当化学研究助理教授本·布朗(Ben Brown)思考阿片类药物的流行时，他是从分子水平上看待这个问题的。他说，在医学上合法使用的止痛药，如羟考酮，是很容易上瘾的，但更好地了解它们的分子如何与体内蛋白质相互作用，可能会导致配制出不上瘾的替代品。
今年5月，美国国家药物滥用研究所(National Institute on Drug Abuse)向布朗颁发了150万美元的奖金，用于他在这一领域的进一步研究。布朗是范德比尔特成瘾研究中心和蛋白质动力学应用人工智能中心的教员附属机构，他正在开发人工智能，分析数十亿种潜在的阿片类药物，以揭示它们如何与关键蛋白质相互作用的详细见解。剩下的87.5万美元将流向范德比尔特大学，用于支付与布朗研究相关的间接和行政费用。
布朗将把他的研究重点放在mu -阿片受体上，这是中枢神经系统中与阿片结合的信号蛋白。这些受体调节疼痛、压力、情绪和其他功能。针对这些受体的药物是最有效的止痛药之一，但它们也是最容易上瘾的。
这项资助是药物使用障碍化学和药理学的阿文尼奖，由NIDA授予早期研究人员，他们提出了高度创新的研究，代表了成瘾科学的未来。
布朗的计算平台以一种解释药物-蛋白质相互作用的动态物理运动的方式建模。这些运动被称为构象变化，可以在几毫秒内发生，并对蛋白质的行为、与小分子药物的结合或相互作用产生重大影响。
通过计算模拟这种运动，算法可以更有效地预测蛋白质和药物相互作用的紧密程度以及这种相互作用的影响。这些信息被用来筛选数十亿种潜在的药物——对高动态蛋白质来说，这是前所未有的规模——或者设计出具有更少成瘾性副作用的新药物。
模拟蛋白质结构以及它们如何与药物相互作用的计算平台已经存在，但它们在很大程度上忽略了构象变化，并且很难预测新药的表现。这在一定程度上是由于训练算法可用数据的缺乏。
利用来自范德比尔特大学的研究人员Craig Lindsley、Heidi Hamm和Vsevolod V. Gurevich、莱比锡大学的Matthias Elgeti和上海药物研究所的Wu Beili提供的数据丰富的材料，Brown将合成、功能验证和结构表征研究人员设计的药物分子和受体。在这部分拨款之后，布朗将把数据反馈回计算平台，这样它就可以作为更多轮优化的起点——一个计算-实验迭代反馈循环。
“你看到儿科患者做了手术，他们在术后服用阿片类药物，然后他们就出现了问题。这真的很可悲。”“所以我们的目标是在不上瘾的情况下提供止痛剂。对于那些上瘾的人，我们要提供新的药物来帮助他们康复。”
除了蛋白质动力学和VCAR应用人工智能中心外，布朗的研究机构还包括结构生物学中心和范德比尔特化学生物学研究所。
