近日，由剑桥大学领导的研究人员设计了一种用于药物发现的机器学习算法，该算法的效率是工业标准的两倍，可以加快开发新的疾病治疗方法的进程。

研究人员使用他们的算法来识别新的分子，激活了一种被认为与阿尔茨海默病和精神分裂症相关的蛋白质。

药物发现的一个关键问题是预测一个分子是否会激活特定的生理过程。所以研究人员会构建一个统计模型寻找已知的激活过程的分子之间的化学模式，但是建立这些模型的数据是有限的，因为实验成本很高，并且不清楚哪种化学模式在统计上是有意义的。

剑桥卡文迪什实验室的阿尔法·李博士认为机器学习在计算机视觉等数据丰富的领域取得了重大进展，下一个前沿领域就是科学应用，例如药物发现。虽然研究人员对这个问题有着物理上的洞察力，但最大的问题是如何将数据与基础化学和物理学结合起来。

该算法由Lee和他的同事与生物制药公司辉瑞合作开发，利用数学将与药物相关的化学模式分离出来。重要的是，该算法研究已知活性分子和已知不活跃的分子，并识别分子中哪些部分对药物作用很重要，哪些部分不重要。

一种被称为“数学原理”的随机矩阵理论给出了数据集，然后将其与活性和非活性分子的化学特征的统计数据进行比较，得出哪些化学模式对结合是重要的，而不是产生于偶然。活性分子还能计算出另外六百万个分子。研究人员购买并筛选了100个最相关的分子。由此，他们发现了四个激活chrM 1受体的新分子，这是一种可能与阿尔茨海默病和精神分裂症相关的蛋白质。

从六百万分子中提取出四个活性分子，就像在干草堆中找到一根针，但是利用机器学习算法，事情会变得容易很多。

剑桥大学的研究人员目前正在开发算法，来预测合成复杂有机分子的方法，以及扩展机器学习的新算法。这项研究得到了温顿可持续性物理方案的支持。