AI 辅助药物发现入门¶

1. 一句话说明¶

AI 辅助药物发现（AI-Aided Drug Discovery, AIDD）是利用机器学习和深度学习技术加速药物研发全流程——从靶点发现、先导化合物筛选、ADMET 预测到临床试验优化——将传统需要 10-15 年、耗资 10-26 亿美元的新药研发周期大幅压缩。

2. 传统药物发现流程 vs AI 加速：白话对比¶

2.1 传统流程（像大海捞针）¶

传统新药研发被称为"双十工程"——平均耗时 10+ 年、花费 10+ 亿美元，且成功率极低（进入临床试验的候选药物仅约 10% 最终获批上市）。

传统流程（串行，每步都慢）：

靶点发现（2-3年）→ 先导化合物筛选（1-2年）→ 先导优化（1-2年）
  → 临床前研究（1-2年）→ 临床I/II/III期（5-7年）→ 审批上市

白话：就像从 一亿颗沙子 里找一颗金子。科学家先猜哪个蛋白可能是"坏蛋"（靶点），再从化合物库（几百万个分子）里一个一个试哪个能"治住坏蛋"，试完还要看毒性、吸收、代谢……每一步都靠实验，贵且慢。

2.2 AI 加速流程（像用金属探测器找金子）¶

AI 加速流程（并行 + 预筛选，大幅提速）：

靶点发现（AI文献挖掘+多组学整合，数周）
  → 虚拟筛选（AI 从十亿分子中筛出 Top 1000，数天）
  → ADMET 预测（AI 模型秒级预测毒性/吸收/代谢）
  → 先导优化（生成式 AI 设计新分子）
  → 临床试验优化（AI 预测患者分层/最佳剂量）

白话：AI 不是"替代"科学家做实验，而是帮你 缩小搜索范围。就像你以前在图书馆翻遍每一本书找答案，现在有了搜索引擎——你还是要亲自读，但搜索引擎帮你定位到了最可能的几本。

2.3 关键数据对比¶

3. AI 在药物发现各阶段的应用¶

3.1 靶点发现（Target Discovery）¶

做什么：找到疾病相关的"关键蛋白"作为药物打击目标。

AI 怎么帮： - 多组学整合：用深度学习整合基因组、转录组、蛋白组、代谢组数据，发现传统分析遗漏的靶点 - 知识图谱：构建"疾病-基因-蛋白-药物"关系网络，用图神经网络（GNN）推理潜在靶点 - 文本挖掘：NLP 模型（如 BioBERT、PubMedBERT）自动从海量文献中提取蛋白-疾病关联

白话：以前靠科学家读 paper 凭经验猜靶点，现在 AI 能一次性"读"完 3000 万篇论文 + 百万条组学数据，帮你列出最可疑的靶点排行榜。

代表工具：BenevolentAI 平台、Open Targets（https://www.opentargets.org/）

3.2 先导化合物筛选（Hit/Lead Discovery）¶

做什么：从海量化合物中找到能跟靶点结合的"种子分子"。

AI 怎么帮： - 虚拟筛选（Virtual Screening）：用分子对接（Docking）或机器学习模型预测分子与靶点的结合能力，从数十亿化合物中快速筛选 - 生成式模型：用 VAE（变分自编码器）、GAN、扩散模型直接"发明"新分子，不局限于已有化合物库 - 主动学习（Active Learning）：AI 预测 → 实验验证 → 反馈给 AI → 迭代优化，形成智能筛选闭环

白话：传统是"挨个试"，AI 是"先算算哪些最有戏，只试那些"。甚至 AI 能"自己画"出自然界不存在的新分子。

代表工具：AutoDock Vina（分子对接）、DiffDock（深度学习对接）、REINVENT（生成式分子设计）

3.3 ADMET 预测（药代动力学性质）¶

ADMET 全称：Absorption（吸收）、Distribution（分布）、Metabolism（代谢）、Excretion（排泄）、Toxicity（毒性）

