2025年，DrugAI公众号持续跟踪并系统报道了浙江大学药学院侯廷军教授课题组(http://cadd.zju.edu.cn)在人工智能药物发现方法学领域的重要研究进展。相关工作围绕AI驱动药物研发的关键科学问题展开，重点覆盖深度分子生成模型、AI分子对接、化学反应预测与自动化合成规划、物理引导计算模型、生物序列基础模型以及免疫与抗体工程等多个前沿方向，形成了贯穿药物设计、作用机制预测、合成路径规划及生物功能评估的完整研究体系。
在分子生成方向，研究人员提出多种基于生成式深度学习与大语言模型的分子设计方法，使模型能够在复杂化学空间中实现可合成分子的高效生成与多目标优化；在结构预测与分子对接方面，相关研究结合扩散生成模型、几何深度学习以及物理约束建模策略，实现了蛋白–配体及蛋白–多肽相互作用的更高精度预测；在反应预测与合成规划领域，研究人员开发了面向自动化有机合成的智能平台，使AI能够参与从目标分子设计到反应路径搜索的全过程决策。
此外，在基础模型方向，课题组围绕核酸序列、生物多组学数据及单细胞信息构建通用生命科学基础模型，为跨任务迁移学习和多模态生物数据理解提供了统一表示框架；在免疫与抗体工程领域，相关研究通过结构引导图神经网络和对比学习策略，实现了抗体优化与免疫原性预测能力的显著提升。
上述研究成果陆续发表于Chemical Reviews、Nature Machine Intelligence、Nature Computational Science、Nature Communications、JACS 、Science Advances等国际高水平学术期刊，体现出人工智能技术在药物发现领域正由单一算法探索向系统化平台构建转变，并逐步实现与真实药物研发流程的深度融合。DrugAI公众号通过对这些工作的持续解读与传播，不仅系统展示了团队在AI药物研发领域的创新进展，也为相关研究人员提供了重要的技术参考与发展视角。
人工智能引导的药物发现
核酸/单细胞基础模型
Nat. Commun. | mRNABERT：基于双重词元化和跨模态对比学习的通用mRNA大模型
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