新型生成式AI方法有望加速药物研发
一种新开发的AI驱动技术有望大幅加速药物和先进材料的发现过程，使科学家能够在几分钟内而非数年内设计出化学有效、具备特定性能的目标分子。这种新的人工智能技术可以显著加速新药和新材料的发现，将传统上需要耗费数年时间进行试错的过程大大缩短。
佛罗里达大学和纽约大学的研究概述了一种方法，该方法生成有希望的分子候选物的速度比现有AI方法快约10倍，同时不会牺牲准确性或化学真实性。这项工作突显了生成式AI如何开始重塑化学和材料科学的基础。
从有根据的猜测到指导性设计
每种现代药物和先进材料最初都是一个假设：一种可能杀死细菌、储存能量或与光高效相互作用的原子排列提案。在数十亿种可能的小分子中进行选择，找出正确的一个长期以来几乎是不可能完成的任务。
人工智能模型可以基于所需性能创造出全新的分子结构，而非仅仅修改已知化合物。生成式AI的最新进展有助于缩小搜索范围。这种新开发的方法称为PropMolFlow（性能引导分子流），通过大幅提高可行候选物的生成速度，进一步推动了这种方法的发展。
"对于大多数科学历史来说，材料发现往往先于理解——有用的化合物是偶然发现的，然后科学家才弄清楚它们为什么有效，"纽约大学物理学、化学、数学和神经科学助理教授、该论文作者斯泰法诺·马丁尼亚尼(Stefano Martiniani)表示。"生成式AI提供了将这一过程颠倒的可能性：指定性能，然后找到结构。PropMolFlow代表了使这一愿景实用化的又一步骤。"
逆向分子设计
研究人员将分子设计描述为一个"逆问题"。科学家们很少对分子本身感兴趣；相反，他们希望找到能够执行特定功能的分子。
"化学家通常不想要'一个分子'，"马丁尼亚尼解释道，"相反，他们想要一个能够执行特定功能的分子——例如，用于光学应用时能与光强烈相互作用，或具有特定电子结构以决定其如何吸收能量或导电。"
PropMolFlow建立在受DALL-E等图像生成工具启发的早期AI模型基础上，这些工具在2022年首次被应用于分子设计。虽然之前的方法提高了准确性或化学有效性，但它们通常需要数千次计算步骤。PropMolFlow仅需约100步就能取得相似或更好的结果。
"对于一个计算速度直接转化为发现速度的领域来说，这代表着一项有意义的进步，"佛罗里达大学化学系助理教授、该论文作者之一刘明杰(Mingjie Liu)补充道，"这项工作并没有取代之前的方法，而是证明下一代分子生成器可以在保持这些工具实用性所需的准确性的同时，显著加快速度。"
一种新的AI模型以比之前方法快10倍的速度设计具有指定性能的分子，有望加速制药和材料的创建过程。该图说明了系统如何将随机噪声转换为由目标性能引导的完整分子结构。（图片由佛罗里达大学和纽约大学提供。）
不走捷径的准确性
如果生成的分子违反基本化学规则，仅靠速度是不够的。因此，研究团队将PropMolFlow与已建立的模型进行了测试，发现它生成的化学有效结构超过90%的时间。
"这很重要，因为许多早期方法生成的结构表面上看起来合理，但违反了基本化学规则，"马丁尼亚尼说。
为避免"AI给自己作业打分"的风险，研究人员使用基于物理学的密度泛函理论验证了他们的结果，这种方法不依赖于机器学习。
"这种验证为生成的分子提供了在实际应用中被认真对待所需的可信度，"刘说。
对发现的意义
研究人员认为，速度、准确性和严格验证的结合可能对早期分子发现产生变革性影响。
"能够在几分钟而非几小时内生成数千个化学有效、具有特定性能的目标候选物，研究人员可以更快地进行迭代，"马丁尼亚尼解释道。
虽然将这种方法扩展到更大、更复杂的分子仍然是一个挑战，但刘指出，PropMolFlow背后的原则为药物开发和先进材料研究提供了"更雄心勃勃应用的模板"。
【全文结束】
