分子对接与自由能预测双突破，极性分子算法加速新药研发

分子对接与自由能预测双突破，极性分子算法加速新药研发

极性分子算法正在为新药研发插上科技翅膀，让药物设计更加精准高效。

在新药研发中，一个关键步骤是预测小分子药物与生物大分子靶标（如蛋白质）之间的相互作用。这就像找到一把能完美插入锁孔的钥匙。这个过程被称为分子对接（molecular docking）。

分子对接通过计算化学方法，预测药物分子与靶标蛋白的结合模式和亲和力。在这个过程中，分子的极性（即电荷分布）是一个关键因素。极性分子（如水）因电荷中心分离而表现出特定方向性，而非极性分子（如氧气）则电荷均匀分布。这种特性会影响分子间的相互作用力，从而影响药物的活性和选择性。

传统的药物筛选方法需要从成千上万个化合物中寻找潜在药物，耗时耗力。而现在，科学家们正在利用人工智能，特别是条件变分自编码器（CVAE）这样的生成模型，来从头设计药物分子。

CVAE模型通过机器学习，可以生成具有特定属性的新分子。在药物设计中，这些属性可能包括分子量、极性、毒性等。通过控制这些属性，研究人员能够设计出更理想的药物候选物。

2024年，意大利那不勒斯费德里科二世大学的研究人员发表了一项重要研究。他们使用CVAE模型，结合SMILES和SELFIES两种分子表示方式，成功生成了针对多个治疗靶点（如CDK2、PPARγ和DPP-IV）的有效分子。这些分子不仅在对接评分上优于传统模型，而且具有更高的化学空间探索多样性和新颖性。

自由能微扰（FEP）是一种基于统计力学的计算方法，用于预测药物与靶标之间的结合自由能。然而，传统的FEP方法存在计算成本高、收敛速度慢等问题，限制了其广泛应用。

海南大学药学院教授罗海彬团队联合中山大学药学院副教授李哲团队，提出了一种创新的CS-FEP方法。该方法通过构建全新的热力学微扰路径，显著提高了计算效率和预测精度。实验结果显示，使用CS-FEP方法可以在一天内完成预测计算，效率较传统FEP方法提高了30倍。

这一突破性进展不仅实现了FEP方法的国产化和自主可控，更为新药研发注入了新的动力。罗海彬/李哲联合团队已形成涵盖虚拟筛选、骨架跃迁、结构优化、构效关系研究等新药发现多个环节的独特创新体系。

极性分子算法正在为新药研发带来革命性的变化。通过精确解析分子的极性，科学家们可以预测药物在体内的分布、代谢和潜在毒性，从而加速新药的研发进程。这些技术不仅提高了药物开发的成功率，还缩短了从实验室到临床应用的时间，为患者带来福音。

随着人工智能和计算化学的不断发展，我们有理由相信，未来的药物研发将更加智能、高效和精准。这将为人类健康事业开辟新的篇章。