从折叠蛋白质到寻找治疗方法：Machine Learning如何塑造离子通道研究

在可预见的未来，癌症将在症状出现之前被发现，药物将在数月内开发出来，治疗方法也将根据基因进行量身定制。得益于Machine Learning (ML)，这样的未来已经初现端倪——彻底改变生物技术、制药和诊断技术，使医疗保健更快、更精确、更个性化。

使用Machine Learning预测离子通道折叠

跨膜蛋白（如离子通道）的3D原子级结构一直难以生成。通过优化蛋白质结构预测并准确建模折叠，Machine Learning折叠预测工具可以更详细地了解离子通道，这对于细胞信号传导至关重要。

新算法还增强了结合位点识别和配体预测，这对于开发靶向疗法至关重要。这项技术加速了我们对离子通道电生理学和药理学的理解，从而推进了药物发现和开发过程，发现了新的治疗可能性，并提高了离子通道相关疾病治疗的精准度。

Machine Learning加速离子通道药物的发现

人工智能正在彻底改变罕见病通道病（由离子通道功能障碍引起的遗传性疾病）的研究。这些工具可帮助研究人员分析大量数据集，识别意义不明确的致病突变变异（VUS），并模拟它们对离子通道功能的影响，而由于罕见病数据有限，这通常很难研究。例如，Montanucci等人使用Machine Learning来预测GRIN NMDAR VUS的致病性。

此外，机器学习加速了离子通道疗法药物的再利用，筛选现有药物的靶向和脱靶副作用，以找到可以靶向特定离子通道的候选药物，从而减少为患者提供新疗法的时间和成本。这种方法为罕见病疗法打开了新的大门，为以前缺乏有效治疗的疾病带来了希望。

利用Machine Learning增强离子通道安全药理学

此外，离子通道安全药理学是药物开发的一个重要方面，重点是评估潜在的心脏和神经系统副作用，而Machine Learning也对此进行了改进。新模型可以预测药物如何与离子通道相互作用，尤其是那些与心律和神经信号有关的离子通道，意外相互作用可能会导致严重的不良反应。通过在药物开发过程的早期模拟这些相互作用，Machine Learning可以帮助研究人员更有效地识别和降低风险，在临床试验之前完善药物安全性。这可以加快开发时间，同时降低由于安全问题导致后期失败的可能性，使药物管道对患者来说更高效、更安全。

利用Machine Learning推进全自动膜片钳研究

全自动膜片钳是人工智能在离子通道研究中应用的关键技术。对于上面介绍的每个应用，以下是全自动膜片钳和Machine Learning协同工作的一些示例：

• 离子通道三维折叠预测

AlphaFold等ML折叠预测工具提供了有关离子通道的详细见解，在促进细胞信号传导方面发挥着至关重要的作用。阅读Rafaelli等人的文章，了解AlphaFold如何用于针对离子通道的毒液毒素折叠。

诺贝尔奖得主David Baker颠覆了折叠预测过程，利用Machine Learning预测蛋白质序列折叠和填充3D空间。请参阅Vazquez Torres等人的文章，了解如何利用这种方法创建从头蛋白质来结合蛇咬毒液神经毒素，从而中和它们对离子通道的活性。

• 离子通道药物研发

有关ML如何应用于离子通道药物发现的评论，请参阅Mateos等人的文章。

• Machine Learning与安全药理学

探索刘等人关于Machine Learning和深度学习方法的研究，以增强对hERG阻断的预测。