做什么：预测候选药物在人体内的行为——吃下去能不能吸收？会不会有毒？能不能被肝脏代谢掉？

AI 怎么帮： - 用分子特征（描述符/指纹/图结构）训练预测模型 - 常见预测任务：溶解度（LogS）、脂水分配系数（LogP）、血脑屏障穿透性（BBB）、hERG 毒性（心脏毒性）、CYP450 抑制（药物相互作用） - 多任务学习：一个模型同时预测多个 ADMET 端点，共享分子表征

白话：以前要做几十种实验才知道一个药"能不能用"，现在 AI 看一眼分子结构就能给出初步判断——毒性高的直接淘汰，省得白做实验。

代表工具：DeepChem（ADMETNet）、ADMET-AI（MIT 2024 开源）、pkCSM（在线预测）

3.4 临床试验优化（Clinical Trial Optimization）¶

做什么：提高临床试验效率，降低失败率。

AI 怎么帮： - 患者分层：根据基因组/生物标记物数据，AI 将患者分为"最可能响应"和"最可能无效"两组，精准招募 - 剂量优化：用 PK/PD 模型 + 强化学习预测最佳给药方案 - 试验设计：自适应试验设计（Adaptive Trial Design），AI 根据中期结果动态调整试验参数 - 终点预测：预测哪些试验最可能成功/失败，帮药企优化研发管线

白话：以前临床试验是"招一群人吃药看效果"，现在 AI 帮你"找最对的人、给最对的量、用最聪明的试验方案"。

4. 分子表示方法（如何让计算机"理解"分子）¶

AI 模型不能直接"看到"分子，需要把分子转成计算机能处理的数字形式。这就是分子表示（Molecular Representation）。

4.1 SMILES 字符串¶

全称：Simplified Molecular Input Line Entry System

原理：用一行 ASCII 字符串表示分子结构，类似分子的"一维文字描述"。

# SMILES 示例
水：O
乙醇：CCO
苯：c1ccccc1
阿司匹林：CC(=O)Oc1ccccc1C(=O)O
咖啡因：Cn1c(=O)c2c(ncn2C)n(C)c1=O

规则： - 大写字母 = 脂肪族原子（C, N, O），小写 = 芳香族（c, n, o） - = 双键，# 三键 - 括号 () 表示分支 - 数字成对出现表示环（如 c1ccccc1 = 苯环，1 和 1 连接成环）

白话：SMILES 就像给分子写了个"文字编码"。就像你用文字"两个氢一个氧"描述水分子一样，SMILES 用字符 O 来表示。

优点：简洁、通用、可直接送入 NLP 模型（Transformer）

缺点：同一个分子可能有多种 SMILES（非唯一），需要 Canonical SMILES 标准化

4.2 分子指纹（Molecular Fingerprint）¶

原理：把分子转成一个固定长度的 二进制向量（0/1 串），每一位代表"有没有某个子结构"。

分子指纹示例（简化版，实际通常 1024/2048 位）：

阿司匹林 → [1, 0, 1, 1, 0, 0, 1, 0, ...]  （长度 2048）
    位 0 = 含苯环？ → 1（是）
    位 1 = 含氨基？ → 0（否）
    位 2 = 含酯键？ → 1（是）
    ...

常见类型： | 指纹类型 | 特点 | 适用场景 | |----------|------|---------| | Morgan/ECFP | 基于原子环境，圆形子结构 | 活性预测、相似性搜索（最常用） | | MACCS Keys | 166 个预定义子结构 | 快速粗筛 | | RDKit Fingerprint | 基于路径 | 通用化学信息学 | | Topological Torsion | 基于扭转角 | 3D 相关性质预测 |

白话：分子指纹就像给每个分子拍了张"X光片"——不看细节，只看"有没有苯环、有没有氨基、有没有羟基"这些特征，然后用 0/1 编码。两个分子的指纹越相似，它们的性质越可能相似。

4.3 3D 构象（3D Conformation）¶

原理：分子不是平面的，用每个原子的三维坐标 (x, y, z) 完整描述分子的空间形状。

3D 构象表示：
原子1 (C): x=1.23, y=0.45, z=-0.67
原子2 (O): x=2.11, y=0.98, z=-0.32
原子3 (N): x=0.56, y=-1.02, z=0.89
...

