AI为药物研发赋能

抖音热门 2025年07月12日 18:47 1 admin

原文发表于《科技导报》2025年第12期《人工智能驱动药物研发进展》

药物研发作为现代医药产业的核心驱动力，面临传统模式“高投入、长周期、低产出”的困境，亟需突破以应对日益复杂的健康需求。人工智能（AI）技术的快速发展为药物研发带来了革命性变革。《科技导报》邀请中国科学院上海药物研究所相关领域专家撰写此文，文章通过全面剖析AI赋能药物研发的现状与问题，为加速新药创制、提升人类健康福祉提供了科学视角与思考启示，提供了关于AI赋能药物研发领域科技问题的全面视角，并激发了对未来发展方向的思考，以期促进AI技术在药物研发领域的更有效应用，加速新药创制进程，最终惠及人类健康。

药物研发是支撑现代医药产业发展的核心驱动力，是应对人类疾病挑战的关键环节。然而，传统的药物研发模式高投入、长周期、低产出，严重制约了新药的产出。近年来，人工智能（artificial intelligence，AI）技术的发展为破解上述困境带来了曙光。AI凭借其卓越的数据处理能力、模式识别能力以及泛化预测能力，在药物研发的各个环节都展现出了巨大的应用潜力。

我们深入分析了AI驱动药物研发关键领域的国内外发展现状、最新研究成果、现存问题和未来发展方向，力求提供关于AI赋能药物研发领域科技问题的全面视角，以期促进AI技术在药物研发领域的更有效应用（图1）。

图1 AI技术应用于药物研发的重点领域

1 AI驱动蛋白质结构预测：AlphaFold3的突破与应用

蛋白质是生命活动的功能执行者。精确的蛋白质结构是解析疾病机制、设计靶向药物的基础。AlphaFold3等AI模型的出现，提高了蛋白质结构预测的精度和速度，被认为是加速药物发现的关键技术。

1.1

AI在蛋白质结构预测中的应用

DeepMind公司开发的AlphaFold系列模型是AI驱动蛋白质结构预测领域的里程碑式突破。2024年，DeepMind发布了AlphaFold3，进一步拓展了结构预测的能力。AlphaFold3不仅能够预测蛋白质的三维结构，还能预测包括脱氧核糖核酸（DNA）、核糖核酸（RNA）、配体以及修饰在内的生物分子复合物的结构。AlphaFold3在多个评估指标上超越AlphaFold2，尤其是在预测蛋白质−配体等复合物结构方面取得了0到1的突破。除了AlphaFold系列模型，蛋白质结构预测领域还涌现出多种高性能模型，包括Chai，Boltz和Protenix系列模型等。

1.2

结构预测工具在药物研发中的最新研究成果

首先，在靶点发现与验证方面，AlphaFold3能够帮助研究人员快速获取与疾病相关的蛋白质结构模型。

在虚拟筛选与先导化合物发现方面，AlphaFold3同样展现了巨大价值。研究人员可以利用AlphaFold3预测的结构来进行筛选。

抗体药物设计是另一个受益匪浅的领域。AlphaFold3能预测抗体−抗原复合物结构，让研究人员得以深入理解抗体与抗原的结合机制，并据此初步指导抗体的序列优化、亲和力成熟以及人源化改造。

此外，AlphaFold3在酶工程与蛋白质药物设计中也可以应用。它不仅能预测天然蛋白质的结构，还能用于分析工程化改造后的蛋白质结构。

1.3

AlphaFold3的局限性与挑战

对于结构复杂的蛋白质，其预测精度可能无法保证。此外，AlphaFold3目前在预测蛋白质的动态行为和构象变化方面能力有限。计算资源需求高是另一个显著挑战。结构预测结果的验证也很重要。AlphaFold3给出的结构只是理论预测，依然需要通过实验方法加以确认。作为药物研发的第一步，预测结果只是起点。

2 AI驱动蛋白质设计：从结构预测到功能创新

AI技术通过深度学习和生成模型，能够快速生成具有目标功能的蛋白质序列。在AI技术推动下，蛋白质设计正从传统设计和定向进化迈向高效、智能化的新阶段。

2.1

AI在蛋白质设计中的应用

AI在蛋白质设计中的核心优势在于能够结合序列生成、结构预测和功能优化，显著提升效率和成功率，图2描述AI在蛋白质设计中的常见应用场景。

图2 AI在蛋白质设计中的应用场景

首先，在序列生成与优化方面，AI通过逆向设计技术，可以从目标结构出发生成相应序列，使用生成模型也可以快速设计具有目标功能的蛋白质序列。
其次，在结构导向的设计方面，AI利用蛋白质结构预测的突破进一步推动了设计能力。
在功能预测与验证方面，AI模型能够评估蛋白质的潜在功能，或优化已有蛋白质的功能。

