AI製藥模型迎來重大升級

# AI製藥模型迎來重大升級

AI藥物設計領域迎來一項重要突破。近日，研究團隊正式推出DrugGen-2——一個具備「疾病感知」能力的小分子生成模型，顯著提升了從零開始設計藥物的精準度與效率。該模型不僅能針對特定蛋白靶點產生分子，還能將疾病的本體論語境納入考量，從根本上填補了現有計算方法忽略疾病對靶點行為影響的關鍵缺口。 長期以來，計算藥物設計方法大多集中於根據單一目標蛋白或通用分子性質來生成化合物，往往缺乏對疾病背景的深入理解。然而，同一靶點在不同疾病環境下可能表現出截然不同的構象與相互作用模式，導致生成的分子雖然理論上具備高親和力，卻在實際治療中難以發揮預期效果。DrugGen-2正是為解決這一痛點而生，它基於流行的GPT-2語言模型進行深度微調，使生成過程能夠同時接受疾病本體與目標蛋白序列的雙重條件控制。 根據論文細節，研究團隊首先從公開藥物數據庫中篩選出經批准的藥物，並將其與所治療的疾病以及作用的蛋白靶點進行一一對應，構建出一個高品質的訓練數據集。在此基礎上，DrugGen-2經歷了「兩階段訓練策略」：第一階段採用監督式微調，讓模型學習疾病-靶點-分子之間的關聯；第二階段則導入基於群體相對策略優化的強化學習，借助多重獎勵函數引導模型朝著化學有效性、新穎性、多樣性以及高預測結合親和力的方向優化。 研究人員選取了與糖尿病腎病變（diabetic nephropathy）密切相關的五個蛋白靶點作為驗證場景，對DrugGen-2的性能進行全面評估。結果顯示，該模型在分子多樣性、新穎性以及結構相似性等多項指標上，均大幅超越了目前主流的基線模型DrugGPT與DrugGen（上一代版本）。僅以唯一性分子生成能力為例，DrugGen-2產生的候選分子中絕大多數都是獨特的，有效避免了傳統生成模型容易出現的大量重複問題。 更令業界關注的是其在結合親和力方面的突出表現。分子對接分析顯示，DrugGen-2生成的多個化合物展現出極強的結合潛力。例如，針對血管緊張素轉化酶（ACE）這一經典降壓靶點，模型生成的最佳配體預測親和力達到-9.917 kcal/mol，遠優於參考藥物依那普利的-8.283 kcal/mol，提升了接近20%。另外兩個候選分子也分別取得了-9.485與-9.367 kcal/mol的評分，進一步證實了模型產生高品質先導化合物的能力。 除了結合力道更強，DrugGen-2輸出的分子在結構上也更接近已獲批准的藥物分子，這意味著它們具有更好的藥物相似性與開發可行性。在藥物研發中，一個接近「類藥」結構的新化合物往往能降低後續的優化難度與失敗風險。模型透過疾病本體訊息的引導，相當於在生成階段就隱含了對特定疾病場景下藥物化學空間的優先探索，從而避免了盲目搜尋。 研究團隊表示，DrugGen-2的核心創新在於將「疾病語境」正式納入了分子生成的條件框架。這項設計使得模型不僅能為已知靶點設計配體，在面對缺乏結構資訊的新靶點或疾病時，也能透過疾病本體推導相關的生物學特徵，為藥物重定向與全新骨架發現提供跨疾病的洞察。這種能力對於難治性疾病或罕見病的藥物開發尤為重要。 整體而言，DrugGen-2代表了生成式AI在製藥領域從「通用分子生成」向「情境感知設計」邁進的重要一步。它將語言模型的強大序列學習能力與藥物化學的專業知識相結合，為研究人員提供了一個既能考慮靶點又能考慮疾病複雜交互作用的實用工具。未來，隨著更多高品質疾病-靶點-藥物關聯數據的積累，此類模型有望進一步拉近計算預測與臨床實效之間的距離，加速新藥從實驗室到病床的過程。