图 DeepBlock用于靶向药物设计

　　在国家自然科学基金项目（批准号：62122025、U22A2037、62202353）等资助下，湖南大学曾湘祥教授团队、西安电子科技大学李朋勇副教授团队，在利用人工智能设计靶向药物研究方面取得进展。相关成果以“一种通过反应性分子砌块进行合理配体生成与毒性控制的深度学习方法（A deep learning approach for rational ligand generation with toxicity control via reactive building blocks）”为题，于2024年11月8日发表于《自然·计算科学》（Nature Computational Science），论文链接：https://www.nature.com/articles/s43588-024-00718-0。

　　近年来，人工智能技术，特别是深度学习模型，已在药物设计领域引起了广泛关注。然而，由于化学空间的复杂性，现有方法难以精确捕捉合理的药物分子模式，导致生成的药物常面临合成难度大、毒性高等问题。如何性质可控地设计出合理的药物分子，仍是当前亟待解决的挑战。

　　受DNA编码文库（DEL）技术的启发，研究团队提出了一种新的深度学习方法DeepBlock（图），该方法针对靶标蛋白序列，基于分子砌块生成配体，利用分子砌块的可反应性保障生成分子的可合成性，并提出靶点感知的分子优化方法控制生成分子的毒性。实验结果表明，DeepBlock生成配体的可合成比例比当前最好方法提升6%，在保持高亲和力的同时具备更高的类药性和分子合理性，平均类药性分数达0.54。此外，在保证与靶标蛋白的高亲和力下，能生成出更低毒性的配体。

　　该研究提出的分子片段化与重建算法、药物分子生成算法以及药物优化方法，不仅为解决合成难度和毒性控制等实际问题提供了创新的解决方案，也为药物设计提供了全新的思路，为药物的安全性和有效性提供了有力保障。