵且耗时的实验，筛选出数百万个变体，以改造最终与自然界发现的蛋白质和酶截然不同的蛋白质和酶。
感谢科技，利用 ProteinGAN，现在我们可以在短短几周内从计算机设计过渡到工作蛋白。
ProteinGAN 先是分析处理大量来自经过深入研究的蛋白质的数据，然后尝试创建新的蛋白质。同时，系统还需要弄清楚合成蛋白是否是存在。蛋白质在系统中来回发送，直到 AI 不再区分天然和合成蛋白质为止。
研究团队使用苹果酸脱氢酶（MDH）作为模板酶，通过实验，ProteinGAN 生成和实验测试的序列中有 24％（在 55 个测试中占 13 个）是可溶的，并在体外测试条件下（包括 106 个氨基酸取代的高度突变变体）显示出 MDH 催化活性。因此，ProteinGAN 证明了人工智能在序列空间允许的生物学限制内快速生成高度多样化的功能蛋白的潜力。
研究人员的下一步是探索如何将该技术用于蛋白质特性的特定改进，例如提高稳定性，这可能会对工业技术中使用的蛋白质产生极大的好处。
降低蛋白质工程设计的速度对于降低酶催化剂的开发成本非常重要。这是实现环境可持续的工业流程和消费产品的关键。而该研究提出的 AI 模型将能够实现这一目标，为许多未来的应用提供了巨大的潜力。
