scripod.com

从 AlphaFold 到 RNA 靶点预测,AI 如何重塑新药研发的未来? | 深科技系列 S9E34

2024 年诺贝尔化学奖的颁发,凸显了人工智能在解析生命分子结构中的关键作用。本期节目邀请到深耕计算生物学领域的周耀旗教授,他亲历了从蛋白质到 RNA 结构预测的技术演进,并带领团队投身 RNA 靶向药物的研发前沿。我们从 AI 如何破解蛋白质结构出发,深入探讨它在真实药物开发中的角色与边界。
蛋白质的三维结构决定其功能,精准预测曾是科学难题,AlphaFold 通过整合进化信息与深度学习实现突破,但仍难以处理动态复合物和无同源序列的目标。相比之下,RNA 结构预测面临更大数据稀缺与结构不稳定的挑战,当前研究仍处于早期阶段。尽管如此,靶向 RNA 的小分子药物已取得里程碑进展,如利司扑兰通过调控 RNA 治疗脊髓性肌萎缩症。目前 AI 在药物研发中更多扮演加速器角色,尤其在构建预测模型与筛选分子库方面提升效率,但受限于数据质量与化学可合成性,尚未实现根本性革命。未来方向在于融合物理规律与 AI,建立对分子世界的底层理解,推动真正意义上的原创新药发现。
03:59
03:59
多数有功能的蛋白质依赖特定结构发挥作用
10:59
10:59
2009 年开创无需结构碎片的二面角预测方法,成为 AlphaFold 技术关键前身
15:24
15:24
AlphaFold 将氨基酸距离预测精确度从 30% 提升至 70%
19:59
19:59
要彻底解决结构预测问题,必须理解氨基酸之间的物理相互作用原理
27:21
27:21
当前 RNA 结构预测水平仅相当于蛋白质结构预测 2014-2016 年阶段
29:24
29:24
RNA 是‘领导’,操纵蛋白质,从 RNA 层面解决问题更重要
34:36
34:36
通过靶向 RNA 上游蛋白,实现对 KRAS 驱动癌症的高效特异性抑制
37:15
37:15
利司扑兰是首个被证实可靶向 RNA 的小分子药物,标志着治疗范式的重大转变
41:33
41:33
靶向 RNA 三级结构才能获得足够特异性,二级结构难以成药
44:37
44:37
AI 生成的分子可能过于复杂难以合成,其是否真实存在存疑
46:53
46:53
若 AI 能自行体会原子特性,可减少对海量数据的依赖