Sildenaifl Citrate

Artificial Intelligence in Drug Discovery and Development: Transforming Pharmaceutical Innovation Drug Development Research, 2026   DOI: 10.1002/ddr.70281 摘要 药物发现耗时漫长、成本高昂、风险极高，从靶点鉴定到临床转化通常需要十余年。AI正在重塑这一范式——机器学习、深度学习和自然语言处理以前所未有的速度支持靶点鉴定、苗头化合物发现、先导化合物优化及药物重定向。AI驱动的计算机模拟平台通过预测毒性、药代动力学和可开发性，降低后期失败率。本综述审视AI在现代药物发现中的演进角色及其对制药的拓展影响。 关键词：人工智能深度学习药物发现机器学习制药开发 全文速览 1 引言  传统药物发现的困境与AI的入局 2 AI基本原理  监督/无监督/强化学习、深度学习、回归分析 3 代表性数据库  ChEMBL、PubChem、DrugBank等核心资源 4 AI在药物发现中的应用  靶点鉴定、从头设计、PK预测、毒性预测、药物重定向 5 AI在疾病检测与治疗中的应用  癌症检测、制剂开发、纳米递送 6 典型案例 & 展望  成功案例、局限挑战与未来方向 1  引言 研发一种新药从实验室到商业化通常需要近十年时间，花费约26亿美元。在临床前评估的5000个分子中，仅5%能进入临床试验，最终获批上市者仅1个——97%的药物在临床试验中失败。 图 1 | 药物发现与药物开发的研究流程   传统药物发现往往依赖天然产物或偶然发现（如青霉素、西地那非），但天然产物面临提取纯化耗时、含量微少、合成困难等瓶颈；组合化学和高通量筛选（HTS）虽加速了先导化合物发现，却受限于化合物库规模和假阳性风险。 AI的整合代表了一项革命性进步——Insilico Medicine首个AI生成药物INS018_055已进入临床后期，用于治疗特发性肺纤维化。 2  AI基本原理 监督学习 利用带标签数据训练模型，用于分类（活性/非活性）和回归（预测毒性水平或药物剂量） 无监督学习 从无标签数据中自主发现隐藏模式和结构，如将结构相似的化合物分组 强化学习 通过奖励机制使系统从经验中学习，在药物设计中通过试错优化分子结构 深度学习 通过多层神经网络提取数据的多层次表示，在图像识别、NLP和生物活性预测中表现卓越 回归分析 从输入数据预测数值，理解因变量与自变量关联，如根据化学特征估计潜在毒性 图 2 | 人工智能与传统研究手段的融合应用 3  药物发现中的代表性数据库 4  AI在药物发现中的应用 4.1 靶点鉴定 AI通过整合基因组学、蛋白质组学、转录组学等多维度数据，系统性揭示潜在治疗靶点。分子对接利用ML技术对配体与靶蛋白的三维相互作用建模；深度神经网络QSAR通过分析分子结构预测生物活性。 代表工具：AlphaFoldTargetNetOpen TargetsPandaOmicsPrecision Target 4.2 从头药物设计与化学优化 生成对抗网络（GAN）等AI技术已用于从头药物设计，通过判别器与生成器的对抗训练产生满足特定标准的新分子。TNIK抑制剂INS018_055是AI生成药物的典范——具有抗纤维化活性和类药性质，已进入后期临床研究。 代表工具：GraphINVENTChemVAEGENTRLChemistry42ReLeaSE 4.3 药代动力学预测 AI驱动的PK模型可在临床前阶段预测口服生物利用度、半衰期、清除率等关键参数，避免后期失败。SVM、随机森林等传统ML算法仍被广泛应用；深度神经网络和图神经网络通过从复杂分子结构中学习，提供更高预测精度。 代表工具：pkCSMDeepPKGastroPlusSimcypACD/Percepta 4.4 毒性预测 AI通过建立基于毒理学研究和历史数据的ML模型，识别毒性模式、预测化合物引发毒性的可能性，帮助在早期排除危险化合物。 代表工具：ProTox-IIDeepToxDeepChemOpenTox 4.5 药物重定向 药物重定向策略可显著缩短研发周期、降低风险。AI通过整合电子健康记录、组学数据和药物-靶点网络，系统性发现已批准药物的新适应症。 代表工具：DeepPurposeDeepDrugMOLICMap 图4 | 以INS018_055为例，对比分析传统药物发现策略与人工智能驱动的研究方法。 