当前位置：首页 > news >正文

AI药物发现：虚拟筛选、分子生成与临床前预测

news 2026/7/21 12:57:05

AI药物发现：虚拟筛选、分子生成与临床前预测

一款新药从立项到上市，平均要花十年以上、烧掉二十多亿美元，其中大把时间和金钱消耗在早期阶段：从海量分子里找出有活性的苗头化合物，再一轮轮优化成候选药物。传统做法靠高通量筛选（HTS）和药化专家的经验，成本高、周期长、命中率低。近几年机器学习在这个领域真正落了地——不是概念验证，而是实打实地把虚拟筛选、分子生成、性质预测嵌进了药企的研发管线。这篇文章按研发流程的三个关键环节，聊聊背后的技术方案和工程实践。

虚拟筛选：从百万级分子库中快速锁定苗头

虚拟筛选的目标很直接：给定一个靶点蛋白，从几十万到上亿个小分子中快速排出优先级，把最值得做湿实验的几十个分子挑出来。技术路线大致分两类。

第一类是基于结构的方法，核心是分子对接（docking），用 AutoDock Vina、Glide 这类工具模拟小分子与蛋白口袋的结合构象并打分。问题在于单个分子对接要几秒到几分钟，面对亿级库算力吃不消。现在的做法是用深度学习做打分函数的替代模型：先用传统对接跑一小批分子拿到标签，再训练一个 3D CNN 或等变图神经网络（如 E(3)-GNN）预测结合亲和力，推理速度比物理对接快几个数量级。

第二类是基于配体的方法，不依赖蛋白结构，只用已知活性分子去检索相似物。经典做法是 Morgan 指纹 + Tanimoto 相似度，配合 RDKit 几行代码就能跑：

from rdkit import Chem from rdkit.Chem import AllChem, DataStructs def screen_by_fingerprint(query_smiles, library_smiles, radius=2, nbits=2048, top_k=100): query_mol = Chem.MolFromSmiles(query_smiles) query_fp = AllChem.GetMorganFingerprintAsBitVect(query_mol, radius, nBits=nbits) scored = [] for smi in library_smiles: mol = Chem.MolFromSmiles(smi) if mol is None: continue fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=nbits) sim = DataStructs.TanimotoSimilarity(query_fp, fp) scored.append((smi, sim)) scored.sort(key=lambda x: x[1], reverse=True) return scored[:top_k]

指纹方法快但表达力有限，更现代的做法是用预训练的分子表征模型（如 MolBERT、Uni-Mol）把分子编码成向量，再在近向量空间里做检索，对骨架跃迁（scaffold hopping）的容忍度明显更好。

分子生成：让模型直接设计新结构

虚拟筛选只能在已有分子里挑，而化学空间的理论规模估计在 10^60 量级，已合成的分子只是沧海一粟。生成模型的价值在于跳出既有库，直接设计满足条件的新结构。

主流生成范式几经迭代：早期是 SMILES 字符串 + RNN/VAE，把分子当文本生成，缺点是容易产生语法错误或不可合成的结构；后来图生成模型（JT-VAE、GraphAF）直接在分子图上做自回归或流式生成，化学有效性大幅提升；近两年扩散模型成为主流，在 3D 坐标空间里生成分子构象，甚至可以直接在蛋白口袋条件下做结构生成（如 DiffSBDD、TargetDiff），让生成的分子天然适配靶点空腔。

生成只是第一步，关键在于多目标优化：生成的分子要同时满足活性高、可合成、类药性好。工程上常用强化学习或贝叶斯优化，把打分函数（对接分数、QED 类药性评分、SA 合成可达性评分）作为奖励信号，引导生成模型往目标区域采样。

临床前预测：ADMET 性质建模

很多候选分子不是死在活性上，而是死在吸收、分布、代谢、排泄和毒性（ADMET）上。如果能在合成之前预测这些性质，可以砍掉大量注定失败的实验。

ADMET 预测本质上是小规模监督学习问题，难点在于公开数据少且噪声大——每个性质往往只有几千条可靠数据。实践上有几个关键点：

用图神经网络（GIN、MPNN）建模分子图，比手工描述符的泛化能力更稳；
大规模无监督预训练 + 小数据微调是标配，先在几千万分子的自监督任务上训练，再在具体性质上微调；
集成不确定性估计（如 Deep Ensemble 或 MC Dropout），对置信度低的预测给出预警，避免模型在分布外分子上瞎猜。

下面是一张三条技术路线的对比：

| 维度 | 虚拟筛选 | 分子生成 | ADMET 预测 | | --- | --- | --- | --- | | 核心任务 | 从既有库中排序检索 | 设计全新分子结构 | 预测物化与体内性质 | | 主流模型 | 对接替代模型、分子指纹、表征检索 | VAE、扩散模型、强化学习 | GNN + 预训练微调 | | 数据依赖 | 蛋白结构或已知活性分子 | 大规模分子库 + 打分函数 | 小规模高质量标注数据 | | 输出 | 候选分子排序列表 | 新 SMILES / 3D 构象 | 性质数值与置信度 | | 典型瓶颈 | 打分函数精度、计算成本 | 可合成性、多目标权衡 | 数据稀缺、分布外泛化 |