东北证券研究所报告深入分析了人工智能在药物发现环节的应用。基于结构的药物发现（SBDD）在药物筛选新技术中占比51.2%占据主导地位。人工智能可有效提高虚拟筛选的效率，RosettaVS平台在七天内针对两个靶点分别发现7个和4个苗头化合物。AI辅助药物开发（AIDD）凭借更高的研发效率、更为自动化及智能化的运作方式，获得空前关注，可视为CADD的演进与补充。深度学习算法（GAN、RNN、VAE等）驱动药物从头设计，产生新的类药化合物。

随着生命组学、系统生物学、结构生物学以及高性能计算、大数据分析、人工智能等信息技术深度融入药物研发，小分子药物筛选新技术不断更新。对2022年至今Journal of Medicinal Chemistry期刊文章统计，SBDD占比51.2%居主导，FBDD占19.5%，HTS占17.4%，DEL占4%，PROTAC占6.3%。

SBDD模拟蛋白质如何与小分子相互作用产生生物效应，被认为在产生候选药物方面更为有效。主要方法包括虚拟筛选（对化合物库评估和排名，选择最有前景的化合物进行后续实验验证）和分子生成（设计新化学实体，超越现有化合物库局限性，扩展化学空间）。虚拟筛选在计算机辅助药物设计（CADD）中起到关键作用，是从化学数据库中选择有前景化合物的计算方法，可被视为高通量筛选对应的计算方法。

人工智能可以有效提高虚拟筛选的效率。RosettaVS是一种高度精确的基于结构的虚拟筛选方法，用于预测对接姿势和结合亲和力，被整合到一个新的开源人工智能加速虚拟筛选平台中。该平台在七天内针对两个无关靶点KLHDC2和NaV1.7，分别发现7个和4个苗头化合物，证明了人工智能可以加速新药发现和药物设计的进程。

虚拟筛选在CADD中发挥核心作用。CADD以量子力学和分子生物学为基础，借助计算机图形学、分子建模技术与虚拟高通量筛选等关键技术，模拟和预测药物与靶标分子之间的作用。人工智能辅助药物开发（AIDD）可视为CADD的演进与补充，采纳了更智能、更自动化、更能减少人工介入的AI算法，因此大大节省时间和成本。

人工智能技术被引入药物设计领域时，药学家们主要采用神经网络直接应用于药物分子的生成，即基于网络的分子生成模型，依赖于神经网络学习分子的各种属性，进而生成新的化合物。在AI驱动药物从头设计过程中，可使用不同化合物、靶点和药物-靶点相互作用的数据库来训练AI模型，如生成对抗网络（GAN）、递归神经网络（RNN）、变分自编码器（VAE）等，这些模型产生新的分子，随后对其化学有效性、合成可行性和类药性进行评估，最终鉴定出新的类药化合物。

AIDD凭借更高的研发效率、更为自动化及智能化的运作方式与流程、更短耗时与更低成本获得空前关注。与CADD对专业人员与传统实验手段较为依赖不同，AIDD通过AI算法大幅减少人工介入，在药物发现效率上具有显著优势。

深度学习算法近年来发展迅速。卷积神经网络（CNN）主要用于处理图像数据；递归神经网络（RNN）用于处理序列数据；图神经网络（GNN）把数据抽象成节点和边并表示为图进行建模；生成对抗网络（GAN）在生成逼真的合成样本方面取得显著成就；变分自编码器（VAE）由编码器和解码器组成，将高维数据映射到低维连续潜在空间；扩散模型通过学习逆向扩散过程从噪声中构造所需数据样本；Transformer模型是强大的语言模型，在2020年CASP比赛中被用于AlphaFold2实现蛋白质结构预测的突破。

这些算法的持续演进为药物发现提供了日益强大的技术工具，有望在靶点识别、虚拟筛选、分子生成、ADMET预测等环节发挥更大作用。

技术	占比	优点	AI应用潜力
SBDD	51.2%	成本低，命中率高，可预测结合能力	虚拟筛选加速，RosettaVS平台验证
FBDD	19.5%	命中率高，筛选速度快	片段优化加速
HTS	17.4%	标准化，自动化程度高	数据分析加速
DEL	4.0%	库容量巨大，效率高	数据解码与优化
PROTAC	6.3%	靶向“无成药性”蛋白	分子设计优化