2.2

AI驱动蛋白质设计的成果与挑战

近年来，AI在蛋白质设计领域取得了显著进展。David Baker团队开发的RFdiffusion模型已成功设计出多种新型蛋白质，包括高效催化酶和具有特定结合能力的蛋白质分子。在工业应用方面，AI驱动的蛋白质设计平台正逐步成熟。AI驱动蛋白质设计面临的挑战主要有：

首先，数据依赖性是主要瓶颈。AI模型的性能高度依赖于高质量的训练数据。然而，当前的实验数据不够多样，这可能导致在新颖蛋白设计时表现下降。

其次，功能预测的准确性仍需提升。此外，实验成本的高昂是另一大制约因素。这使AI驱动蛋白质设计的广泛应用受到一定限制。

3 AI赋能抗体药物设计：应用加速研发进程，提升药物疗效

AI技术在抗体序列优化、人源化改造、亲和力成熟和新型抗体设计等方面的应用，有望加速抗体药物的研发进程，提高抗体药物的疗效和安全性。

3.1

AI在抗体药物设计中的应用

首先，在抗体序列优化方面，AI能够提升抗体疗效并降低免疫原性。抗体亲和力成熟是另一个AI发挥作用的领域。AI技术可以通过机器学习模型，根据抗体序列和亲和力数据预测最佳突变位点和组合，指导定向进化实验，从而提升亲和力成熟的效率和成功率。
在新型抗体设计方面，生成对抗网络通过生成器和判别器的对抗训练学习真实数据分布，生成器可从随机噪声中采样并输出新的抗体序列，从而实现抗体设计的多样性。近年来兴起的扩散模型（diffusion models）通过逐步去噪生成蛋白质三维结构，已被用于精确设计抗体骨架和优化CDR区结构，从而提高抗体与抗原结合的空间匹配度。抗体可开发性预测也是AI的重要应用方向。AI模型通过学习序列与可开发性间的关系，能在早期阶段预测这些特性，排除问题分子。

为便于系统比较不同AI模型在抗体药物设计中的应用特征、技术机制与代表性成果，表1总结了扩散模型、图神经网络、生成模型与语言模型的核心原理、主要应用环节、优势。

表1 AI模型在抗体药物设计中的应用对比

3.2

AI驱动抗体药物设计的成果与挑战

近年来，AI在抗体药物设计领域的进展令人瞩目。其中，Mason等开发的一种端到端序列优化方法，显示出AI在高通量抗体筛选中的强大能力。在抗体亲和力成熟方面，研究人员开发了多种AI驱动技术。这些技术为传统实验方法提供了强有力的补充。AI辅助的新型抗体发现平台也层出不穷。基于生成模型或图神经网络的设计平台能够生成具有新颖结构和功能的抗体分子，为抗体药物研发注入更多可能性。在抗体可开发性预测方面，AI工具同样取得了突破。AI驱动抗体药物设计面临的挑战主要有：

数据质量和数据量是首要挑战。AI模型依赖大量高质量数据，虽然抗体序列的数据量较大，但其亲和力数据相对稀缺，且质量不一。

模型可解释性也是一个关键问题。在抗体药物设计中，开发更具可解释性的AI抗体药物设计模型，从而更具有专家思维地开发抗体，是亟待解决的方向。

实验验证的瓶颈同样不可忽视。开发高效、高通量的实验验证方法，并将AI与自动化实验平台整合，将是提升抗体设计效率的关键。

4 AI助力小分子药物设计：加速发现、优化性质、提高效率

小分子药物是药物研发领域的核心力量，占据了药物市场的绝大部分份额。AI技术在小分子药物的靶点识别、虚拟筛选、先导化合物优化，以及药物的吸收（absorption）、分布（distribution）、代谢（metabolism）、排泄（excretion）和毒性（toxicity）——即ADMET性质预测等方面，正发挥着日益重要的作用。

4.1

AI在小分子药物设计中的应用

在靶点识别与验证方面，AI能够分析海量生物学数据，包括基因组、转录组、蛋白质组和代谢组数据，找出已知产生药效的小分子的潜在靶点，并评估其可药性。

虚拟筛选与先导化合物发现是AI的另一大用武之地。AI模型通过学习化合物的结构和活性数据，可以构建更精准的预测模型，加速先导化合物发现；生成模型则能基于口袋设计全新化合物，拓宽候选分子来源。

先导化合物优化同样受益于AI。先导化合物往往存在活性不足、选择性差或ADMET性质不佳等问题。AI模型能够预测这些特性，指导结构修饰，提升成药性。

小分子药物的合成路线设计也因AI而更高效。AI可以预测反应产率和选择性，优化路线。

4.2

AI驱动小分子药物设计的成果与挑战

基于深度学习虚拟筛选平台，如Atomwise和Exscientia可以预测化合物活性，已在多个项目中加速了先导化合物发现。AI驱动的先导化合物优化技术也不断突破。基于生成模型和强化学习的方法能够高效探索化合物结构空间，显著提升成功率。AI驱动的药物性质预测工具同样快速发展。基于机器学习的ADMET预测模型和深度学习的毒性预测模型，帮助研究人员在早期评估药物潜力，提高成药性。AI驱动小分子药物设计面临的挑战主要有：

