Covid-19全球大流行清晰地揭示了一个紧迫问题：当全新病毒突然出现时，我们能否更快地找到有效治疗方案？快速响应新型疾病、发现高效疗法，历来充满挑战。传统药物发现如同大海捞针，依赖大规模实验逐一探明化学空间的每个角落。即使采用自动化高通量筛选，为新疾病设计可靠的检测方法并大规模运行实验，也需耗费数月之久。

这正是人工智能（AI）技术能够大显身手的领域。AI有望从根本上颠覆分子药物的寻找方式——更快、更精准，且能大规模识别出有潜力的候选分子。为将这一构想转化为现实，科研界发起了名为“AI Cures”的计划，旨在降低参与门槛，使不同背景的研究者都能贡献力量。通过公开共享数据、关键分析方法和算法，我们致力于探索AI在哪些环节能真正发挥作用。当然，科学标准绝不能妥协，透明的分析也有助于提前预判潜在错误与负面影响。

在AI的众多能力中，最简单的莫过于预测化合物属性。算法可以学习实验分析结果，例如某种化合物处理后的细胞能否抵御病毒感染。一旦学会，算法便能快速、低成本地扫描数百万种化合物，锁定潜在候选药物。关键在于，AI需要依赖数据学习，但其所需的数据量往往远少于传统实验研究。直白地说，算法天生是“投机者”——它只关注分子特征与测量结果之间是否存在一致的统计模式。初始数据中的信号越强越清晰，做出准确预测所需的数据就越少。在我们此前关于抗生素的研究中，正是利用了这一特性。

另一个极具价值的应用方向是“老药新用”。目前市面上通过临床试验的化合物大约只有一万种，其中不少已在针对Covid-19进行测试。各种病毒抑制实验的结果之间存在显著差异，但有趣的是，这种差异恰恰为AI工具提供了发挥空间——它可以调和不同细胞类型、细胞系和实验方案之间的冲突，从看似杂乱的数据中挖掘出规律。

然而，单靠一种药物往往难以取胜。许多已知的抗病毒疗法，例如治疗HIV的鸡尾酒疗法，依赖的是药物组合而非单一化合物。为什么要使用组合药物？原因多样：增强疗效（同时靶向不同通路与过程）、减轻副作用，或调节人体免疫反应。要找到最佳组合，理想情况下需进行大规模筛选，同时用多种剂量的候选化合物处理受感染细胞。问题在于，搜索空间呈组合爆炸式增长，传统实验方法根本无法系统完成。这正是AI与机器学习工具真正发挥威力的领域。它们不仅能从有限数据中推测出哪些组合可能有效，还能反向告诉科学家最值得优先实验的组合。实际上，AI算法与实验筛选之间形成了高度协同的关系。