AI 驱动的药物设计：从蛋白质折叠到生成式化学

在现代药物研发的漫长历史中，化学家与生物学家始终面临同一个难题：如何从上亿个可能的分子中，快速找到那个能精准结合靶点、安全有效的候选药物。传统药物发现流程耗时 10 年以上、耗资数十亿美元，且失败率超过 90%。而今，人工智能正在从根本上重塑这一流程。

从 AlphaFold 到结构生物学革命

2020 年，DeepMind 的 AlphaFold 2 在 CASP14 竞赛中取得突破性进展，其预测蛋白质三维结构的准确度达到接近实验水准。2026 年 5 月，AlphaFold 4 进一步攻克了跨膜蛋白——这类占所有药物靶点约 60% 的蛋白质家族的结构预测难题，准确率较前代提升 35%。这意味着，AI 现在已经能够预测绝大多数人类蛋白质的结构，为药物设计提供了前所未有的结构基础。

蛋白质的结构决定了其功能。当科学家知道了某个疾病相关蛋白质的精确三维结构，就可以像钥匙配锁一样，设计能够特异性结合该蛋白质的小分子药物。这就是结构基础药物设计（SBDD）的核心思想。

生成式化学：从筛选到创造

传统药物发现依赖于对现有化合物库的筛选——从天然产物或已知分子中寻找苗头化合物。生成式 AI 则走得更远：它可以直接设计全新的分子结构。2026 年，以 Diffusion Model 和 Flow Matching 为核心的分子生成模型已经成为主流。这些模型通过学习海量已知药物分子的分布规律，能够生成满足多重约束（亲和力、选择性、溶解度、毒性等）的全新分子。

更具革命性的是共同设计（co-design）范式：AI 同时生成蛋白质靶点和与之匹配的小分子配体，在概念上类似于 AI 图像生成中的文生图，只不过这里的提示词是疾病表型和结合亲和力要求。

从虚拟到现实：闭环验证

AI 设计的分子终究需要在湿实验中验证。2026 年的前沿研究正致力于构建AI-实验闭环：AI 设计一批候选分子 → 自动化实验室合成并测试 → 结果反馈给 AI 模型 → 下一轮更精准的设计。这一闭环将药物发现周期从数年压缩至数月。

然而挑战依然存在。AI 模型在分布外（out-of-distribution）分子上的泛化能力仍然有限；生成模型生成的分子有时存在合理性幻觉——在化学上并不可行。将物理学约束（量子化学计算）深度融合进 AI 模型，被认为是下一阶段的关键突破方向。

从 AlphaFold 破解蛋白质结构密码，到生成式化学创造全新分子，AI 正在将药物设计从一门艺术转变为可预测、可量化的工程学科。这或许是化学与生物学交汇处，这个时代最令人兴奋的前沿。