据小易智创xiaoyizc.com（不可错过的AI创业项目）观察：药物研发历程漫长且复杂，而“先导化合物的发现”是其中至关重要的一步。面对如山般繁多的化合物、靶点信息稀缺以及作用机制不明的重重困境，人工智能将在这一过程中展现出何种力量？
在2024浦江创新论坛上，上海国际计算生物学创新大赛向业内精英提出了一个挑战：筛选出对NMDA受体亚型GluN1/GluN3A具有强烈活性的药物分子。上海科技大学的GeminiMol团队以其独特的人工智能模型脱颖而出，该模型将化合物的成药性与构象空间信息相融合，精确描绘药物分子的特性，显著提升了药物筛选的命中率。凭借这一开创性的方法，该团队筛选出的分子在所有参赛者中表现最为卓越，最终斩获一等奖，荣登总分榜首。
“尽管人工智能带来的变革尚在初步阶段，但它已经显示出无与伦比的潜力。”上海科技大学研究员白芳指出，传统计算生物学依赖于物理模型驱动，需将生物现象转化为数学公式，而人工智能则改变了这一格局。“即便没有精准的物理模型，人工智能仍然能够通过数据驱动的方法，将生物或物理现象直接映射到所需的结果。这种‘黑箱’特性赋予人工智能极高的应用潜力，同时也限制了模型的解释性和可控性，犹如一把双刃剑。”
为何选择NMDA受体亚型GluN1/GluN3A作为研究对象？记者了解到，NMDA受体是众多神经疾病的热门靶点，与脑卒中、抑郁症、癫痫、阿尔茨海默病及疼痛等多种疾病息息相关。而此受体亚型GluN1/GluN3A尚未被广泛开发，关于其蛋白结构及小分子调节剂的信息极其匮乏。
可以将受体比作门锁，而药物分子便是打开这把锁的钥匙。在不了解锁孔形状的情况下寻找钥匙，难度不言而喻。
过去，研究人员普遍采用高通量生物实验方法筛选药物分子，这个过程犹如大海捞针。计算生物学则通过模拟与计算加速了这一进程。简而言之，计算生物学利用计算机技术研究生物学，而深度学习等人工智能技术则能够通过“干实验”（计算模拟）在大量化合物中筛选出潜在药物分子，为生物学的“湿实验”（生物实验）大幅缩小了范围。
药物分子的生物功能与其多变的三维构象及蕴含的药效信息紧密相关。GeminiMol团队开发的人工智能模型通过对比学习，将构象空间信息融入分子特征，有效提升了筛选效率。总之，人工智能在药物开发中的应用前景无比广阔，未来可期。
相关文章