应用场景：分子对接（Docking）——药物分子要像"钥匙插入锁孔"一样嵌入蛋白质口袋，必须考虑 3D 形状匹配。

白话：SMILES 和指纹都是"平面照片"，3D 构象是"立体模型"。药物跟蛋白质结合是 3D 的事，所以对接计算必须用 3D。

4.4 分子图（Graph）+ 图神经网络（GNN）¶

原理：把分子看作一个图（Graph）——原子是节点（Node），化学键是边（Edge）。

分子图表示：
节点特征：原子类型、电荷、杂化方式、是否在环中...
边特征：键类型（单/双/三/芳香）、是否在环中、键长...

乙醇 CCO 的图：
  C ——（单键）—— C ——（单键）—— O
  节点=[C, C, O]
  边=[(0,1,单键), (1,2,单键)]

GNN 模型： | 模型 | 特点 | 论文 | |------|------|------| | GCN | 基础图卷积 | Kipf & Welling, 2017 | | GAT | 注意力加权邻居 | Velickovic et al., 2018 | | MPNN | 消息传递框架（最通用） | Gilmer et al., 2017 | | SchNet/DimeNet | 考虑 3D 坐标的 GNN | Schutt et al., 2018 | | GemNet/PaiNN | 最新高精度 3D-GNN | 2021-2022 |

白话：图神经网络把分子"画成一张关系网"——每个原子跟谁连着、连的是什么键，AI 通过"消息传递"（每个原子问邻居"你是什么"）来理解整个分子。这种方式天然适合化学结构，比 SMILES 更能捕捉拓扑信息。

4.5 四种表示方法对比¶

5. 常用工具¶

5.1 RDKit —— 化学信息学的"瑞士军刀"¶

• 定位：开源化学信息学工具包，Python/C++ 实现
• 功能：SMILES 解析、分子指纹计算、描述符计算、子结构搜索、分子可视化、反应处理
• 安装：conda install -c conda-forge rdkit（推荐 conda）
• 版本：2025.09.6（截至最新文档）
• 地位：药物发现领域 Python 生态的基石，几乎所有 AI 药物发现项目都依赖它
• 官网：https://www.rdkit.org/

5.2 DeepChem —— 生命科学深度学习框架¶

• 定位：专为药物发现/材料科学/量子化学设计的深度学习库
• 功能：内置数据集（MoleculeNet 基准集）、分子特征化、多种模型（GCN、GAT、AttentiveFP、Weave）、多任务学习
• 安装：pip install deepchem
• 地位：类似"药物发现版的 scikit-learn"，入门首选
• 官网：https://deepchem.io/
• 配套书籍：《The DeepChem Book》（免费电子版）

5.3 AutoDock Vina —— 经典分子对接引擎¶

• 定位：开源分子对接（Docking）软件，预测小分子与蛋白质的结合方式和结合能
• 原理：基于评分函数 + 全局搜索算法，在蛋白质结合口袋中搜索配体的最佳姿态
• 版本：v1.2.x（2021 年后由 Scripps 团队持续维护，GitHub: ccsb-scripps/AutoDock-Vina）
• 安装：conda install -c conda-forge vina 或从 GitHub 编译
• 输入：蛋白质结构（PDBQT 格式）+ 配体分子（PDBQT 格式）+ 对接盒子坐标
• 输出：结合姿态（pose）+ 结合亲和力（kcal/mol）
• 白话：AutoDock Vina 就像"模拟钥匙插锁"——它会尝试把药物分子以各种角度"塞进"蛋白质口袋，然后给每种姿态打分，找到最合适的插入方式

5.4 DiffDock —— 深度学习分子对接¶

• 定位：MIT 团队 2022 年发表的基于扩散模型的分子对接方法（ICLR 2023）
• 原理：将对接问题建模为"在配体位姿流形上的扩散生成过程"，同时优化平移、旋转、扭转角三个自由度
• 核心优势：
• 在 PDBBind 数据集上 Top-1 成功率 38%（RMSD<2A），显著超越传统对接方法（23%）和之前的深度学习方法（20%）
• 对 AlphaFold 预测的结构也能保持较高精度（21.7% vs 之前方法最高 10.4%）
• 推理速度快，且能给出置信度估计
• vs AutoDock Vina：Vina 是基于物理评分函数的搜索，DiffDock 是学习数据分布后的生成，二者可互补
• 论文：Corso et al., "DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking", ICLR 2023
• 代码：https://github.com/gcorso/DiffDock

