蒋华良院士：AI如何改变药物研发？

蒋华良院士：AI如何改变药物研发？

引用

CSDN

等

9

来源

1.

https://blog.csdn.net/itwangyang520/article/details/137597937

2.

https://www.53ai.com/news/hangyeyingyong/1032.html

3.

https://m.xianjichina.com/special/detail_513023.html

4.

http://www.simm.ac.cn/web/xwzx/qylt/202412/t20241204_7450658.html

5.

https://bydrug.pharmcube.com/news/detail/6b3be2c963e83bd49b3a3951cb2f355b

6.

https://ysg.ckcest.cn/ysgNews/1759327.html

7.

https://www.phirda.com/artilce_35448.html?cId=1&module=trackingCodeGenerator

8.

https://wiki.antpedia.com/article-1317690-240

9.

https://www.antpedia.com/?action-viewcomment-itemid-2787450

“AI在药物研发中的应用已经从简单的数据处理发展到更复杂的任务，如个性化医疗、供应链优化和药物发现。特别是在药物发现领域，AI能够显著加速化合物筛选过程，提高研发效率。”中国科学院院士、中国科学院上海药物研究所研究员蒋华良在2022《理解未来》科学讲座上表示。

AI在药物研发中的应用已经渗透到从靶点发现到临床试验的各个环节。蒋华良教授团队在这一领域取得了多项重要进展，开发了一系列基于AI的药物设计方法和平台。

在靶点发现方面，团队开发了基于知识图谱和推荐系统的药物-靶标相互作用预测方法KGE-NFM，该方法在多个基准数据集上表现出比传统方法更优的预测精度。此外，他们还提出了计算生物靶标谱（CBFP）的概念，将其作为新型分子表征实现骨架跃迁的新思路，成功发现具有全新骨架的强效PARP1抑制剂和DprE1抑制剂。

在化合物优化方面，团队发展了基于Transformer、知识蒸馏和强化学习的多约束分子生成新方法MCMG。该方法可以高效遍历复杂的化学空间，寻找满足多种性质约束的新型化合物，为先导结构的发现提供了强大的计算工具。同时，他们还开发了基于图表示学习的蛋白-小分子相互作用打分方法IGN，其性能显著优于同类机器学习打分方法和分子对接程序。

在成药性预测方面，团队开发了一系列ADMET和成药性理论预测方法和模型，包括水溶性、油/水分配系数、肠吸收、口服生物利用度等关键参数。针对小样本成药性数据预测精度差的难题，他们运用迁移学习、多任务学习、自监督学习等新型AI技术，发展了快速精准的成药性预测方法。这些成果被整合到ADMETLab2.0在线计算平台中，成为国际上成药性参数评价最多、速度最快、预测精度最高的免费在线计算平台之一。

尽管AI在药物研发中展现出巨大潜力，但仍面临诸多挑战。蒋华良教授指出，目前AI应用于药物研发还处于初始阶段，需要发展药物研发专用的AI新技术，并与传统的药物分子设计和实验技术紧密结合。

数据质量是制约AI药物研发的关键因素。AI模型的效果很大程度上取决于输入数据的质量，而不准确或质量低劣的数据会严重影响模型的可靠性。此外，AI在药物研发中的应用还面临监管合规、伦理考虑等挑战。

从商业化角度来看，AI制药领域存在三种主要商业模式：搭建AI技术平台、协助药物研发和自建研发管线。目前，大多数AI制药企业仍处于技术积累阶段，尚未实现大规模商业化。但随着技术的不断进步和应用场景的拓展，AI制药展现出良好的发展前景。

蒋华良教授强调，AI将成为未来药物研发的关键核心技术之一。随着AI技术的不断发展和与传统药物研发方法的深度融合，AI有望在药物研发的各个环节发挥更大作用。同时，跨学科人才的培养和多领域协作将成为推动AI制药发展的重要动力。

尽管面临诸多挑战，但AI在药物研发领域的应用前景依然广阔。通过持续的技术创新和跨领域合作，AI有望为新药研发带来革命性的变革，加速新药上市进程，降低研发成本，最终为患者带来更多优质的治疗选择。