在第七届进口博览会上，一款家庭陪伴机器人吸引了众多参观者的目光，人们纷纷与之互动，体验未来科技的魅力。而在科技界的另一场盛会——2024浦江创新论坛上，一场关于人工智能与药物研发的革命性探讨正在悄然进行。
药物研发，这个漫长且复杂的领域，一直以来都面临着诸多挑战。先导化合物的发现，是药物研发中的关键环节。然而，面对海量的化合物、有限的靶点信息以及难以明确的作用机制，传统的研发方式显得力不从心。此时，人工智能的出现，为药物研发带来了新的曙光。
上海国际计算生物学创新大赛上，上海科技大学的GeminiMol团队凭借一种创新的人工智能模型脱颖而出。该模型融合了化合物的成药性与构象空间信息，能够精准表征药物分子性质，从而大幅提高药物筛选的命中率。在针对NMDA受体亚型GluN1/GluN3A的药物分子筛选中，GeminiMol团队筛选出的分子活性在所有参赛队伍中独占鳌头，荣获一等奖。
NMDA受体，作为神经疾病的热门药物靶点，与多种疾病密切相关。然而，关于其亚型GluN1/GluN3A的信息却非常匮乏。传统的药物筛选方法犹如大海捞针，而GeminiMol团队的人工智能模型则如同精准的钥匙，能够迅速找到打开“门锁”的钥匙。通过对比学习的方式，该模型将构象空间信息融入分子表征中，显著提升了模型的表征能力和预测精度。
人工智能的加入，让药物研发从“大海捞针”转变为“对症下药”。GeminiMol团队首先对已知活性分子进行调研，然后在大赛主办方提供的分子库中寻找与已知活性分子的三维药效构象高度相似、二维化合物结构不相似的新分子。这种方法不仅大幅缩小了筛选范围，还提高了筛选的准确性和效率。
二维结构是生成分子数据的起点，而构象空间则反映了分子在自然状态下可能存在的动态形态。GeminiMol团队深知这一点，因此在模型的构建过程中，花费了大量时间对分子的构象空间进行采样，并投喂给人工智能模型进行学习。团队还通过计算分子间的构象空间相似性形成了一系列描述符号，让模型从描述符号数据中学习评价分子相似性的能力。这种创新的方法，让人工智能模型在药物筛选中更加得心应手。
速度快，是人工智能模型的显著优势之一。在这次比赛中，面对1800万个化合物分子，GeminiMol模型仅用不到半个小时就完成了筛选评价。这种高效的工作方式，让药物研发的时间成本大大降低。
人工智能模型在筛选过程中还可以“集百家之长”。GeminiMol团队表示，他们可以同时借鉴两三个已知活性较佳的分子，这样得到的新分子可能兼具所有已知活性分子的药效特征或结构信息。这种创新的方法，为药物研发提供了更多的可能性和选择。
上海科技大学研究员白芳表示，计算生物学经历了几十年的发展，如今迎来了从硬件到算法的显著进步。硬件方面，人工智能芯片、专门为计算生物学设计的高性能计算机提供了强大的计算支持；算法方面，深度学习等先进算法不仅提高了计算生物学的预测能力，还赋予了它创造新事物的可能性。这些进步，为人工智能在药物研发中的应用提供了坚实的基础。
然而，白芳也指出，现阶段的人工智能模型并非全能。在药物设计的任务中，还需要基于物理模型的计算机辅助药物设计方法予以辅助。面对高维数据的挑战，往往需要借助物理模型对科学问题进行降维处理，以简化问题并降低数据量的需求。虽然这种方法降低了对数据数量的依赖性，但也会付出一些准确性上的代价。
尽管如此，人工智能在药物研发中的应用前景依然广阔。GeminiMol团队的成功实践，为人工智能在药物设计领域的应用树立了典范。未来，随着技术的不断进步和应用的不断深化，人工智能必将在药物研发领域发挥更加重要的作用。
