据说，从研究实验室到患者，平均需要花费12年时间研发的新药，沿途丢弃了数千名候选药物。人工智能（AI）可以帮助加快速度吗？Sheraz Gul和Alp Sahin概述了一种可加速表观遗传学药物发现的AI方法。
人工智能（AI）正在推动药物发现。其应用的一个目标是将药物发现的临床前阶段从通常的五年缩短到不到一年。这将涉及设计具有优良的物理化学、ADMET，药代动力学和药效学性质以及新知识产权的化合物。设计的化合物应适合于体内研究，并且必须利用靶标的所有可用知识。本文涉及该方法在加速表观遗传药物发现中的应用。
表观遗传学的药物靶标特别适合于AI研究，因为各种研究表明它们参与了疾病（例如癌症）和复杂的生物过程（例如衰老），可能需要采用多靶点方法。在表观遗传学药物靶标类别中，主要分为三类：writers, readers and erasers。writers通过添加包括乙酰基、磷酰基和甲基在内的化学基团来“标记”组蛋白和DNA。readers可以识别并采取这些修改措施，而erasers则将其删除。在某些情况下，可调节特定表观遗传学靶标活性的药物，例如伏立诺他和罗米地辛，它们抑制组蛋白脱乙酰酶类的酶，已被批准用于临床。这类蛋白质的其他成员正在探索作为治疗代谢和心血管疾病以及癌症的潜在治疗靶标。为了提高AI可能在体内成功传递化合物的机会，应在计算机上最大限度地利用现有的体外方法（测定，筛选，化合物的设计和评估），计算机模拟（结构研究以鉴定与化合物结合的靶标蛋白）和体内（动物和人类）研究。图1显示了使用计算机模拟和体外方法鉴定铅化合物的典型工作流程。
临床前药物发现中使用AI提供了减少先导化合物鉴定周期时间的潜力。AI驱动的工作流程涉及的活动如下：
数据库分析
询问所有公开可用的化合物数据库（如ChEMBL，PubChem，ZINC和DrugBank），并准备所有可用药物样化合物的独立数据库。这将成为应用AI设计针对相关药物靶标的新化合物的起点。
确定药物靶标的优先次序
根据文献和数据库确定药物靶标的优先级，重点是：a）现有批准的药物(DrugBank)，b）临床试验中的药物，c）结构信息和d）可药物治疗性。
应用AI方法
这项活动应利用必要的AI技术，以允许设计作为表观遗传药物靶标的潜在调节剂的新型化合物。亿万亿级人工智能的应用（即超级计算机实现的速率）将允许a）准备化学可访问化合物的虚拟库，以增加项目技术成功的可能性，b）通过结构并行对接至定义的靶标对象信息，以及偏离靶标的信息；以及c）由AI驱动的结果分析和新型化合物设计。
运用体外方法
使用AI方法设计新型化合物后，可以进行筛选以确认其合成后的活性。这个阶段的重点应该放在检测方法的开发和筛选上。特别是主要的生物测定、化合物分析、自动化数据分析和可视化的开发。就表观遗传学上的药物靶标而言，已经报道了许多测定法，这些测定法可以促进这项体外工作的完成。
热门化合物的进一步开发
上文确定的最有希望的化合物应具有可接受的理化、ADMET、药代动力学和药效学性质以及新的知识产权。
使用AI快速设计适用于体内验证的化合物现已成为现实。尽管AI的输出需要使用体外方法进行确认，但预计不久的将来将几乎完全使用AI方法设计化合物; 大大缩短了项目在药物研发的临床前阶段花费的时间。
