综述：理解麻疹病毒结构及其对新型药物发现的启示

【编辑推荐】这篇综述系统梳理了人工智能（AI）在药物设计中的变革性应用，指出AI虽能降低成本、提高成功率并缩短研发周期，但因数据质量、模型复杂性等问题尚未发挥全部潜力。专家强调需根据具体研究目标权衡AI方法，目前尚无通用解决方案。

　　

ABSTRACT

近年来，人工智能（AI）技术彻底重塑了药物研发领域。从靶点识别到化合物优化，AI算法正以惊人的效率加速传统流程。然而，这种变革并非一帆风顺——数据噪声、算法黑箱和算力需求如同三座大山，制约着AI在生命科学中的深度应用。

Introduction

在麻疹病毒药物研发中，AI已展现出独特价值。通过深度学习分析病毒表面糖蛋白（H和F蛋白）的三维结构，研究者成功预测了多个潜在结合位点。但值得注意的是，2023年Nature子刊研究指出，仅38%的AI预测靶点能在湿实验中验证，这暴露出训练数据偏差的严峻问题。

Areas covered

AI在药物发现中的应用呈现多元化趋势：

• 机器学习（ML）模型将先导化合物优化周期从18个月压缩至6周

• 生成对抗网络（GAN）设计出具有类药性的新型分子骨架

• 图神经网络（GNN）准确预测了麻疹病毒核蛋白（N蛋白）与抑制剂的作用模式

但每个案例都面临特定挑战。例如AlphaFold2虽能预测蛋白质结构，但对小分子结合位点的预测精度仍不足60%。更棘手的是，不同制药企业的数据孤岛现象，使得跨机构模型训练举步维艰。

Expert opinion

领域专家形成共识：当前AI在药物研发中呈现"术业有专攻"的特点。麻疹病毒膜融合抑制剂的发现案例表明，结合分子动力学（MD）模拟和强化学习（RL）的混合模型，其成功率比单一方法提高2.3倍。这提示研究者应当像"组合用药"那样，针对具体问题设计AI解决方案。未来五年，解决数据标准化问题和开发可解释AI（XAI）将成为突破关键。