探索AI+分子模拟与药物研发未来图景

7月12日，2022《理解未来》科学讲座02期——“AI+分子模拟与药物研发”在全网线上开讲。未来论坛理事、北京大学李兆基讲席教授谢晓亮担任主持，特别邀请到中国科学院院士、中国科学院上海药物研究所研究员蒋华良，北京大学化学与分子工程学院教授、北京大学理学部副主任高毅勤作主题演讲，分享前沿学术成果，共话跨学科交叉领域的深度融合创新。

聚焦AI+生命科学 打造年度高质量科学公益讲座

谢晓亮教授首先对参会嘉宾和线上观众表达了欢迎与感谢。他表示，2022《理解未来》科学讲座聚焦 AI + Life Science，站在科研前沿，聚集知识之光、智慧之光，面向科研人员、青年科学家与产业界相关人士，打造思想交流的平台。“本次活动中，我们将聚焦AI与分子模拟、新药研发领域，邀请该领域的国际领军人物——蒋华良教授和高毅勤教授，期待听到来自科学家独到而具引领性的判断和思考。”他谈道。

蒋华良：AI+药物研发处于起步阶段 有望助力解决传统药物研发痛点

在主题演讲环节，蒋华良教授以《AI赋能创新药物研究——现状与未来》为题，介绍了国际创新药研发的进展与趋势，结合自己团队的研究案例展示了AI技术在新药研发中的应用。

他指出：AI技术应用于药物研发已经引起研究院所和制药行业的高度重视，开始赋能药物研发从靶标发现和确证、药物先导化合物的发现和优化、药物药代和毒性评价等各个阶段，将成为未来药物研发的关键核心技术之一。然而，目前AI应用于药物研发，还处于初始阶段，需要发展药物研发专用的AI新技术，并与传统的药物分子设计和实验技术紧密结合，才能真正赋能药物研发。他特别提出了AI应用于药物研发的十个挑战性问题，并鼓励青年学子参与这一领域的发展。

高毅勤：以深度学习辅助分子模拟 攻克传统分子模拟瓶颈

活动中，高毅勤教授以《分子模拟结合深度学习在分子体系中的方法和应用》为题做主题演讲，介绍了如何利用深度学习技术克服传统分子模拟的瓶颈、分子模拟结合深度学习方法在蛋白质结构预测、分子对接和化学反应机理研究中的应用，展示了分子模拟结合深度学习方法广阔的应用前景，并进一步展望了未来分子模拟技术的发展方向。

他指出，传统的分子模拟在应用于复杂的化学和生物等分子体系时受到严重的时空尺度限制。以深度学习为代表的人工智能技术可以在理论和计算、理论和实验、计算和实验之间建立有机的联系，因此成为当前突破传统分子模拟瓶颈、为分子模拟和分子科学赋能的重要工具。团队基于物理模型、科学实验数据和人工智能算法，发展了多个结合深度学习的分子模拟方法，在全球蛋白质结构预测CAMEO竞赛中取得了优异成绩，并开发了面向下一代分子模拟的软件SPONGE/MindSPONGE。

前瞻对话：AI“助攻”药物研发 在挑战中发现机遇

在前瞻对话环节，嘉宾们围绕“AI技术如何赋能创新药研发”、“AI +药物研发面临的机遇与挑战”、“AI新药研发会如何助力攻克无药可治的疾病”等议题展开对话，分享深刻的洞察与思考。

蒋华良教授指出，小分子药物方面仍有一些关键问题亟待AI参与解决。例如，结合自由能的计算速度已较以往提升了3-5倍，当速度提升到上万倍，结合自由能预测精确度与小分子药物设计效率才有望实现本质突破。在他看来，制药领域的高投入、长周期等痛点难以在短时间内有所改善，但AI在预测临床候选药物成功率方面将大有可为。“在临床试验当中，大概10种候选药中只有1种会试验成功，而我们积累了上万个药物的临床数据，里面包含以往大量临床试验失败药物的通用数据，通过建模、计算，可以预测排除掉临床候选药物中的失败药物，更好地锁定临床试验中可能会成功的药物。”

高毅勤教授谈到，数据是制约小分子药物设计最大的瓶颈问题。“目前，能够真正获得的可靠数据非常少，数据方面还存在指标不统一、敏感数据难以获取等问题，而提升高精度计算，本身也是对数据的增强。同时，若能将实验与计算更好地耦合起来，形成无缝的连接闭环，获取高质量数据的可能性会大为提升。”另外，高毅勤教授也指出，通过整合单细胞组学信息，建立可靠的细胞响应模型，可以让AI对药物研发下游做出一些预判工作。“如果通量足够高，可以利用该细胞模型，对大分子药物设计，以及小分子药物设计当中的小分子入膜、蛋白信号传导、蛋白质的入核转运等进行预判，随着AI不断的自我学习和优化，预判的精确度也会逐渐提升，若将其打造成公用性的开放平台，将使整个医药研发受益。”

谢晓亮教授也在前瞻对话环节分享了 AI在药物研发领域应用的思考。他指出，小分子药物是与大分子结合，目前大分子的序列、结构数据量大，现有技术已做到在电脑终端上输入蛋白名称，马上就能得出预测结构，虽然准确率在80%左右，但这已经是当前较为理想的情况。小分子结合到蛋白大分子上，采用AI和MD模型结合的算法，目前已有企业以自由能计算代替大规模小分子药物筛选，实验上也有以微流控筛选技术增加通量，从而大幅降低费用。然而由于小分子数据量不足，数据库不够大，还不能实现小分子药物的机器学习预测，这是小分子药物设计所面临的巨大挑战。