5.5 工具选型速查¶

6. 虚拟筛选实操：RDKit 分子描述符计算 + 简单预测模型¶

以下代码演示完整的虚拟筛选 pipeline：从 SMILES 计算分子描述符，训练一个简单的活性预测模型。

"""
虚拟筛选实操：RDKit 描述符 + 随机森林预测模型
环境：conda activate bioinfo
安装：conda install -c conda-forge rdkit scikit-learn pandas numpy matplotlib
"""

# ============ 第一步：导入必要的库 ============
from rdkit import Chem                    # RDKit 核心模块，处理分子对象
from rdkit.Chem import Descriptors        # 分子描述符计算（分子量、LogP 等）
from rdkit.Chem import AllChem            # 高级化学功能（指纹计算等）
from rdkit.Chem import Draw               # 分子可视化
from rdkit import DataStructs             # 指纹相似度计算
import numpy as np                        # 数值计算
import pandas as pd                       # 数据处理
from sklearn.model_selection import train_test_split  # 数据集划分
from sklearn.ensemble import RandomForestClassifier   # 随机森林分类器
from sklearn.metrics import (             # 评估指标
    accuracy_score, roc_auc_score,
    classification_report, confusion_matrix
)
import matplotlib.pyplot as plt           # 绑图
import warnings                           # 忽略一些无关紧要的警告
warnings.filterwarnings('ignore')

# ============ 第二步：准备示例数据 ============
# 白话：这里模拟一个"药物活性数据集"
#   - SMILES：分子的文字表示
#   - active：1=有活性（能跟靶点结合），0=无活性
# 实际项目中，数据来自 ChEMBL / PubChem 等公共数据库

data = {
    'smiles': [
        # 活性分子（active=1）—— 含有某些有利于结合的子结构
        'CC(=O)Oc1ccccc1C(=O)O',       # 阿司匹林
        'CC12CCC3C(C1CCC2O)CCC4=CC(=O)CCC34C',  # 睾酮
        'CN1C=NC2=C1C(=O)N(C(=O)N2C)C', # 咖啡因
        'CC(C)CC1=CC=C(C=C1)C(C)C(=O)O', # 布洛芬
        'OC(=O)C1=CC=CC=C1O',            # 水杨酸
        'CC(=O)NC1=CC=C(O)C=C1',         # 对乙酰氨基酚
        'C1=CC=C(C=C1)C(=O)O',           # 苯甲酸
        'OC1=CC=CC=C1',                   # 苯酚
        'CC(O)CC1=CC=CC=C1',             # 1-苯-2-丙醇
        'CC1=CC=C(C=C1)C(C)C(=O)O',     # 类布洛芬
        'CC(=O)OC1=CC=CC=C1C(O)=O',     # 乙酰水杨酸变体
        'OC(=O)C1=CC=C(O)C=C1',         # 4-羟基苯甲酸
    ],
    'active': [1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0]
}

df = pd.DataFrame(data)
print(f"数据集大小：{len(df)} 个分子")
print(f"活性分子：{sum(df['active'])} 个，非活性：{len(df)-sum(df['active'])} 个")

# ============ 第三步：SMILES → RDKit 分子对象 ============
# 白话：把文字描述变成 RDKit 能操作的"分子模型"

def smiles_to_mol(smiles):
    """将 SMILES 字符串转为 RDKit 分子对象"""
    mol = Chem.MolFromSmiles(smiles)      # 解析 SMILES
    if mol is None:                        # 解析失败返回 None
        print(f"警告：无法解析 SMILES: {smiles}")
    return mol

df['mol'] = df['smiles'].apply(smiles_to_mol)  # 对每行做转换
df = df.dropna(subset=['mol'])                  # 去掉解析失败的行
print(f"成功解析：{len(df)} 个分子")

