传统的药物发现始于对数千个小分子的测试，以便获得少数类似铅的分子，并且这些分子中只有十分之一通过了人类患者的临床试验。

.

生成性对抗网络(GAN)是AI想象的一种形式，通常用于生成具有特定属性的图像

自2016年Insilico Medicine团队的开创性出版物以来，正在探索GAN用于生成具有特定性质的新型分子结构

3年多来，全世界的科学家们正在开发GAN和其他机器学习技术的理论基础，以大大加速和改进药物发现过程

在自然生物技术论文中，题为“深度学习能够快速识别有效的DDR1激酶抑制剂”的论文首次使用生成强化学习技术为蛋白质靶标产生新的小分子，仅在46天内在体外和体内验证

2019年9月2日，伦敦，Insilico Medicine，全球领先的药物发现人工智能领导者，今天宣布在Nature Biotechnology上发表题为“深度学习能够快速识别强效DDR1激酶抑制剂”的论文。该论文描述了一个时间挑战，其中新的人工智能系统称为生成性张力强化学习(GENTRL)设计了六种新型DDR1抑制剂，一种与纤维化和其他疾病有关的激酶靶标，在21天内完成。四种化合物在生化测定中具有活性，两种在基于细胞的测定中得到验证。测试了一种候选铅，并在小鼠中证明了有利的药代动力学。

传统的药物发现始于对数千个小分子的测试，以便获得少数类似铅的分子，并且这些分子中只有十分之一通过了人类患者的临床试验。即使发现新药或取得成功的可能性略有改善，也会带来显着的节约和公共利益。

该论文的作者在2016年开创了生成化学领域的开创性出版物，GENTRL生成的分子的实验验证代表了通过人工智能提供更有效的药物发现之路的重要里程碑。

Insilico Medicine正在开发一种综合药物发现管道，利用人工智能生成具有特定属性的新分子，用于各种目标类别和具有和不具有晶体结构的挑战性目标，从而迅速产生铅样命中。该管道专门用于快速验证具有小分子化学的预期目标，并允许快速发现药物。

关键意见领袖的评论：

“这篇论文肯定是一个非常令人印象深刻的进步，很可能适用于药物设计中的许多其他问题。基于最先进的强化学习，我也对这项研究的广度印象非常深刻。分子模拟，亲和力测量和动物研究，“斯坦福大学结构生物学教授Michael Levitt博士说。莱维特博士于2013年获得诺贝尔化学奖。

“我过去曾与许多人工智能创业公司进行过互动，而Insilico是唯一一家具有令人印象深刻的能力，整合了目标识别和小分子发现的深度学习公司。他们从一开始就在GAN中做了大量的理论工作，这个实验验证是这项技术可以改善和加速药物发现的重要证据，“一位隐形AI动力药物开发初创公司的首席技术官兼GSK平台技术与科学高级副总裁John Baldoni博士说。

“本文中的生成性张力强化学习大大提高了药物发现中生物化学实施的效率。然而，为了进一步大规模实验，该方法标志着医药人工智能在工业水平上的突破，并可能对其产生重大的社会和经济影响。我们的社会，“微思和谷歌前执行官，创新风险公司创始人李开复博士说，他是多种人工智能技术的最初发明者。

“我在OpenAI工作时遇到了Alex，并且很高兴看到他从2016年开始使用GANs / RL用于制药行业.GAN的一个主要批评是它们的用处仅限于图像编辑应用程序，所以我是很高兴亚历克斯和他的团队正在寻找将它们用于分子生成的方法，“生成对抗网络(GANs)的最初发明者Ian Goodfellow博士说。

“自1990年以来，这项技术建立在我们早期关于对抗性和生成性神经网络的研究基础之上。自2015年以来，Insilico一直致力于药物发现的生成模型，我很高兴看到他们的GENTRL系统产生的分子在细胞和细胞中经过实验验证。人工智能将对制药行业产生变革性影响，我们需要更多的实验验证结果来加速进展，“NNAISENSE联合创始人，IDSIA教授，许多核心技术的最初发明者JürgenSchmidhuber博士说。以及人工智能领域的初步概念。