综述：通过生成式人工智能变革精准医学：面向患者特异性药物发现的先进架构与定制化治疗设计

本综述系统阐述了生成式人工智能（Generative AI）如何通过整合多组学数据与先进算法架构（如VAE、GAN、Transformer、DDM），实现从分子生成到药效优化的全流程创新，推动个性化药物研发范式的变革。文中重点讨论了强化学习（RL）、图神经网络（GNN）和SE(3)-等变网络在药物设计中的协同应用，并强调湿实验验证与计算模型闭环反馈的重要性。

　　

Graphical Abstract

生成式人工智能整合患者特异性多组学数据与先进算法架构，设计定制化治疗药物，并通过湿实验与计算反馈在患者-人工智能-临床闭环中进行验证。

Abstract

生成式人工智能正通过合理化设计患者特异性治疗药物，重新定义精准医学领域。它克服了传统药物研发流程中固有的低效问题，包括冗长的时间线、高损耗率和巨额研发支出。变分自编码器（VAE）、生成对抗网络（GAN）、基于Transformer的架构以及去噪扩散模型（DDM）等生成模型，能够基于多组学数据集（基因组学、转录组学、蛋白质组学）进行从头分子生成，助力设计针对个体分子特征定制的小分子、多肽和生物制剂。这些架构在高维潜在化学空间中运行，支持化学形态变换、骨架跃迁和潜在空间优化，以增强化合物的效价、选择性和ADME/Tox（吸收、分布、代谢、排泄/毒性）属性。与定量构效关系（QSAR）模型、分子对接、分子动力学模拟以及蛋白质-配体结合亲和力预测工具的整合，进一步强化了药物-靶点相互作用分析的准确性。强化学习（RL）与基于图神经网络（GNN）的生成模型通过迭代奖励驱动的优化过程，实现对先导化合物的进一步优化；而SE(3)-等变神经网络则能够实现精确的三维分子生成和构象稳定性预测。尽管算法不断进步，实验验证仍然不可或缺，以解决患者间代谢异质性、多药理学以及脱靶效应等挑战。尽管如此，生成式人工智能与多组学及高通量筛选平台的融合，正加速个性化药物研发管线的进程，建立起朝向精准性、可扩展性与转化效率的新范式转变。

Conflict of Interests

作者声明无利益冲突。