腾讯刘伟：AI药物发现存在一个核心问题，即模型是否具备泛化能力( 二 ) 萧箫整理自MEET2023量子位|公众

在2020年比赛的时候，这个pipeline连续八周在评测平台排名第一。

文章图片
随后我们还参加了CASP竞赛，在国内获得了第一名，颜宁教授在她的论文中还引用了tFold平台，这是对我们在蛋白质结构预测上的成果的重要肯定。
第二个案例是结合物理学特征和本地数据训练，我们做了ADMET性质预测系列模型。
也是从2019年开始的工作，想跟大家分享两点：第一点是效果提升，以水溶性模块为例，我们做的ADMET相比头部商业软件效果平均会有20%的提升；第二点是ADMET预测成熟度，在与某药企合作上，我们会提供一个可以说是非常基础的模型，在药企拿到这样的模型之后，会基于具体项目的管线生成的很多内部数据，即项目和靶点相关的特定数据。
用这些数据对基础模型进行重新训练（retrain）、或者说做微调（finetune）后，它会有一个更好的提升。
比如我们与某个药企合作分析某系列化合物的心脏毒性，发现在项目中后期阶段，基本上与实验结果相关性达95%以上，后来药企就不太需要去做实验了，而是直接使用模型预测结果去做分析了。
所以我们在ADMET预测这块已经做到非常成熟，目前模型包含60多个属性预测模块，在腾讯云深平台上可以直接使用。

文章图片
第三个案例是骨架跃迁分子生成算法，这也是针对国内药企或者国内科研机构的一些实际需求打造的，目前同样已经做得比较成熟。
通过骨架跃迁分子生成算法，就能在保证原有化合物活性的基础上，突破原有分子专利的保护，或者优化分子的ADMET性质。
我们自研了骨架跃迁算法，与药企做了一些合作，这些合作不仅帮助到药企发现了纳摩尔级别的多个化合物系列，也很好地验证了我们这个流程的健壮性，在不同的靶点、不同的复合物上都实现了比较好的效果，目前部分研究成果已经发表在期刊上。

文章图片
第四个案例是将强化学习引入药物小分子的生成。
在生成分子的时候，我们不仅要考虑分子活性，还要考虑ADMET的属性，所以我们把这些流程做了一个打通，你可以定制这些ADMET属性的要求。
在生成过程当中，我们用上强化学习，使得生成出来的分子符合定制的属性要求，两个不同的模块能够相互提升和强化，最终建设一个非常完整的pipeline ，这可以用在各种分子生成的场景中。
例如这个例子中，生成有两个要求，包括不能通过血脑屏障、以及logP的属性：

文章图片
可以看到，在没有经过强化学习时，它的分布是比较弥散的，生成出来的化合物不太满足实际应用需求。但经过几轮强化迭代后， 97%的分子都会满足生成的要求。
这一平台具备哪些技术优势？接下来，我们总结一下腾讯云深经过两三年发展后，积累出的一些技术优势。
第一块是在AI算法方面。大家知道，在药物研发这一块最主流的技术就是深度图神经网络，腾讯在做药物AI之前，在这方面做了非常长时间的研发，也有非常深厚的技术积累。
因为腾讯是一个社交网络公司，所以在深度图神经网络方面有深厚的研发积累，包括在一些AI顶会如NeurIPS上面，我们腾讯AILab在上面发表了非常多的论文，包括大规模图随机采样、以及图自监督学习等，其中一些论文的引用量非常高。