# ============ 第四步：计算分子描述符 ============
# 白话：从分子结构中"提取特征"，就像从病人身上量体温、血压、心率

def calc_descriptors(mol):
    """
    计算常用药物化学描述符（基于 Lipinski 五规则 + 扩展）
    Lipinski 五规则：口服药物的"基本门槛"
      - 分子量 <= 500
      - LogP <= 5（脂水分配系数，太油了穿不过细胞膜）
      - 氢键供体 <= 5
      - 氢键受体 <= 10
    """
    desc = {
        'MW': Descriptors.MolWt(mol),                   # 分子量（Molecular Weight）
        'LogP': Descriptors.MolLogP(mol),                # 脂水分配系数（越大越"油"）
        'HBA': Descriptors.NumHAcceptors(mol),           # 氢键受体数（能接受氢键的原子）
        'HBD': Descriptors.NumHDonors(mol),              # 氢键供体数（能提供氢键的原子）
        'TPSA': Descriptors.TPSA(mol),                   # 拓扑极性表面积（影响膜穿透）
        'RotBonds': Descriptors.NumRotatableBonds(mol),   # 可旋转键数（分子柔性）
        'AromaticRings': Descriptors.NumAromaticRings(mol), # 芳环数量
        'HeavyAtoms': Descriptors.HeavyAtomCount(mol),   # 重原子数（非氢原子）
        'Rings': Descriptors.RingCount(mol),              # 环的总数
        'Fraction_CSP3': Descriptors.FractionCSP3(mol),   # sp3 碳比例（3D 复杂度）
    }
    return desc

# 对每个分子计算描述符
desc_list = [calc_descriptors(mol) for mol in df['mol']]
desc_df = pd.DataFrame(desc_list)

print("\n=== 分子描述符示例（前3个分子）===")
print(desc_df.head(3).to_string())

# ============ 第五步：计算 Morgan 分子指纹 ============
# 白话：除了数值描述符，还可以用"二进制指纹"——每一位代表有没有某个子结构

def calc_morgan_fp(mol, radius=2, n_bits=1024):
    """
    计算 Morgan 指纹（也叫 ECFP，Extended Connectivity Fingerprint）
    参数：
      radius=2  → ECFP4（半径2，考虑每个原子周围2步以内的邻居）
      n_bits=1024 → 指纹长度 1024 位
    """
    fp = AllChem.GetMorganFingerprintAsBitVect(
        mol,                # 分子对象
        radius,             # 半径：决定考虑多远的邻居
        nBits=n_bits        # 输出向量长度
    )
    # 将 RDKit 指纹对象转为 numpy 数组
    arr = np.zeros((n_bits,), dtype=np.int8)  # 创建空数组
    DataStructs.ConvertToNumpyArray(fp, arr)   # 填充指纹数据
    return arr

# 计算所有分子的 Morgan 指纹
fp_array = np.array([calc_morgan_fp(mol) for mol in df['mol']])
print(f"\nMorgan 指纹矩阵形状：{fp_array.shape}")  # (n_molecules, 1024)
print(f"阿司匹林指纹中'1'的个数：{fp_array[0].sum()}（共 1024 位）")

# ============ 第六步：合并特征，训练模型 ============
# 白话：把描述符 + 指纹合在一起作为模型的输入特征

# 合并描述符和指纹
X_desc = desc_df.values                             # 描述符特征 (n, 10)
X_fp = fp_array                                      # 指纹特征 (n, 1024)
X = np.hstack([X_desc, X_fp])                        # 横向拼接 (n, 1034)
y = df['active'].values                              # 标签

print(f"\n合并后特征矩阵：{X.shape}")
print(f"标签分布：活性={sum(y)}, 非活性={len(y)-sum(y)}")

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.3,          # 30% 做测试
    random_state=42,        # 固定随机种子，保证可重复
    stratify=y              # 分层采样，保持正负样本比例
)

