概述
模型结果是一种研究假设或优先级排序信号，而非临床安全性或有效性的证据。
深入探讨
AlphaFold 预测蛋白质结构，而 AlphaFold 3 将结构预测扩展到涉及蛋白质、核酸、小分子和其他组分的生物分子复合物。MoleculeNet 描述了基于分子表示（包括图和 SMILES）的机器学习任务。Deep Docking 展示了一种虚拟筛选方法，利用预测结果来减少需要进行昂贵对接计算的化合物数量。DeepTox 及后续的分子生成研究解决了毒性预测和候选物生成的问题；这些方法并不能确立化合物的安全性、有效性或临床成功。FDA 描述了在人体临床研究之前进行的临床前测试和 IND（新药临床试验申请）流程。
现实世界的实施
使用 AlphaFold 预测蛋白质结构，如其论文和资源数据库中所报道的那样。
使用 AlphaFold 3 预测蛋白质、核酸、小分子和其他生物分子之间的结构及相互作用。
在分子学习基准中，将分子表示为图或 SMILES 字符串。
使用虚拟筛选为实验测试确定化合物的优先级，并将预测结果视为不确定的。
人工智能在药物发现中的未来
在前瞻性、与靶点相关的数据上评估筛选和生成方法，并报告实验确认率。遵循临床前和人体研究的监管要求；只有在获得与任务相称的证据后才移除候选物，而不是将模型分数视为最终决定。
付诸实践
为什么这很重要
- 背景与规则. 行业背景决定了人工智能创意能否与现实接触。
- 质量控制. 领域约束会影响可接受的错误率和监督模型。
- 构建选择. 成功的部署使技术能力与一线工作流程保持一致。
留意
- 监管要求可能会使原本强大的原型失效。
- 历史数据可能会编码损害特定社区的偏见。
- 遗留系统可能会造成集成瓶颈和隐性成本。
后续步骤
- 让领域专家参与从问题框架到评估的整个过程。
- 在启动前设计审计跟踪和文档。
- 尽早验证合规性和安全义务。
- 分阶段推出，并具有明确的停止和回滚标准。
不断探索
常见问题
什么是药物研发中的 AI？
AI 方法可以支持药物研发的多个阶段，包括蛋白质结构预测、分子性质预测、虚拟筛选和分子生成。模型结果是一种研究假设或优先级排序信号，而非临床安全性或有效性的证据。
DeepMind 的 AlphaFold 在帮助药物发现方面取得了哪些成就？
AlphaFold 使用深度学习大规模预测蛋白质 3D 结构，为研究人员提供了之前需要多年实验的结构蓝图。
机器学习模型中分子通常如何表示？
分子本质上是由图神经网络处理的图（原子=节点，键=边），或者编码为序列模型的SMILES字符串。
什么是人工智能药物发现中的“虚拟筛选”？
虚拟筛选使用模型在计算机上对巨大的分子库进行评分，因此只有最优秀的候选者才会在实验室中进行制造和测试。
在早期候选物评估中，ADME 或毒性预测可以贡献什么？
计算 ADME/毒性预测可以为后续研究确定化合物的优先级；它们是模型输出，不能确立安全性，也不能替代实验测试。
哪些生成式人工智能技术用于设计新颖的分子？
VAE 和扩散模型等生成模型从学习的化学空间中采样新结构，优化所需的特性。