想要設計一種用於太陽能的新材料、一種對抗癌症的藥物或一種阻止病毒侵襲農作物的化合物嗎？首先，您必須應對兩個挑戰：找到該物質的正確化學結構，並確定哪些化學反應會將正確的原子連線成所需的分子或分子組合。
傳統上，答案來自複雜的猜測，並輔以偶然發現。這個過程非常耗時，並且涉及許多失敗的嘗試。例如，合成計劃可能包含數百個單獨的步驟，其中許多步驟會產生不希望的副反應或副產品，或者根本無法工作。然而，現在，人工智慧開始提高設計和合成的效率，使這項事業更快、更容易、更便宜，同時減少化學廢物。
在人工智慧中，機器學習演算法分析所有已知的過去實驗，這些實驗試圖發現和合成感興趣的物質——那些成功的，以及重要的，那些失敗的。基於它們識別出的模式，演算法預測潛在有用的新分子的結構以及可能的製造方法。沒有單一的機器學習工具可以一鍵完成所有這些工作，但人工智慧技術正在迅速進入藥物分子和材料的實際設計領域。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的有影響力的故事的未來。
一種人工智慧工具由德國明斯特大學的研究人員開發，例如，它反覆模擬 1240 萬個已知的單步化學反應，以提出多步合成路線——其規劃速度比人類快 30 倍。
在製藥領域，一種名為生成式機器學習的人工智慧技術也令人興奮。大多數製藥公司儲存數百萬種化合物，並篩選它們作為新藥的潛力。但即使使用機器人技術和實驗室自動化工具，這種篩選過程也很緩慢，並且產生的命中率相對較低。此外，“庫”總共只包含超過 1030 種理論上可能的分子中的一小部分。使用描述已知藥物（和候選藥物）的化學結構以及其性質的資料集，機器學習工具可以構建具有相似且可能更有用的特性的新化合物的虛擬庫。這種能力正在開始顯著加速藥物先導化合物的鑑定。
近 100 家初創公司已經在探索人工智慧在藥物發現中的應用。其中包括 Insilico Medicine、Kebotix 和 BenevolentAI；後者最近籌集了 1.15 億美元，以將其人工智慧技術擴充套件到運動神經元疾病、帕金森病和其他難治性疾病的藥物發現。BenevolentAI 正在將人工智慧應用於整個藥物開發過程——從新分子的發現到旨在證明藥物在人體中的安全性和有效性的臨床試驗的設計和分析。
在材料領域，Citrine Informatics 等企業正在使用與製藥製造商類似的方法，並與包括巴斯夫和松下在內的大公司合作，以加速創新。美國政府也在支援對人工智慧驅動的設計的研究。自 2011 年以來，它已在材料基因組計劃中投資超過 2.5 億美元，該計劃正在建立一個基礎設施，其中包括人工智慧和其他計算方法，以加速先進材料的開發。
過去的經驗教訓表明，新材料和化學品可能會對健康和安全構成無法預見的風險。幸運的是，人工智慧方法應該能夠預測和減少這些不良後果。這些技術似乎有望顯著提高發現新型分子和材料並將其推向市場的速度和效率——它們可能會提供改善醫療保健和農業、更大程度地節約資源以及增強可再生能源的生產和儲存等益處。