巴塞尔大学挑AI短板！药物设计靠“死记硬背”，药企踩坑不断

巴塞尔大学团队在《自然通讯》上发了篇研究，直接给现在的药物设计AI泼了盆冷水。

这些号称能革新新药开发的程序，根本没搞懂蛋白质和小分子怎么结合，说白了就是靠死记硬背训练数据里的模式过日子。

我之前看AlphaFold、RosettaFold拿2024年诺贝尔化学奖时，还觉得这AI真是牛到不行，以后新药开发肯定能省不少事。

但后来发现，这研究一出来，感觉像戳破了个漂亮泡泡这些诺奖模型也就对已知的蛋白质结构拿手，碰到全新的靶点，立马就“歇菜”了。

研究人员做了个挺狠的实验，他们把蛋白质结合位点改了。

要么让电荷分布全变，要么直接把结合通道堵上。

按说这么改，小分子药物根本没法结合了吧？结果AI不这么想，还是预测出和原来一样的复合物结构，就像没看见这些修改似的。

后来他们又改了小分子药物的关键化学基团，让它物理上就没法结合，AI照样“睁眼说瞎话”，预测出不可能的结合模式。

这就像学生考试只会背题，换个题型就懵了，AI现在就处在这个阶段，根本没理解背后的逻辑。

巴塞尔大学的利尔教授也说了，AI碰到和训练数据不一样的蛋白质，立马就失效，可偏偏新药开发最需要的就是攻克这些全新靶点。

诺奖AI遇新靶点就“歇菜”，药企踩坑不是少数

聊完AI的核心问题，就得说说这事儿对药企的影响了。

现在搞创新药，大家都盯着全新的蛋白质靶点，比如治癌症、神经退行性疾病的那些。

可这些靶点偏偏和现有数据库里的结构差得远，正好撞在AI的短板上。

有个事儿挺典型，2023年有家跨国药企，靠AI设计了一款肺癌药。

本来以为能成，结果到了II期临床试验，发现这药根本没效果，直接终止了项目，光损失就超过1.5亿美元。

后来查原因，才知道是AI预测的结构有问题，他们又太信AI，没做足够的实验验证，最后坑了自己。

更麻烦的是，AI这东西还是个“黑箱”，你搞不清它是怎么得出结论的。

有时候它给出的蛋白质-药物复合物结构，看着挺合理，可背后可能全是错误的物理假设。

碰到全新靶点，连个参考标准都没有，你根本没法判断AI说得对不对。

如此看来，药企要是光靠AI做决策，风险确实太大了。

我倒觉得，不是说AI不能用，而是不能迷信。

很多时候，研发团队可能觉得有了AI就能省步骤，跳过一些实验验证，可恰恰是这些步骤，能帮他们避开大坑。

毕竟新药开发不是小事，花的钱、耗的时间都不少，一步错可能就满盘皆输。

想救药物AI？得让它懂“物理”，不是光记数据

既然AI有这么大的短板，那有没有解决办法呢？利尔教授提了个思路，挺靠谱的把物理化学定律直接嵌到AI模型里，让它基于真实的分子相互作用原理去预测，而不是光靠记数据。

这种思路叫“物理信息神经网络”，之前在流体力学、材料科学里已经试过了，效果不错。

放到药物设计里，就是让AI考虑静电相互作用、氢键这些实际影响结合的因素，还有蛋白质本身的动态变化。

2024年麻省理工学院搞了个“PhysioDrug-AI”模型，就用了这办法，在全新抗菌药物靶点预测上，比传统AI准了不少，还能说清结合的原理，这就比之前的“黑箱”强多了。

还有种办法是搞“混合模型”，把AI的速度和物理模型的准确性结合起来。

比如用第一性原理计算分子相互作用的底层逻辑，再让AI处理复杂数据、加快计算速度。

斯坦福大学2024年也做过一个，算蛋白质和配体的结合能时，比纯物理计算快了100倍，准确率也没降多少。

不过不管用哪种新模型，有个环节绝对不能少实验验证。

巴塞尔大学的研究也强调，不管AI多先进，最后都得用物理化学实验去验证，比如X射线晶体衍射、核磁共振这些方法，或者用第一性原理做计算验证。

本来想觉得AI能完全替代实验，后来发现根本不可能，只有形成“AI预测-实验验证”的闭环，才能保证结果靠谱。

毫无疑问，巴塞尔大学的这项研究，算是给整个行业提了个醒。

AI在药物设计里确实有潜力，但现在的技术还不够成熟，没法完全依赖。

未来要做的，就是让AI从“死记硬背”变成“理解原理”，再加上严格的验证流程，这样才能真正帮上创新药开发的忙。

毕竟攻克那些复杂疾病，靠的还是扎实的科学，不是花架子技术。