综述：人工智能集成药物发现的最新进展：方法与临床应用

这篇综述系统阐述了人工智能（AI）在药物发现领域的革命性应用，涵盖机器学习（ML）、深度学习（DL）、图神经网络（GNN）等核心技术，及其在靶点识别、虚拟筛选、分子动力学（MD）模拟、临床试验优化等关键环节的突破。文章特别强调AI如何通过数据驱动方法提升ADMET（吸收、分布、代谢、排泄和毒性）预测精度，并指出当前面临的算力限制与数据壁垒，为未来智能药物研发提供前瞻性视角。

　　

核心技术与算法

人工智能（AI）正以惊人的速度重塑药物发现领域。机器学习（ML）作为计算机从数据中自主提取规律的核心技术，其子领域深度学习（DL）通过模拟人脑神经元的多层网络结构（如图3所示），在处理海量生物数据时展现出非凡优势。神经网络（NN）家族中的卷积神经网络（CNN）擅长图像识别，而图神经网络（GNN）则成为分子结构分析的利器，生成对抗网络（GAN）更在化合物生成中大放异彩。

数据革命与靶点挖掘

面对蛋白质数据库（PDB）中超过25万条结构数据，传统靶点筛选方法已力不从心。AI驱动的AlphaFold等工具实现了蛋白质三维结构的高精度预测，结合遗传算法（GA）优化，研究者能快速锁定与疾病相关的关键靶点。例如在癌症研究中，AI模型通过分析基因调控网络（GRNs），可揭示传统方法难以发现的潜在治疗靶标。

智能分子设计

虚拟筛选环节中，AI将分子对接效率提升数个数量级。生成式预训练模型（GPT）可设计具有特定药理活性的全新分子骨架，而强化学习优化的化合物生成成功率比随机筛选高32.2%。值得注意的是，2022年FDA批准的17种新药中，已有多个候选分子源自AI辅助设计（AIDD）。

动态模拟与ADMET预测

分子动力学（MD）模拟在AI加持下实现飞跃：神经网络力场将模拟速度提升100倍，同时保持密度泛函理论（DFT）级别的精度。药代动力学研究中，多层感知机（MLP）模型对化合物ADMET性质的预测准确率突破85%，大幅降低后期临床试验失败风险。

临床转化挑战

尽管AI将临床试验周期缩短30%，但算力需求呈指数增长。当前最先进的药物-靶点亲和力（DTA）预测模型需消耗相当于50个GPU的算力，且数据壁垒仍是行业痛点。不过，随着印度医学研究委员会（ICMR）等机构的持续投入，AI驱动的新型抗生素与抗癌药物研发已进入爆发前夜。

未来展望

网络生物学（NB）与大型语言模型（LLM）的融合，正在催生能自主阅读文献并提出假说的"科学家AI"。虽然当前硬件限制仍存，但可以预见，下一代计算机辅助药物设计（CADD）系统将彻底改变从靶点发现到药物上市的全流程。