数据质量和偏差是首要问题。小分子药物的活性与性质数据常存在分布不均、标注错误等问题，影响模型性能。

模型的泛化能力和鲁棒性也有待提升。AI模型在训练数据上表现良好，但在新数据集上可能失灵，数据集的偏差可能导致模型高性能表现实际上反映了数据偏差，而非物理原理的成功泛化。

模型可解释性不足也限制了应用。AI预测结果常难以解释，而在药物设计中，理解化学和生物学机制至关重要。

化学空间探索的局限性也不容忽视。AI基于已知数据生成化合物，可能局限于现有化学空间。

5 AI驱动药物研发的未来展望

未来，AI将在药物研发中扮演更加核心的角色，改变传统研发范式，加速新药发现，降低成本，提升成功率，最终造福人类健康，表2总结了目前AI药物研发的挑战和进展。

表2 AI驱动药物研发进展与挑战总结

5.1

蛋白质结构预测工具的未来发展方向

首先是提高预测精度，可以结合生物学领域内的知识与大语言模型，进一步提升其对复杂蛋白质和生物分子复合物的预测能力。

降低计算资源需求并提升计算效率也是重要方向。通过优化算法和模型，未来的AlphaFold3有望在更普通的计算设备上运行，从而惠及更多研究者。

开发用户友好的工具和平台是另一个趋势。可以推出在线的结构预测平台、可视化工具以及与其他药物研发软件的集成接口，让非专业用户也能轻松上手，推动技术普及。

5.2

AI驱动蛋白质设计的未来发展方向

首先，多模态数据整合是提升设计能力的重要途径。未来的AI模型需要超越单一的序列或结构数据，整合动态变化和细胞层面的多维度信息，以更全面地理解蛋白质的行为。

其次，动态行为预测将成为研究的重点方向。未来的AI工具可能通过结合分子动力学模拟或构象生成模型，预测蛋白质的实时相互作用。

此外，自动化设计平台的开发将显著推动技术普及应用。

最后，与抗体药物设计的协同创新是未来发展的重要趋势。

5.3

AI驱动抗体药物设计的未来发展方向

可解释AI与因果推断是一个重要方向。未来的研究将致力于开发更透明的模型，并结合因果推断方法，揭示抗体序列与功能之间的深层关系，为设计提供更可靠的理论支持。

AI驱动的自动化抗体研发平台也将成为趋势。通过实现设计、合成、测试和优化的全流程自动化，研发速度将大幅提升。

5.4

AI驱动小分子药物设计的未来发展方向

通过整合化合物结构、性质、活性及靶点疾病信息，研究者将构建更全面的网络药理学模型，从而提升设计精度。发展基于知识的AI模型也是可行的方向。将化学和生物学知识融入模型，如规则系统或知识图谱，能提高可解释性和决策支持能力。AI驱动的自动化药物合成平台将进一步加速研发。通过集成路线设计、反应优化和自动化合成，整个流程将实现智能化，大幅缩短周期。个性化小分子药物设计是未来的亮点。结合基因组学、蛋白质组学和代谢组学数据，AI也有可能为不同患者定制药物，提供更精准的治疗方案。

5.5

AI时代下的药物研发展望

在AI辅助中，药物研发将更依赖多学科交叉融合，AI技术将与生物学、化学、药学、医学和工程学深度结合，构建智能化研发平台。

图3 AI在未来药物设计中可能扮演的角色

随着个性化医疗技术的进步，AI将助力精准药物研发，通过分析患者个体化的基因组和临床数据，预测疾病风险和药物反应，设计个性化治疗方案，实现更精准的治疗效果（图3）。此外，自动化和智能化将成为药物研发的主流趋势，高通量筛选、机器人化学合成与AI设计平台的协同工作，将使研发全流程实现自动化，大幅缩短研发周期，让药物研发最终进入一个全新阶段。

本文作者：何欣恒，高斯涵，李俊睿，徐华强
作者简介：何欣恒，中国科学院上海药物研究所，博士研究生，研究方向为计算生物学与结构生物学；高斯涵，中国科学院上海药物研究所，实习生，研究方向为计算生物学；李俊睿，中国科学院上海药物研究所，助理研究员，研究方向为计算生物学；徐华强（通信作者），中国科学院上海药物研究所，研究员，研究方向为结构生物学与药物发展。

文章来源：何欣恒, 高斯涵, 李俊睿, 等. 人工智能驱动药物研发进展[J]. 科技导报, 2025, 43(12): 29−37.本文有删改，”获取全文。 AI为药物研发赋能

内容为【科技导报】公众号原创，欢迎转载
白名单回复后台「转载」

☟

《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、专稿专题、综述、论文、政策建议、科技人文等。