AI辅助药物发现（AI-assisted Drug Discovery, AIDD）是合成生物学与人工智能交叉的最活跃前沿之一。传统药物发现流程（靶点识别→先导化合物→结构优化→临床前→临床）平均耗时12-15年、成本超过10亿美元，失败率高达90%以上（进入临床I期的化合物约90%无法上市）。AI的引入旨在加速各个环节，降低失败率，压缩研发成本。
## AlphaFold：结构预测革命
**AlphaFold2**（DeepMind，2020年）是生命科学领域近十年最重要的AI突破之一。它以约90%的原子级精度预测蛋白质三维结构，解决了”蛋白质折叠问题”——根据氨基酸序列预测三维结构这一50年悬而未决的挑战。DeepMind将人类已知全部约2亿种蛋白质的结构预测结果开放数据库，供全球研究人员免费使用，加速了结构生物学和药物发现的进程。**AlphaFold3**（2024年）进一步扩展到小分子、DNA、RNA与蛋白质的复合物结构预测，对药物-靶点相互作用预测具有直接价值。
## AI药物发现的核心应用场景
**靶点识别与验证**：用机器学习分析大规模组学数据（基因组、转录组、蛋白质组），识别与疾病相关的新靶点，优先级排序。
**虚拟筛选（Virtual Screening）**：用深度学习模型（如DiffDock等对接工具）预测小分子化合物与靶蛋白的结合亲和力，从数百万化合物库中快速筛选潜在候选分子，替代部分传统高通量筛选（HTS）。
**分子生成（De Novo Design）**：用生成式AI（扩散模型、强化学习）直接设计具有目标性质（高亲和力、低毒性、良好成药性）的新分子结构，不局限于已有化合物库。RFDiffusion（蛋白质设计）、Generative Flow Networks（GFlowNet，化合物设计）是代表性工具。
**ADMET预测**：预测化合物的吸收（A）、分布（D）、代谢（M）、排泄（E）和毒性（T）特性，在实验测试前过滤掉成药性差的候选物。
## 代表性企业与案例
**Insilico Medicine**（英硅智能，香港/北京）：全球首个将AI发现的候选药物（INS018_055，肺纤维化）推进至临床II期的公司。
**Recursion Pharmaceuticals**：用细胞成像+AI识别表型变化，建立大规模生物-表型数据库。
**BioNTech / Moderna**：在mRNA疫苗设计和个性化癌症疫苗中大量使用AI辅助序列优化。
参见[合成生物学入门](https://sunqi.org/synthetic-biology-overview-zh/)；[蛋白质结构AlphaFold](https://sunqi.org/protein-structure-alphafold-zh/)；[AlphaFold数据库](https://alphafold.ebi.ac.uk/)。