# 训练随机森林模型
rf = RandomForestClassifier(
    n_estimators=100,       # 100 棵决策树
    max_depth=5,            # 每棵树最大深度
    random_state=42,        # 随机种子
    class_weight='balanced' # 自动平衡正负样本权重
)
rf.fit(X_train, y_train)   # 训练

# 预测和评估
y_pred = rf.predict(X_test)             # 预测类别
y_proba = rf.predict_proba(X_test)[:, 1] # 预测概率

print("\n=== 模型评估 ===")
print(f"准确率：{accuracy_score(y_test, y_pred):.2f}")
print(f"分类报告：\n{classification_report(y_test, y_pred, target_names=['非活性','活性'])}")

# ============ 第七步：对新分子做虚拟筛选 ============
# 白话：模型训练好了，现在拿新分子来"预测"它有没有活性

new_smiles_list = [
    'CC(=O)OC1=CC=CC=C1',              # 乙酸苯酯
    'C1=CC=C(C=C1)CC(=O)O',            # 苯乙酸
    'CCCCCCCCCC',                        # 癸烷（纯碳链，通常无活性）
]

print("\n=== 虚拟筛选结果 ===")
for smi in new_smiles_list:
    mol = Chem.MolFromSmiles(smi)       # 解析 SMILES
    if mol is None:
        print(f"  {smi} → 解析失败")
        continue

    # 计算特征
    desc = calc_descriptors(mol)         # 描述符
    fp = calc_morgan_fp(mol)             # 指纹
    features = np.hstack([               # 合并
        list(desc.values()), fp
    ]).reshape(1, -1)                    # reshape 成 (1, n_features)

    # 预测
    prob = rf.predict_proba(features)[0][1]  # 活性概率
    label = "活性" if prob > 0.5 else "非活性"
    print(f"  {smi}")
    print(f"    → 预测：{label}（活性概率={prob:.3f}）")
    print(f"    → MW={desc['MW']:.1f}, LogP={desc['LogP']:.2f}, HBD={desc['HBD']}, HBA={desc['HBA']}")

print("\n提示：这是教学示例，样本量很小。实际项目中：")
print("  - 数据量：ChEMBL 数据库有数百万条活性数据")
print("  - 特征：可结合 DeepChem 的图神经网络特征")
print("  - 模型：可用 XGBoost、深度学习等更复杂模型")
print("  - 评估：需要交叉验证 + 外部测试集验证")

7. AlphaFold 在药物设计中的角色¶

本篇聚焦 AlphaFold 在药物发现中的应用角色，与第 42 篇 RFdiffusion（蛋白质从头设计）互补不重复。

7.1 AlphaFold 解决了什么问题¶

AlphaFold（DeepMind 开发）解决的是蛋白质结构预测问题：给定氨基酸序列，预测其 3D 结构。

• AlphaFold2（2021，Nature）：CASP14 竞赛中准确率达到实验精度（GDT > 90），被认为"解决了"蛋白质折叠问题
• AlphaFold Protein Structure Database：已发布超过 2 亿个 蛋白质结构预测（几乎覆盖所有已知蛋白）
• AlphaFold3（2024，Nature）：不仅预测蛋白质，还能预测蛋白质与 DNA、RNA、小分子、离子的复合物结构

7.2 AlphaFold 对药物发现的四大贡献¶

1. 提供靶点结构（最直接的贡献） - 传统获取蛋白质结构：X 射线晶体学/冷冻电镜，耗时数月到数年，成功率有限 - 有了 AlphaFold：对于没有实验结构的靶点，可以直接用预测结构做虚拟筛选 - 白话：以前要"拍照"才能看到蛋白质长什么样，现在 AI 帮你"画"出来，虽然不如照片精确但足够用

2. 揭示药物结合口袋 - AlphaFold 预测的结构可以用来分析"哪里有洞可以塞药"（结合口袋分析） - 配合 FPocket、SiteMap 等口袋检测工具，快速定位可成药位点

3. 作为 DiffDock 等对接工具的输入 - DiffDock 论文证实：在 AlphaFold 预测结构上做对接，DiffDock 的精度（21.7%）远超传统方法（<10.4%） - 这意味着 AlphaFold + DiffDock 可以在没有任何实验结构的情况下完成虚拟筛选

