◎本報記者 代小佩

　　“AI(人工智能)技術應用于藥物研發已經引起研究院所和制藥行業高度重視，AI開始賦能藥物研發的靶標發現和確證、藥物先導化合物的發現和優化、藥物藥代和毒性評價等各個階段，將成為未來藥物研發的關鍵核心技術之一。”7月12日，中國科學院院士、中國科學院上海藥物研究所研究員蔣華良在2022《理解未來》科學講座第二期“AI+分子模擬與藥物研發”作主題演講時說。

　　講座中，蔣華良介紹了國際創新藥研發的進展與趨勢。他認為，小分子藥物方面有一些關鍵問題亟待AI參與解決。例如，結合自由能的計算速度已較以往提升了3—5倍，而只有當速度提升到上萬倍，結合自由能預測精確度與小分子藥物設計效率才有望實現本質突破。

　　在蔣華良看來，制藥領域的高投入、長周期等痛點難以在短時間內有所改善，但AI在預測臨床候選藥物成功率方面將大有可為。“在臨床試驗當中，大概10種候選藥中只有1種會試驗成功，而我們積累了上萬個藥物的臨床數據，里面包含以往大量臨床試驗失敗藥物的通用數據，通過建模、計算，可以預測排除掉臨床候選藥物中的失敗藥物，更好地鎖定可能會成功的藥物。”蔣華良說。

　　北京大學化學與分子工程學院教授、北京大學理學部副主任高毅勤在講座中結合分子模擬談到，傳統的分子模擬在應用于復雜的化學和生物等分子體系時受到嚴重的時空尺度限制，以深度學習為代表的AI技術可以在理論和計算、理論和實驗、計算和實驗之間建立有機聯系，成為當前突破傳統分子模擬瓶頸并為分子模擬和分子科學賦能的重要工具。

　　據介紹，高毅勤團隊基于物理模型、科學實驗數據和人工智能算法，發展了多個結合深度學習的分子模擬方法，在全球蛋白質結構預測競賽(CAMEO)中取得優異成績。

　　不過，AI應用于藥物研發目前還處于初始階段。蔣華良表示，需要發展藥物研發專用的AI新技術，并與傳統的藥物分子設計和實驗技術緊密結合，才能真正賦能藥物研發。

　　以小分子藥物設計為例，高毅勤提到，數據是制約小分子藥物設計的最大瓶頸，“目前能夠真正獲得的可靠數據非常少，數據方面還存在指標不統一、敏感數據難以獲取等問題”。

　　此次講座主持人、未來論壇理事、北京大學李兆基講席教授謝曉亮也表示，目前已有企業以自由能計算代替大規模小分子藥物篩選，實驗中也有以微流控篩選技術增加通量，從而大幅降低費用。然而，由于小分子數據量不足、數據庫不夠大，還不能實現小分子藥物的機器學習預測，這是小分子藥物設計所面臨的巨大挑戰。

　　高毅勤認為，通過整合單細胞組學信息，建立可靠的細胞響應模型，可以讓AI對藥物研發下游作出一些預判工作。“如果通量足夠高，可以利用該細胞模型，對大分子藥物設計及小分子藥物設計當中的小分子入膜、蛋白信號傳導、蛋白質的入核轉運等進行預判，隨著AI不斷自我學習和優化，預判的精確度也會逐漸提升，若將其打造成公用性的開放平臺，將使整個醫藥研發受益。”