在药物研发中，AI 在模拟药物分子或配体的相互作用以及调整药物分子结构方面发挥 重要作用。
AI 能够提高药物-靶点相互作用（DTI）的研究效率，利用分子对接和虚拟 筛选技术如 AUTODOCK VINA，以及深度学习模型如 OnionNet-SFCT 来预测配体与靶蛋 白的结合能量和几何形状，结合分子动力学模拟以提高预测准确性。另外， AI 能够通 过深度学习生成模型来调整药物晶体结构，以提高溶解度和生物利用度。生成模型如 变分自编码器和生成对抗网络，通过学习已知分子特征生成新晶体结构，改善药物性 能并识别新的治疗候选物。例如，通过 GCN 筛选共晶体，显著提高了 bexarotene 的溶 解度和血浆暴露。生成模型还用于设计新的抗病毒抑制剂，展示了良好的靶点选择能 力。
在药物研发中，对候选药物进行计算机模拟评估十分重要。这包括确定针对特定疾病 （如帕金森病中的腺苷受体）的靶蛋白，并研究其与候选药物分子或配体的相互作 用。分子对接通常用于确定最有前途的药物候选物，它从配体和蛋白质的 3D 结构出 发，预测稳定的配体-蛋白质复合物的几何形状和结合自由能。 人工智能提高对药物-靶点相互作用（Drug-target interactions DTI）的研究效率，提高 了配体对接预测精度。分子对接和虚拟筛选技术，如 AUTODOCK VINA，通常用于确定 最有研究价值的 DTI。深度学习（DL）模型可以补充并有可能替代当前的配体-蛋白质 结合筛选策略。结合使用 MD 和分子对接的方法已经在多个研究中展示出其有效性。 ML-based SF 模型能够建模非线性结合相互作用，例如 OnionNet-SFCT 方法，它结合了 传统 VINA 评分函数和基于随机森林模型的修正，显著提高了对接预测的准确性。
分子对接和虚拟筛选在预测药物-靶点相互作用（DTI）中的应用：它强调了这些方法 如何通过 3D 结构来确定候选药物与蛋白质之间的结合能量。其展示了深度学习模型 如何通过使用策略来选择合适配体。此外，使用分子动力学模拟来评估药物-蛋白质 复合物的稳定性，尽管计算成本高，但可以提供时间依赖的轨迹和自由能计算。图中 强调了将 MD 与分子对接结合使用，以提高 DTI 预测的准确性。
药物的晶体结构影响其溶解度和生物利用度。深度学习研究使用生成模型预测晶体结 构，并通过变分自编码器和深度神经网络捕捉结构和能量特征，从而生成新晶体结 构。这些模型还考虑分子柔性，通过主动学习提高预测准确性。此外，共晶体的制备 可以提高药物的溶解度，例如bexarotene（BEX）的共晶体溶解度显著提高。生成模型 还用于设计新的治疗候选物，成功识别出有效的抗病毒抑制剂。 在某些情况下，制备由低溶解度药物和另一分子组成的共晶体可以改善其溶解度。例 如，FDA批准的用于治疗皮肤T细胞淋巴瘤的药物bexarotene（BEX）通过GCN（Graph convolutional networks）深度学习模型筛选共晶体，最终制备了 BEX-吡嗪和 BEX-2,5-二 甲基吡嗪共晶体，这些共晶体的溶解度和血浆暴露分别比商业化的 BEX粉末提高了1.7 倍和 1.8 倍。最后，生成模型还可以生成新的治疗候选物的坐标，已识别出针对病毒 蛋白的共价和非共价抗病毒抑制剂，这些生成的结构在针对靶点选择方面表现出良好 的相互作用。
GCN 模型通过生成新的分子结构来设计新的药物化合物。具体来说，上图中描述的工 作流程从功能基团开始，通过生成模型生成新的分子结构，这些结构具有潜在的药物 活性。生成模型使用变分自编码器（VAE）和生成对抗网络（GAN）等技术，通过学 习已知分子的特征来生成新的分子结构。这些生成的新结构可以进一步用于药物开发 过程中的虚拟筛选和优化，以找到具有潜在用途的新化合物。 通过对药物分子结构数据以及可治疗病症的进一步了解，旧药新用将成为可能并短期 内迅速进入临床阶段。人工智能技术可以分析大规模生物医学数据和门诊数据，以确 定可能对不同疾病具有治疗潜力的现有药物。通过将已批准的药物重新用于新的适应 症，人工智能将通过旧药新用的方式加速药物发现过程，同时降低研发成本。
传统临床试验可能存在个体差异，AI 模型计算高效弥补了这一缺陷。药物开发是一个 复杂的过程，包括药物发现、前临床研究、临床试验和监管审批。药代动力学(PK)和 (药效动力学) PD 是药物开发中的关键方面，它们决定了药物在体内的最佳剂量、给药 途径和安全性。传统的 PK 和 PD 研究方法耗时且昂贵，并且可能无法提供药物效力和 安全性的准确预测。传统上，PK 和 PD 研究通过动物研究和人体临床试验进行，但这 些方法存在伦理问题、样本量限制和个体差异等关键挑战。此外，这些研究可能无法 始终准确预测人体的药物 PK 和 PD。为了解决这些限制，已经开发了计算模型和 AI 方 法，以更快、更经济和更准确地预测药物的 PK 和 PD。 AI 在 PK、PD 和药物发现领域显示出巨大的潜力。借助强大的计算能力和机器学习算 法，AI 已经成为预测和优化药物 PK 和 PD 的宝贵工具。尽管大数据和可靠数据集的挑 战不容忽视，AI 可以为 PKPD 研究和其对疗法的影响开辟新途径。
AI 在 PKPD 研究中能够通过计算而减少动物研究的数量，提高临床实验效率。药代动 力学研究包括吸收（A）、分布（D）、代谢（M）和排泄（E）研究，而药效动力学 研究则包括药物对靶点的作用。理解药物分子及其分布的影响需要大量计算，任何小 的计算错误或遗漏的数据集可能导致严重错误。AI 能够加速复杂计算，避免遗漏数 据，并提供更准确、快速且成本效益高的结果。它可以将复杂数据转换为易于理解和 展示的图表，有助于识别问题的根本原因。此外，AI 还可以通过计算不同条件下（如 酶、疾病状况、剂量差异、患者数据等）的影响，减少动物研究的数量，从而减少临 床试验中所需的动物数量。
