研究人员来自俄亥俄州立大学（The Ohio State University）和印度理工学院马德拉斯分校（Indian Institute of Technology Madras），成功开发突破性人工智能框架，可快速生成实验室环境下更易合成的类药物分子。
该新系统名为PURE（Policy-guided Unbiased REpresentations for Structure-Constrained Molecular Generation，政策引导的无偏表示结构约束分子生成），有望大幅缩短药物开发的早期阶段——当前这一过程耗资百亿美元且需十年时间——并在应对癌症及传染病的耐药性问题中发挥关键作用。PURE区别于依赖刚性评分机制或统计优化的现有分子生成AI工具。
PURE从真实药物合成过程获得灵感，通过源自实际化学反应的模板模拟分子变化的逐步过程。它将自监督学习（使模型无需标签即可从数据中学习模式）与基于策略的强化学习框架相结合，更自然地探索化学空间。人工智能驱动药物发现的最大难题在于：多数AI生成的分子在计算机上表现优异，却几乎无法在现实中合成。PURE成功解决了这一问题。
俄亥俄州立大学计算机科学与工程教授斯里尼瓦桑·帕萨拉帕蒂（Srinivasan Parthasarathy）解释道：“该新框架为早期制药研究带来变革性优势，能够针对耐药性和肝毒性问题识别替代性更强、更有效的候选药物。它融合尖端自监督学习与基于策略的强化学习，通过模板驱动的分子模拟在离散分子搜索空间中导航，同时缓解指标泄漏问题。除药物发现外，PURE还为加速新材料发现提供了重要研究方向的基础。”
PURE在广泛认可的分子生成基准测试中完成验证，包括QED（药物类比度）、DRD2（多巴胺受体活性）和溶解度测试。该系统生成的分子更具多样性和原创性，且从未接受过相关评分指标的训练即可提供可能的合成路线。这使PURE成为适用于多疾病和多属性目标的通用分子发现AI引擎，仅需单一训练模型即可运行。
研究成果已发表于同行评审期刊《化学信息学杂志》（Journal of Cheminformatics）。
帕萨拉帕蒂的合作者包括印度理工学院马德拉斯分校的B.拉文德兰教授（B. Ravindran）、卡西克·拉曼教授（Karthik Raman）、阿博尔·古普塔（Abhor Gupta）、巴拉蒂·列宁（Barathi Lenin）和罗希特·巴特拉（Rohit Batra），以及俄亥俄州立大学近期博士毕业生肖恩·柯伦特（Sean Current）。
拉文德兰表示：“PURE的独特之处在于它运用强化学习的方式——不仅为优化特定指标，更学习分子如何转化。通过将化学设计视为由真实反应规则指导的动作序列，PURE使我们更接近能像化学家般推理合成步骤的AI系统。”
帕萨拉帕蒂补充指出，PURE框架除应用于药物发现外，还为加速新材料发现提供了重要基础。
【全文结束】
