為什麼沒有可以治療COVID-19、SARS或流感的藥物呢？為什麼抗生素能夠治療鏈球菌引起的咽喉炎卻無法用於病毒性疾病呢？為什麼沒有與抗生素數量、種類與功效相似的抗病毒藥物呢？與抗生素不同，抗病毒藥物通常被設計只針對一種病毒，這樣的單一針對性對藥廠開發新型抗病毒藥物而言不符合投資效益。因此非HIV治療藥物僅佔整個治療藥物市場不到1%，這與人類日常感染性疾病的主導地位形成明顯對比。解決此問題的方法是開發可用於治療多種傳染病的抗病毒藥物，但事實證明找到這種廣效型藥物對科學界而言是一項遙不可及的目標。
Technion生物科技與食品工程學院的Roee Amit教授與本古里安大學電機工程學院的Yaron Orenstein教授日前共同合作一項開創性研究，並為此目標提供可行的途徑。由Noa Katz博士所帶領的這項研究顯示藉由機器學習與合成生物學相搭配的技術可發現能夠結合兩種不同病毒蛋白的分子。檢測藥物療效的傳統方法是對可能執行所需功能的分子進行低通量且費工的篩選；相反地機器學習結合合成生物學的方法試圖繪製潛在的交互作用，以便可靠地預測具有所需特性的分子。這是首先透過從各種已知和潛在的病毒-蛋白質結合分子的資料庫中生成大型且高品質實驗數據庫所完成的，接著該數據庫將用於訓練類神經網路，使其形成代表集體蛋白質結合能力的多維數學函數。
一旦潛在的蛋白質交互作用被計算出來就可以反向使用此函數，它可以用於辨識高結合能力的區域，合成出先前尚未測試的潛在分子並測試特定的生物學功能。研究人員首先運用這項方法繪製來自兩種噬菌體中的兩種不同外殼蛋白之間的結合區域，更進一步合成並驗證可能與此結合區域交互作用的RNA分子(能與兩種外殼蛋白結合)。這項成就為科學界提供一種全新藍圖，可用於鑑定廣效型抗病毒藥物關鍵成分的潛在RNA序列。
資料來源：https://www.technion.ac.il/en/2021/04/machine-learning-for-antiviral-drugs/
