【专家观点】药物设计领域的未来将百花齐放

微软杰出首席科学家、微软研究院科学智能中心亚洲区负责人、微软亚洲研究院副院长刘铁岩

其实，药物设计相关的研究本身就是一个非常广谱且丰富的事情。从研究对象来讲，我们有很丰富的药物设计，比如小分子药物、抗体药、基因疗法、PROTAC 等，它们的原理与应用场景都有很大的差异；从制药的流程来看，从前端的靶点发现、先导化合物的筛选优化，到后期 ADMET 的预测、甚至临床效果的预测，各个环节都有各自独特的技术挑战。面对这样非常丰富的研究场景，本来就应该是百花齐放的状态。

但如果我们审视一下今天的 AI 制药领域，就会发现事实上里面还存在着一些问题。例如有一些扎堆的现象，卷到靶标蛋白的结构预测或者结合力预测（binding affinity prediction）这些问题上。之所以会出现扎堆的现象，其中一部分原因是这些领域已经有比较成熟的技术，比较容易获取那些唾手可得的成果。大家没有以一种长期主义的心态来思考如何构建自己的技术壁垒。刚才彭健提到我们微软研究院今年成立了科学智能中心，我们这个中心的目的是以更加长远、更加基础的视角来看待人工智能在整个科学领域的应用，其中就包括 AI 制药，希望能够借由我们的努力引导大家以更长期的心态来看待这个领域的研究工作。

方向上应该百花齐放，不过下沉到技术层面，我们还是可以看到一些趋势的。首先，AlphaFold 2 的成功让人们体会到了深度学习、大数据、大模型、大计算所带来的不同，而这种不同正是近年来人工智能领域发展的某种体现。比如，通过预训练大规模的基础模型来实现 AI 学习的规模效应，为丰富的下游任务提供有力的支撑，例如像微软投资的 GPT-3 等都是非常优秀的基础模型。我们相信这种趋势未来也会在生物医药领域进一步延展：比如，如何构建更适合小分子通用表示的基础模型，包括它的骨干结构设计以及预训练的方法；如何有效地解决模型的泛化性和外推性，从而应对生物医药领域里有效样本不足和目标问题非常复杂这样的一对矛盾。

其次，强化学习技术在药物设计方面应该会有很大的发挥空间，因为药物设计本质上就是一个搜索问题，各种属性预测的深度学习模型扮演的就是价值函数的角色，而在这些价值函数的指导下，如何在巨大的分子空间中寻找到一个好的原子组合及其三维结构，是需要一些巧妙的策略做支撑的，蛮力搜索是不可取的。

目前在深度学习和强化学习这两个方面，人们还在大量使用着为传统领域发明的人工智能工具，针对制药领域进行的特异化设计还非常不足，所以我个人认为在生物医药领域人工智能要走得路还非常远。而这就需要我们计算机科学家和生物专家、化学制药的专家密切合作。做一个大胆的预测，我们有可能需要 5-10 年的时间才能真正形成比较稳定的技术路线，也可能再需要 5-10 年，我们才能够对制药行业产生本质的颠覆性的影响。