Martemyanov的研究小组使用了一种强大的分子跟踪技术来分析100多种突出的细胞药物靶点的作用，包括它们更常见的遗传变异。然后，科学家们利用这些数据开发和训练一个人工智能平台。

　　在《细胞报告》杂志上发表的一项研究中，Martemyanov和他的同事们报告说，他们的算法预测细胞表面受体对类药物分子的反应的准确率超过80%。

　　用于训练算法的数据是在十年的实验中收集的。他们的长期目标是完善这个工具，并用它来帮助设计真正精确的药物，研究所神经科学部门主任马尔特扬诺夫说。

　　“我们都认为自己或多或少是正常的，但事实并非如此。我们基本上都是变种人。我们的细胞受体有巨大的可变性，”Martemyanov说。“如果医生不知道你有什么确切的基因改变，你就只能用这种一刀切的方法来开处方，所以你必须通过实验来找到适合你的方法。”

　　三分之一的药物通过与细胞表面受体G蛋白偶联受体(gpcr)结合而起作用。这些复合物穿过细胞膜，在细胞外部有一个“对接站”和一个延伸到细胞内的分支。当药物进入它的GPCR码头时，分支移动，触发细胞内的G蛋白并引发一系列变化，就像倒下的多米诺骨牌一样。

　　激活或阻断这一过程的结果可能是缓解疼痛、缓解过敏或降低血压。除了药物，激素、神经递质甚至气味等其他东西也会与gpcr结合，指导生物活动。

　　科学家已经在人类体内编目了大约800种gpcr。大约一半的大脑负责感觉，尤其是嗅觉。大约250人接受药物或其他已知分子的治疗。Martemyanov的团队不得不发明一种新的方法来观察和记录它们。他们发现了许多惊喜。一些gpcr如预期的那样起作用，但其他的却没有，特别是那些被称为谷氨酸的神经递质。

　　Martemyanov在该项目的合作者包括他的博士后研究员和后来的工作人员科学家Ikuo Masuho博士，他现在在爱荷华州苏福尔斯的桑福德研究中心领导自己的实验室，以及计算蛋白质设计师Bruno E. Correia博士，他在瑞士洛桑的瑞士生物信息学研究所工作，在创建人工智能算法方面发挥了重要作用。Martemyanov说，他们的合作源于科雷亚多年前在佛罗里达州朱庇特校区的一次演讲。

　　Martemyanov被这样一个事实震惊了:一个人工智能算法要想有用，必须用准确的数据和清晰的规则进行训练。Martemyanov说，当他们开始研究GPCR时，还处于早期阶段，他们缺乏关于GPCR活性的广泛而复杂的数据。

　　“如果你只看过大象的一条腿，你可能不知道如何描述它;你可能看不出它实际上是一头大象，”他说。

　　他说，仅仅根据它们最著名的活动来分类gpcr就像看到大象的一条腿一样。Martemyanov说，这对于训练人工智能来说过于简单化，过于笼统。

　　为了以一种全面的方式记录信号，他们转向了一种叫做生物发光共振能量转移的有用技术。它包括将一个小的生物发光标签植入细胞的蛋白质中，并记录细胞暴露于激活gpcr的分子时发光的变化。

　　他们收集了数据，加上了绑定偏好的等级，并看到了模式的出现。这些数据类似于心电图，包括激活率、振幅和选择性的测量。他们为人类携带的gpcr添加了常见的遗传变异，并记录了这些突变受体在激活时的反应方式的显著差异。

　　当Correia在瑞士的团队训练算法根据这些更细微的数据做出预测时，研究人员对结果感到兴奋。他们发现它的正确率超过80%。

　　科学家们希望他们的研究结果能鼓励药物开发人员对gpcr、它们的G蛋白和它们的活动采取更复杂的理解，从而最终使患者受益于更安全、更快速、成本更低的药物。展望未来，他们打算更深入地探索遗传变异如何影响gpcr作用的类药物化合物的工作方式。

　　“我们的最终目标是能够预测人们携带的个体变异对药物的反应，”Martemyanov说，“允许定制处方，为精准医疗铺平道路。”