4. 理解突变对药物结合的影响 - 比较野生型和突变型蛋白的 AlphaFold 预测结构，分析突变如何改变结合口袋形状 - 对耐药性研究和个体化用药有直接价值

7.3 AlphaFold vs RFdiffusion：互补关系¶

7.4 AlphaFold 的局限性（面试加分点）¶

• 预测的是"静态"结构：蛋白质实际上是动态的，AlphaFold 给出的是最稳定构象，但药物结合常依赖构象变化
• 置信度不均匀：pLDDT 分数低的区域（通常是无序区域 / loop 区）预测不可靠，而这些区域常常是重要的药物靶点
• 不直接预测结合亲和力：AlphaFold 给出结构，但不能告诉你"药物跟这个蛋白结合有多紧"
• AlphaFold3 限制：虽然能预测复合物，但小分子配体的预测精度仍不如蛋白质主体

8. 面试怎么答¶

Q1：请简述 AI 在药物发现中的主要应用场景¶

答题框架：分阶段 + 具体例子

AI 贯穿药物发现全流程，主要在四个阶段发挥作用： 1. 靶点发现：用多组学数据整合和知识图谱推理发现新靶点，如 BenevolentAI 通过知识图谱发现 baricitinib 可用于治疗新冠 2. 化合物筛选：虚拟筛选（分子对接 + ML 模型）从数十亿分子中筛选候选药物，效率远超传统高通量筛选 3. ADMET 预测：ML 模型预测药物的吸收、分布、代谢、排泄和毒性，减少后期失败风险 4. 临床优化：患者分层、剂量优化、自适应试验设计

成功案例：Insilico Medicine 的 ISM001-055，从 AI 发现靶点到进入临床 I 期仅用 18 个月，传统流程通常需要 4-6 年。

Q2：SMILES、分子指纹、分子图各有什么优缺点？什么场景用哪种？¶

答题框架：列表对比 + 场景匹配

• SMILES：文本形式，简洁通用，可直接送入 Transformer 等 NLP 模型；缺点是非唯一、丢失 3D 信息。适用于大规模化合物库存储和基于 NLP 的分子生成。
• 分子指纹（如 Morgan/ECFP）：固定长度二进制向量，计算快速，适合传统 ML 模型（随机森林、XGBoost）和相似性搜索；缺点是信息有损且不可逆。适用于快速虚拟筛选和活性预测基线。
• 分子图 + GNN：原子为节点、键为边，天然表达化学拓扑结构，能捕捉子结构信息；需要专用 GNN 模型。适用于需要高精度的性质预测和端到端学习。
• 3D 构象：保留空间信息，适用于对接和需要考虑空间构型的预测（如手性药物）。

实际项目中常组合使用：指纹做快速粗筛，GNN 做精细排序。

Q3：AlphaFold 对药物发现有哪些贡献和局限？¶

贡献： 1. 为没有实验结构的靶点提供预测结构，使虚拟筛选成为可能 2. AlphaFold DB 覆盖 2 亿+ 蛋白质，极大扩展了可成药靶点空间 3. DiffDock 证明在 AlphaFold 结构上对接效果远超传统方法 4. AlphaFold3 可预测蛋白-小分子复合物结构

局限： 1. 预测是静态结构，无法反映蛋白质动力学和构象变化 2. 无序区域（低 pLDDT）预测不可靠，而这些区域常是药物靶点 3. 不直接预测结合亲和力 4. 小分子配体在复合物中的预测精度仍有待提高

Q4：什么是虚拟筛选？请描述一个基本的虚拟筛选流程¶

虚拟筛选（Virtual Screening）是用计算方法从大规模化合物库中筛选可能与靶点结合的候选分子，减少实验筛选量。

基本流程： 1. 准备靶点结构：从 PDB 获取实验结构，或用 AlphaFold 预测 2. 准备化合物库：从 ZINC/Enamine 等数据库获取，通常百万到十亿量级 3. 粗筛（类药性过滤）：Lipinski 五规则、PAINS 过滤器去除明显不合适的分子 4. 计算筛选： - 基于配体的方法：分子指纹相似性搜索、ML 活性预测模型 - 基于结构的方法：分子对接（AutoDock Vina / DiffDock） 5. 排序和精筛：对 Top 候选分子做 ADMET 预测、可合成性评估 6. 实验验证：购买/合成 Top 50-200 个分子做体外实验验证