5  AI在疾病检测与治疗中的应用 癌症检测 多层感知器神经网络利用基因表达数据预测淋巴瘤亚型；AI基于NGS平台的RNA-Seq数据推断肿瘤起源；AI驱动的PET成像有助于评估肿瘤负荷和预测治疗反应 制剂开发 ML算法预测药物从长效注射剂中的释放行为；AI模型预测热熔挤出加工温度，准确率约84% 纳米颗粒药物递送 AI改善微/纳米颗粒靶向给药中的生物标志物检测，预测纳米颗粒的理化特征和药物释放模式 图5 | 机器学习模型的训练与分析工作流程，用于加快新型LAI体系的研发，即“数据驱动型LAI制剂开发”。 6  典型案例研究 癌症药物发现 深度学习系统识别新型癌症治疗化合物；ML成功识别MEK蛋白小分子抑制剂 阿尔茨海默病 ML算法识别β-分泌酶的新型抑制剂 抗生素发现 先进ML方法从超1亿个化合物中发现强效抗生素类别，包括对抗耐药菌株的化合物 COVID-19药物发现 ML算法分析大型候选药物数据库，比传统方法更快速识别潜在抗病毒化合物 图6 | 人工智能与头部制药企业在中枢神经系统、心血管疾病及肿瘤学领域的合作布局 局限性与未来展望 主要挑战 ▸ 数据质量与偏差：模型性能高度依赖训练数据 ▸ "黑箱"问题：深度学习缺乏可解释性 ▸ 化学空间覆盖不足：难以探索未被表征的区域 ▸ 实验验证瓶颈：预测仍需大量体外/体内验证 ▸ 监管与伦理挑战：数据隐私、算法公平性 未来方向 ▸ 多模态AI：整合基因组、蛋白质组、代谢组、影像等多维数据 ▸ 生成式AI与大语言模型：加速分子从头设计和文献知识提取 ▸ AI驱动的精准医疗：个体化给药和靶向治疗 ▸ AI与量子计算结合：提升分子模拟精度 ▸ 端到端AI制药管线：从靶点发现到制剂优化的全流程整合 Percepta：AI赋能药物研发的实践工具 综述中提到的AI驱动药代动力学预测、毒性评估和先导化合物优化，在工业界已有成熟落地工具。ACD/Labs旗下的Percepta平台正是这一趋势的代表——将AI/ML预测能力与化学信息学深度融合，为药物研发团队提供从分子设计到ADMET评估的全链路计算支持。 核心预测模块 理化性质预测 水溶性 沸点/蒸气压 LogD LogP pKa Absolv 极性表面积 类药5规则 密度 摩尔折射 Sigma参数 ADME预测 血脑屏障渗透性 细胞色素P450抑制剂 细胞色素P450底物 表观分布体积Vd 血浆蛋白结合率 口服生物利用度 透膜性HIA、Caco-2 P-gp特异性 PK参数 代谢位点 最大推荐日剂量 毒性预测 急性毒性LD50 水生毒性 内分泌系统干扰 致突变性 健康影响作用 hERG抑制 刺激性 药物杂质毒性评价 先导化合物结构优化 衍生物库设计 片段库设计 批量筛选可视化工具 自定义筛选参数 为什么选择Percepta？ ✦ 经实验验证的预测算法——数十万实验数据训练，准确度行业领先 ✦ 可解释性——提供预测依据和结构-性质关系分析，非"黑箱" ✦ 可定制化——支持用户自有数据精修模型，适应特定化学空间 ✦ 全流程覆盖——从早期筛选到先导优化的一站式计算平台 原文：Ali, M.S. et al. Artificial Intelligence in Drug Discovery and Development: Transforming Pharmaceutical Innovation. Drug Dev. Res. 2026. DOI: 10.1002/ddr.70281 译文仅供学术参考，完整参考文献请见原文。 Percepta软件由ACD/Labs开发，广州凯美科信息技术有限公司为中国区代理。 —END— 往期推荐 Percepta平台：加速药物发现的成药性预测及结构优化工具 Percepta平台如何通过计算预测驱动虚拟化药物研发，实现降本增效 告别预测偏差！Percepta自建专属训练库，pKa预测更准更快 从平面到三维：桥环双环骨架如何重塑ADME优化策略 先导化合物优化中，如何判断化合物的性质预测结果该不该信？ ACD/pKa—酸解离常数的预测原理与算法全解析【2025】 ACD/Percepta分子结构表单管理功能介绍汇总 Hammett电子取代基常数（σ, sigma）计算模块 【案例学习】基于成药性质的先导化合物结构优化 获取与支持 ACD/Percepta作为专业的化合物性质预测平台，整合了理化性质预测（包括pKa、logP等）、ADME/Tox性质评估以及先导化合物结构优化(ACD/Structure Design)等功能模块，能够为药物研发人员提供全方位的分子性质预测解决方案。如需获取更详细的技术参数或商务咨询，欢迎随时与我们联系。 联系方式 广州凯美科信息技术有限公司 www.chemico.com.cn 产品经理：胡炽文 联系电话：18680221948 (微信同号) 联系邮箱：hcw@chemico.com.cn

