本报讯 近日，美国麻省理工学院的新技术“DeepBAR”，可快速计算候选药物与其靶标之间的结合亲和力。新技术将传统化学计算与机器学习的最新进展相结合，与先前的技术相比，只需少量时间即可获得精确的计算结果。

　　相关研究结果发表在《物理化学快报》上。

　　DeepBAR中的“BAR”，代表“贝内特接受率”，这是数十年来用于精确计算结合自由能的算法。使用贝内特接受率通常需要了解两个“端点”状态（例如：与蛋白质结合的药物分子和与蛋白质完全分离的药物分子）以及许多中间状态（例如：部分结合的不同水平），这些都降低了计算速度。通过在深度生成模型的机器学习框架中部署贝内特接受率，DeepBAR大幅削减了中间状态。该模型为每个端点创建了一组参考状态：绑定状态和未绑定状态。这两个参考状态非常相似，可直接使用贝内特接受率，进而减少了中间状态的计算时间。此外，在使用深度生成模型时，研究人员借鉴了计算机视觉技术，将每个分子结构视为图像，使模型可学习。