在化合物筛选与ADMET性质预测中AI是如何发挥作用的

在化合物筛选与ADMET性质预测中AI的作用

1.基于AI的化合物筛选

AI在化合物筛选中的应用主要体现在以下几个方面：

广泛性：相比于基于受体结构的方法，AI在基于配体的方法中的应用更为广泛。这是因为化合物的生物活性数据往往比蛋白质的晶体结构更容易获得。基于配体的虚拟筛选方法通常计算量更小，速度更快，适合大规模、高通量的虚拟筛选。

活性悬崖问题：基于配体的筛选存在“活性悬崖问题”，即具有相似结构的化合物常常表现出明显不同的活性。这个问题对基于配体的方法提出了挑战。为了解决这个问题，可以通过计算手段预测小分子与靶蛋白的相互作用，将不同的方法互为补充，以增加预测结果的可靠性。

2.AI在ADMET性质预测中的应用

ADMET性质预测是指导先导化合物优化工作的关键。AI方法在ADMET预测中主要包括k近邻、支持向量机和随机森林等，它们与神经网络相比具有较低复杂度和较高可解释性。而基于神经网络的AI模型则追求更高的预测准确性。一些基于AI的ADMET预测工具包括预测CYP450反应物的CypReact，预测PK性质的FAFDrugs4，预测化合物代谢稳定性的MetStabOn，预测理化性质和药代性质的SwissADME、HitDexter，预测ADMET性质的vNNADMET、ADMETlab，预测化合物毒性的DeepTox、TOP，预测hERG阻断能力的hERGAtt等。

3.AI驱动的药物设计

AI驱动的药物设计（AIDD）可以通过以下步骤加速化合物设计与ADMET筛选：首先，在系统中输入要进行优化的一个或多个***化合物，并设置要优化的ADMET性质参数；然后，系统将自动产生批量新化合物；接着，进行ADMET，生物利用度，合成难易度等筛选；最后，通过帕累托最优（Paretooptimal）找出整体最优的一批化合物。如果对结果不满意，可以通过该流程进行不断的迭代，直到符合预期。

4.AI在药物发现领域的巨大潜力

AI在药物发现领域有着巨大的潜力。例如，通过AI的引导，科学家不仅能预测化合物的生物效应，还能深入理解其背后的化学机制。这种方法有望加速新抗生素的开发进程，还有可能为其他领域的药物研发提供新的思路和方法。

5.AI在药物发现方面的技术创新

百度飞桨图学习框架（PGL）和生物计算平台螺旋桨（PaddleHelix）在AI药物发现领域取得了新的技术突破。飞桨通过表示学习的方法，首次将分子的宏观化学特性（官能团、分子指纹等信息）和图神经网络相结合，取得了融合宏观化学特征的分子表示，并利用这个分子表示取得了ogbgmolhiv的榜首。