尽管人工智能在图像识别等领域已展现出卓越能力，但在药物发现这一领域，它仍处于“刚起步”的初级阶段。目前，AI在药物研发中的主要应用仍较为有限：例如，为已知化合物寻找类似物、进行构效关系分析、预测部分物理化学性质等。而对于传统技术感到棘手的难靶点问题、先导化合物的发现，以及多维度成药性评估等关键环节，AI能够真正发挥作用的案例依然较少。尤其是在First-in-class功能化合物发现和体内功效预测这些“硬骨头”面前，AI的潜力远未得到充分释放。因此，核心问题在于：我们究竟应该用哪些科学问题来“训练”AI，又该针对哪些成药指标建立模型？这才是撬动AI在药物研发中实现突破的关键支点。
图1 药物研发流程
现代药物研发流程是行业经过多年探索形成的一套标准化规范，正是这套规范推动着人类在新药研发领域持续取得进展。传统模式虽然功不可没，但其弊端也十分突出：过度依赖研发人员的个人经验和创造力，导致研发周期漫长、成本高昂、效率低下。当然，现阶段的人工智能和计算技术并不能解决所有难题，但作为技术工具，只要数据充足、条件适宜，就能发挥实际作用。事实上，计算技术早已广泛应用于药物研发的多个环节。目前，国内AI制药产业的布局主要集中在早期药物发现和临床前开发阶段，且以小分子药物为主要方向[1]。
图2 人工智能在药物研发上的应用
在具体细分环节中，AI已渗透至靶点发现、分子生成、活性预测、ADME/T性质预测、化合物合成、药物晶型预测、药物剂型预测等多个领域。其中，分子生成、活性预测以及ADME/T性质预测是药物发现的核心环节，也是当前企业关注度最高的几个方向。
药物靶点
药物靶点，简单来说就是药物在人体内发挥疗效时所结合的“锚点”。现代新药研发的关键第一步，便是寻找并确认靶点。能否发现一个新颖且有效的药靶，直接关系到新药开发的成败。
分子生成
在传统药物发现流程中，一个全新药物分子的诞生往往依赖药物化学专家的经验与直觉。然而，可成药的化学空间据说高达1023到1060这个量级，传统方法只能在这片浩瀚空间中的极小区域进行探索，导致研发周期和成本居高不下，分子多样性也受到严重限制。分子生成模型的出现开辟了一条全新路径：通过设定各种约束条件，逆向生成符合要求的新分子。深度生成模型在自然语言处理（NLP）、计算机视觉（CV）等领域已相当成熟，常见的模型包括自回归模型（AR）、变分自编码器（VAE）、生成对抗网络（GAN）、流模型（Flow），以及基于能量的模型（EBM）、扩散模型（Diffusion Model）等。
目前，基于图的生成模型大致分为两类：一类是顺序迭代生成，另一类是一次性生成。具体又可细分为逐原子生成和基于子图（片段）的生成。得益于图结构本身的优势以及图神经网络的发展，基于图的生成模型如今在分子设计中占据主导地位。但挑战依然存在——随着节点数量增加，计算量至少会按节点数的平方增长，导致精确似然估计变得困难。因此，如何更好地解决节点排序问题，对于生成高质量的分子至关重要[2]。
活性预测
传统上，测定化合物活性主要依赖动物活体实验和体外检测，面对海量化合物库，时间与成本都高得惊人。现代方法则通过建立定量构效关系（QSAR）模型，利用数学手段预测未知化合物的活性。随着计算机数据挖掘技术的进步，机器学习已成为提升活性预测效率的热门方案。不过，目前大部分已有研究仍采用浅层机器学习算法，在样本量和算力有限的情况下，对复杂问题的泛化能力往往不足，难以学习到更深层、更有用的特征[3]。
从当前的发展阶段来看，AI制药仍然离不开人类专家的深度参与。例如，鉴别数据质量、界定AI需要解决的具体问题、评估AI给出的方案是否合理——这些关键环节，依然需要依靠人的专业判断力来把关。