创新研究推动AI辅助药物研发新突破
剑桥大学与全球生物制药巨头阿斯利康（AstraZeneca）合作开展的创新性研究取得重要进展。正如近日发表在《自然通讯》上的论文所述，研究团队开发的新型图注意力AI模型在分子特性预测方面展现革命性突破。
图神经网络助力分子预测
在与阿斯利康合作的博士研究中，大卫·布特雷兹（David Buterez）利用大规模真实药物研发数据集开发并训练新型图神经网络模型，成功优化分子关键特性预测精度。该研究延续并拓展了2024年发表的成果，其创新的自适应读出函数使模型性能提升达8倍，突破图结构数据迁移学习的技术瓶颈。
边集注意力架构创新
最新研发的"边集注意力"（Edge Set Attention）模型创造性地将注意力机制应用于图结构学习。研究团队发现："我们的架构在多个分子基准测试中树立了新标杆"。该模型不仅在70余项任务中超越现有方法，更在长距离预测等复杂场景展现卓越性能，其可扩展性显著优于同类模型。
阿斯利康合作
剑桥大学与阿斯利康十年来的合作已支持160余名博士生获得产业与学术双重经验。在本项目中，大卫的导师团队包括剑桥大学计算生物学教授皮耶特罗·廖（Pietro Liò），以及阿斯利康机器学习与人工智能高级总监迪诺·奥格利奇（Dino Oglic）和分子设计总监乔恩·保罗·雅内（Jon Paul Janet）。
"这项突破为从零生成分子或定制特定属性药物打开了新大门"
大卫·布特雷兹
研究突破与产业应用
传统的药物筛选需对数百万化合物库进行初步检测，仅测量分子与靶标蛋白的单一结合强度。AI模型通过迁移学习可将海量初筛数据转化为精细预测模型。实验表明，新模型不仅能优化现有药物研发流程，还可发现传统技术难以识别的新型活性化合物。
研究团队特别指出："我们的边集注意力机制首次实现了对分子键（而非原子）的图学习，这在图神经网络领域开辟了全新研究方向"。该成果标志着药物研发正加速从实验室验证向计算机模拟转型，为人工智能在生命科学领域的深度应用奠定基础。
论文信息
- David Buterez等，《An end-to-end attention-based approach for learning on graphs》，Nature Communications，2025年6月5日
- David Buterez等，《Transfer learning with graph neural networks for improved molecular property prediction in the multi-fidelity setting》，Nature Communications，2024年2月26日
【全文结束】
