想要设计一种用于太阳能的新材料、一种对抗癌症的药物或一种阻止病毒侵袭农作物的化合物吗？首先，您必须应对两个挑战：找到该物质的正确化学结构，并确定哪些化学反应会将正确的原子连接成所需的分子或分子组合。
传统上，答案来自复杂的猜测，并辅以偶然发现。这个过程非常耗时，并且涉及许多失败的尝试。例如，合成计划可能包含数百个单独的步骤，其中许多步骤会产生不希望的副反应或副产品，或者根本无法工作。然而，现在，人工智能开始提高设计和合成的效率，使这项事业更快、更容易、更便宜，同时减少化学废物。
在人工智能中，机器学习算法分析所有已知的过去实验，这些实验试图发现和合成感兴趣的物质——那些成功的，以及重要的，那些失败的。基于它们识别出的模式，算法预测潜在有用的新分子的结构以及可能的制造方法。没有单一的机器学习工具可以一键完成所有这些工作，但人工智能技术正在迅速进入药物分子和材料的实际设计领域。
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的有影响力的故事的未来。
一种人工智能工具由德国明斯特大学的研究人员开发，例如，它反复模拟 1240 万个已知的单步化学反应，以提出多步合成路线——其规划速度比人类快 30 倍。
在制药领域，一种名为生成式机器学习的人工智能技术也令人兴奋。大多数制药公司储存数百万种化合物，并筛选它们作为新药的潜力。但即使使用机器人技术和实验室自动化工具，这种筛选过程也很缓慢，并且产生的命中率相对较低。此外，“库”总共只包含超过 1030 种理论上可能的分子中的一小部分。使用描述已知药物（和候选药物）的化学结构以及其性质的数据集，机器学习工具可以构建具有相似且可能更有用的特性的新化合物的虚拟库。这种能力正在开始显着加速药物先导化合物的鉴定。
近 100 家初创公司已经在探索人工智能在药物发现中的应用。其中包括 Insilico Medicine、Kebotix 和 BenevolentAI；后者最近筹集了 1.15 亿美元，以将其人工智能技术扩展到运动神经元疾病、帕金森病和其他难治性疾病的药物发现。BenevolentAI 正在将人工智能应用于整个药物开发过程——从新分子的发现到旨在证明药物在人体中的安全性和有效性的临床试验的设计和分析。
在材料领域，Citrine Informatics 等企业正在使用与制药制造商类似的方法，并与包括巴斯夫和松下在内的大公司合作，以加速创新。美国政府也在支持对人工智能驱动的设计的研究。自 2011 年以来，它已在材料基因组计划中投资超过 2.5 亿美元，该计划正在建立一个基础设施，其中包括人工智能和其他计算方法，以加速先进材料的开发。
过去的经验教训表明，新材料和化学品可能会对健康和安全构成无法预见的风险。幸运的是，人工智能方法应该能够预测和减少这些不良后果。这些技术似乎有望显着提高发现新型分子和材料并将其推向市场的速度和效率——它们可能会提供改善医疗保健和农业、更大程度地节约资源以及增强可再生能源的生产和存储等益处。