综述：理性药物发现中的人工智能：先导化合物的优化及分子相互作用的计算机模拟预测，以加速药物研发

《In Silico Pharmacology》：Artificial intelligence in rational drug discovery: optimization of lead compounds and in-silico prediction of molecular interactions for faster pharmaceutical development

　　

摘要

传统药物发现过程错综复杂、成本高昂且耗时漫长，淘汰率居高不下。为应对这些效率问题，人工智能（AI）和机器学习（ML）的兴起被视为合理药物设计领域的变革者。本综述重点阐述了深度学习、生成模型等AI技术在药物发现与开发中的革命性潜力。我们讨论了AI如何改进药物发现中的蛋白质-配体相互作用预测、定量构效关系（QSAR）建模以及虚拟筛选。此外，AI可以在研发早期阶段预测关键的吸收、分布、代谢、排泄和毒性（ADMET）性质，从而显著加速先导化合物优化，使研究人员能够在耗时漫长的实验测试之前优先筛选出前景广阔的候选药物。尽管已取得上述进展，但AI系统在实际应用中的广泛应用仍面临诸多局限，包括数据偏差、模型可靠性以及"黑箱"神经网络的可解释性不足等问题。为克服这些监管与伦理挑战，必须实施可解释人工智能（XAI）。最终，AI与多组学及其他技术（如量子计算）的结合将在更为精细的层面上实现个性化治疗，并大幅缩短药物研发的时间和成本。

图形摘要

传统药物发现过程错综复杂、成本高昂且耗时漫长，淘汰率居高不下。为应对这些效率问题，人工智能（AI）和机器学习（ML）的兴起被视为合理药物设计领域的变革者。本综述重点阐述了深度学习、生成模型等AI技术在药物发现与开发中的革命性潜力。我们讨论了AI如何改进药物发现中的蛋白质-配体相互作用预测、定量构效关系（QSAR）建模以及虚拟筛选。此外，AI可以在研发早期阶段预测关键的吸收、分布、代谢、排泄和毒性（ADMET）性质，从而显著加速先导化合物优化，使研究人员能够在耗时漫长的实验测试之前优先筛选出前景广阔的候选药物。尽管已取得上述进展，但AI系统在实际应用中的广泛应用仍面临诸多局限，包括数据偏差、模型可靠性以及"黑箱"神经网络的可解释性不足等问题。为克服这些监管与伦理挑战，必须实施可解释人工智能（XAI）。最终，AI与多组学及其他技术（如量子计算）的结合将在更为精细的层面上实现个性化治疗，并大幅缩短药物研发的时间和成本。

图形摘要