关键指标：命中率（Hit Rate）和富集因子（Enrichment Factor）。

Q5：RDKit 中如何计算分子描述符和指纹？简述代码思路¶

from rdkit import Chem
from rdkit.Chem import Descriptors, AllChem

# 1. SMILES → 分子对象
mol = Chem.MolFromSmiles('CC(=O)Oc1ccccc1C(=O)O')

# 2. 计算描述符
mw = Descriptors.MolWt(mol)        # 分子量
logp = Descriptors.MolLogP(mol)    # LogP
hba = Descriptors.NumHAcceptors(mol)  # 氢键受体

# 3. 计算 Morgan 指纹（ECFP4）
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)

# 4. 用于 ML：转为 numpy 数组
import numpy as np
from rdkit import DataStructs
arr = np.zeros((2048,))
DataStructs.ConvertToNumpyArray(fp, arr)

核心流程：SMILES → MolFromSmiles() → 描述符/指纹 → numpy 数组 → 送入 ML 模型。

9. 速查表¶

9.1 药物发现 AI 工具速查¶

9.2 分子描述符速查¶

9.3 分子指纹类型速查¶

9.4 SMILES 常用符号速查¶

10. 延伸资源¶

书籍¶

• 《Deep Learning for the Life Sciences》（O'Reilly）—— DeepChem 团队著，AI 药物发现入门首选
• 《Artificial Intelligence in Drug Design》（Springer, 2022）—— 系统综述 AI 在药物设计各阶段的应用

公开课¶

• MIT 6.S897: Machine Learning for Healthcare（含药物发现模块）
• Coursera: AI for Medicine（deeplearning.ai，Andrew Ng 团队）
• DeepChem Tutorials：https://deepchem.io/tutorials/ （免费，覆盖分子性质预测、分子生成、对接）

数据库¶

• ChEMBL：https://www.ebi.ac.uk/chembl/ —— 最大的药物活性数据库（>2百万化合物，>20百万活性数据点）
• PubChem：https://pubchem.ncbi.nlm.nih.gov/ —— NIH 化合物数据库（>1亿化合物）
• ZINC：https://zinc.docking.org/ —— 用于虚拟筛选的化合物库（>2.3亿可购买分子）
• PDBBind：http://www.pdbbind.org.cn/ —— 蛋白-配体复合物结合亲和力数据
• MoleculeNet：https://moleculenet.org/ —— ML 分子性质预测基准数据集

论文¶

• Jumper et al., "Highly accurate protein structure prediction with AlphaFold", Nature 2021（AlphaFold2）
• Abramson et al., "Accurate structure prediction of biomolecular interactions with AlphaFold 3", Nature 2024（AlphaFold3）
• Corso et al., "DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking", ICLR 2023
• Stokes et al., "A Deep Learning Approach to Antibiotic Discovery", Cell 2020（AI 发现新抗生素 Halicin，里程碑论文）
• Zhavoronkov et al., "Deep learning enables rapid identification of potent DDR1 kinase inhibitors", Nature Biotechnology 2019（Insilico Medicine 早期工作）

相关知识库文档¶

• 第 42 篇：AI 蛋白质设计 —— RFdiffusion（蛋白质从头设计，与本篇互补）
• 第 13 篇：蛋白质结构预测基础（如有）
• 第 01-05 篇：Python/Linux/生信基础

最后提醒：AI 辅助药物发现是生信领域最火的交叉方向之一。面试时不需要你精通药物化学，但要能说清楚：(1) AI 解决了药物发现中的哪些痛点；(2) 分子怎么表示成计算机能处理的数据；(3) 至少能用 RDKit 做基础的描述符计算和虚拟筛选。这三点覆盖了，AIDD 相关问题基本都能应对。