关于本研究主题
人工智能（AI）在药物发现中的应用正在彻底改变这一领域，为加速新疗法的识别与优化提供了前所未有的机遇。具体而言，AI驱动的生成模型在构思创新的小分子设计方面展现出了非凡前景。这些模型能够高效探索广阔的化学空间，预测分子性质，并设计出具有精确特性的候选药物，从而有效提升药物发现流程。生成式AI的最新进展已催生出能够根据特定标准创建高质量分子结构的复杂算法，这标志着药物化学领域的一个重要里程碑。
本研究主题旨在探索生成式模型在小分子药物发现中的前沿应用，阐明它们对这一变革性过程的影响，并描绘该领域的未来轨迹。通过审视生成式AI带来的挑战与机遇，本研究将全面展示这些技术对药物化学的变革性效应。重点将放在最新进展、实际应用和理论创新上，尤其关注生成式AI如何显著加快药物发现进程并改善治疗效果。
为了进一步汇集AI驱动的小分子药物发现领域的见解，我们欢迎围绕以下主题（但不限于）的稿件：
• 探索庞大的类药化学空间
• 分子特性的优化
• 具有期望性状的候选药物设计
• 用于分子结构生成的复杂算法开发
• 生成式AI促成的药物化学突破
我们鼓励作者探索以下主题：
• 生成式AI在药物发现中的创新应用
• 展示成功AI驱动药物开发的案例研究
• 不同生成模型的比较分析
• AI驱动药物发现的未来方向与新兴趋势
• 在药物化学中实施AI技术的伦理考量与挑战
本研究主题欢迎多种文章类型的投稿，包括原创研究、综述、迷你综述和简要研究报告。
请注意，缺乏对计算发现进行实验验证的投稿将不予考虑。
文章类型与费用
本研究主题接受以下文章类型（除非研究主题描述中另有规定）：
简报、数据报告、社论、FAIR²数据、FAIR²数据直接提交、一般评论、假设与理论、方法、迷你综述、观点、原创研究、视角、综述、系统综述、技术与代码。
经外部编辑严格同行评审后被接收的文章，将向作者、机构或资助方收取出版费用。
关键词：人工智能、药物发现、生成模型、小分子、分子设计、化学空间、治疗优化、药物化学、算法开发、AI应用
重要提示：本主题的所有投稿必须在其所投栏目和期刊的范围之内（以各自使命陈述为准）。Frontiers保留在同行评审的任何阶段将超出范围的稿件引导至更合适的栏目或期刊的权利。
【全文结束】