藥物只有與靶點蛋白結合才能發(fā)揮作用，評估這種結合能力是藥物發(fā)現和篩選過程中的重要環(huán)節(jié)。該能力由結合自由能來衡量，結合自由能越小，結合能力越大。當前結合自由能的計算方法主要分成兩類，一類是精確值計算法，這類方法依靠廣泛的分子動力學模擬，原則上得出的結果數值可與實驗測量結果相媲美，計算過程中需要對2 個最終狀態(tài)（綁定狀態(tài)和未綁定狀態(tài)）以及橋接它們中間狀態(tài)進行模擬，因而需要耗費大量的時間和計算機資源。此外，中間狀態(tài)的定義的構建也不容易。第二類是近似值計算法，這類方法只需考慮最終狀態(tài)，雖然計算效率更高，但由于引入了用于估計熵貢獻的近似值，因此準確性較低。

近日，一項由美國麻省理工學院（MIT）參與的項目開發(fā)出一種可以通過精確、快速計算結合自由能從而評估候選藥物與其靶點間的結合能力的機器學習算法——DeepBAR。DeepBAR 中的“BAR”代表Bennett 接受率（Bennett acceptance ratio，BAR），該方法屬于精確計算束縛自由能的方法之一。研究人員通過在被稱為深度生成模型（deep generate models）的機器學習框架中引入BAR，從而削減耗時的中間狀態(tài)，并借鑒計算機視覺領域的經驗，大大縮短產生精確結果的時間。在一項對小蛋白類分子的測試中，DeepBAR 計算結合自由能的速度比此前的方法快近50 倍。該方法有望提高藥物篩選的速度。

研究的相關結果于2021年3月18日發(fā)表在《The Journal of Physical Chemistry Letters》期刊上。