在所有可能的化合物中，估计有介于 $10^{20}$ 和 $10^{60}$ 的化合物可能作为小分子药物具有潜力。实验评估每种化合物对化学家来说是极其耗时的。因此，近年来，研究人员开始利用人工智能来帮助识别可能成为良好药物候选者的化合物。其中一位研究者是麻省理工学院的助理教授Connor Coley。他的研究跨越化学工程和计算机科学的界限，开发和应用计算模型来分析大量潜在的化学化合物，设计新化合物，并预测可能生成这些化合物的反应路径。他表示：“这是一种非常通用的方法，可以应用于任何有机分子的应用，主要应用于小分子药物发现。”
Coley的科学兴趣源于家庭背景，家中科学家众多。他在俄亥俄州都柏林的高中期间参加科学奥林匹克比赛，并以16岁毕业。随后，他选择了加州理工学院的化学工程专业，因为它结合了他对科学和数学的兴趣。在本科期间，他还对计算机科学产生了兴趣，在结构生物学实验室使用Fortran编程语言帮助解决蛋白质的晶体结构。2014年，他来到麻省理工学院攻读博士学位，专注于优化自动化化学反应。
Coley结合机器学习和化学信息学，计划可能的新药分子的反应路径，并设计可以自动执行这些反应的硬件。他的部分工作是在一个名为Make-It的DARPA资助项目中进行的，该项目专注于利用机器学习和数据科学改善从简单构件合成药物和其他有用化合物的过程。Coley在研究生期间申请教职，并于25岁时接受了麻省理工学院的邀请。他认为，麻省理工学院在资源和跨学科流动性方面表现出色，支持人工智能与科学的交叉。
Coley在布罗德研究所进行了一年的博士后工作，积累了化学生物学和药物发现的经验。他的实验室致力于利用人工智能合成现有的治疗性化合物，同时设计具有理想属性的新分子。他的实验室开发了多种计算方法，以应对这些目标。
例如，实验室开发了一种名为ShEPhERD的模型，用于评估潜在新药分子与靶蛋白的相互作用，基于药物分子的三维形状。该模型目前被制药公司用于新药发现。此外，Coley的实验室还开发了一个名为FlowER的生成AI模型，可以预测不同化学输入结合后的反应产物。在设计该模型时，研究人员考虑了基本的物理原理，如质量守恒定律，并确保模型考虑从反应物到产品的中间步骤的可行性。这些约束条件提高了模型预测的准确性。
Coley表示：“我们花了很多时间确保我们的机器学习模型基于对反应机制的理解，就像专家化学家一样。”他的学生们也在优化化学反应的多个领域进行研究，包括计算机辅助结构阐明、实验室自动化和最优实验设计。
“通过这些不同的研究方向，我们希望推进人工智能在化学领域的前沿。”
博主点评： Coley教授的研究展示了人工智能与化学领域的深度结合，尤其是在药物发现中的应用。通过将机器学习与化学反应机制相结合，能够大幅提高新药研发的效率，为未来的制药工业开辟了新的方向。该领域的交叉创新值得关注，未来将可能改变药物开发的整体格局。