男性ED治疗领域，发生了一件值得关注的大事。 国家药品监督管理局已经正式批准1类创新药 盐酸司美那非片 上市。这不是仿制药，不是改良版，而是中国科学家从零开始、历时近十年自主研发的全新化学实体。它的诞生起点，是一味中药——淫羊藿。 它从哪里来？ 中科院上海药物研究所的研究团队，在对淫羊藿提取物进行系统研究时，发现了一种对5型磷酸二酯酶（PDE5）具有高效抑制活性的天然成分。这个发现本身并不罕见，但研究团队随后做的事情，决定了它的命运——对这个天然活性分子进行反复结构修饰和优化，最终在2016年合成出全新小分子化合物TPN171，也就是司美那非的核心成分。 从天然产物中寻找先导化合物，再通过化学合成实现"超越自然"，这是新药研发的经典路径之一，也是司美那非区别于其他PDE5抑制剂的本质所在。它与西地那非（"伟哥"）作用于同一靶点，但化学结构完全不同。 数据说话，活性到底强多少？ 衡量PDE5抑制剂效力，有一个核心指标：IC50值，即抑制50%酶活性所需的药物浓度，数值越低代表活性越强。 司美那非的IC50值为 0.62nM ，西地那非为 5.22nM 。 这意味着，达到相同的抑制效果，司美那非所需的药物浓度约为西地那非的八分之一。更低的用量，对应的是更低的全身暴露风险——这直接决定了它后续的安全性表现。 三期临床试验印证了这一点。受试者分别使用2.5mg、5mg、10mg三个剂量，男性功能专项评分（IIEF-EF）的提升幅度分别为12.3、12.3和12.7分，最终得分达到25.6至26.1——正常无ED男性的基准线是≥26.0分。最低剂量组与最高剂量组的疗效差异，几乎可以忽略不计。 副作用更少，差在哪里？ PDE5抑制剂的副作用来源有两条线索。 第一，PDE5在全身多处血管均有分布，药物扩张血管的作用不仅限于局部，头痛、潮红、血压波动均与此相关。 第二，此类药物在抑制PDE5的同时，往往对其他亚型磷酸二酯酶也会产生干扰。西地那非对PDE6有抑制作用，由此引发视觉异常；他达拉非对PDE11的抑制导致肌肉酸痛——这两个副作用在临床上都有相当比例的患者报告。 司美那非对PDE5的选择性更高，对其他亚型的干扰更弱。三期临床数据显示，三个剂量组的头痛发生率分别为2.6%、3.2%和3.7%；消化不良发生率为0%、0.5%、0.5%。视觉异常和肌肉痛这两个西地那非与他达拉非的"标志性"副作用，在司美那非的临床试验中 均未被观察到 。 肾功能不全患者是这类药物临床使用中的难点人群。司美那非在重度肾功能不全受试者中的耐受性，与肾功能正常人群相比无显著差异，无人因不耐受而退出试验——这对于合并肾病的中老年男性患者而言，是一个重要信号。 起效时间和持续时长，实际体验如何？ 口服后约30分钟内可以起效，吸收不受高脂饮食影响——这意味着服药前不需要刻意避开正餐，用药灵活性更高。 半衰期为8至11小时。西地那非的半衰期约3至5小时，他达拉非则长达17至21小时。司美那非的时间窗口，恰好介于两者之间：作用时间比西地那非更持久，但不像他达拉非那样药效延续到次日、可能影响日常活动。对于大多数按需用药的患者来说，这个半衰期区间兼顾了效果与日常作息。 从天然中药成分出发，经历近十年的化学改造与临床验证，司美那非走的是一条严谨的科学路径，而非简单的"中药+西药"概念叠加。其活性数据、安全性表现和药代动力学特征，在现有临床数据中确实展现出一定的竞争优势。 但任何药物的真正价值，都需要经历大规模、长周期的真实世界用药检验。临床试验中的受试者条件是受控的，现实患者的个体差异、合并用药情况、基础疾病复杂程度，都远比试验环境更为复杂。新药获批是起点，不是终点。 免责声明： 本文内容仅供健康科普参考，不构成任何医疗建议或用药指导。相关药物的使用须在执业医师或临床药师指导下进行，请勿自行购药或调整用药方案。不同个体存在生理差异，具体用药请遵医嘱。