AI药物设计的原理

1. 生成式分子设计
- 变分自编码器（VAE）：学习化学空间的连续潜在表示，通过在潜在空间中采样和插值生成新分子。
- 生成对抗网络（GAN）：生成器生成分子，判别器判断分子是否"真实"，通过对抗训练提高生成分子的质量。
- 强化学习（RL）：将分子生成视为序列决策过程，通过奖励函数（如预测活性、合成可行性）引导生成满足特定性质的分子。
- 扩散模型（Diffusion Model）：目前最先进的生成模型，通过逐步去噪生成高质量分子，在3D分子生成方面表现优异。
2. 分子性质预测
- 图神经网络（GNN）：将分子表示为图（原子为节点，键为边），利用消息传递机制学习分子表征，预测生物活性、毒性、药代动力学性质（ADMET）。
- Transformer架构：如ChemBERTa、MolBERT，将SMILES字符串作为输入序列，利用自注意力机制学习化学语言模型。
3. 蛋白质结构预测
- AlphaFold2：利用注意力机制和多序列比对（MSA）实现接近实验精度的蛋白质结构预测，为SBDD提供了前所未有的结构基础。
- RoseTTAFold：另一种高精度蛋白质结构预测方法。