University of Münster

研究介绍 近年来，计算机辅助合成路线规划 (CASP) 已经成为药物合成和天然产物合成领域的有力工具。而作为化学反应中不可或缺的组成部分，反应条件（包括催化剂，溶剂，试剂等）的准确预测愈发重要，因为相同的反应物在不同条件下可能会产生完全不同的产物。对反应条件的预测有助于在 CASP 中更好地选择可行的路线。 目前化学反应条件领域还存在很多有待解决的挑战。首先，一个好的预测模型提供的反应条件应满足化学合理性，能考虑不同组分（催化剂、溶剂和试剂）之间的兼容性。其次，由于将反应物转化为产物的可行反应条件通常不是唯一的，好的预测模型应该能推荐尽可能多的可行反应条件，而这在以前的研究中被忽略了。 针对上述问题，北京大学来鲁华/裴剑锋团队开发了一种全新的反应条件预测方法 Reacon (Figure 1)，该方法结合了图神经网络 (D-MPNN)、反应模板和聚类算法，为反应条件预测提供了更全面的解决方案。 Figure 1. Reacon 框架的预测流程 作者在 USPTO 反应条件数据集上对于模型进行了训练。测试结果表明 Reacon 在 Top-3 预测中以 63.48% 的概率成功预测出与文献记录一致的反应条件，并以 85.65% 的概率预测出同类型的反应条件。作者还测试了模型在近期发表的 12 条在研药物合成路线上的表现，Reacon 在 Top-3 预测中以 85% 的概率成功预测出了与文献同类型的条件，显示出其在实际应用中的潜力。 1 反应条件数据收集 作者将反应条件分为催化剂（catalyst）、溶剂（solvent）和试剂（reagent）三部分。从原始 USPTO 专利数据中剔除了含有出现频次低于 5 次的催化剂、溶剂或试剂的反应数据。同时，每条反应条件最多包含 1 个催化剂、2 个溶剂和 3 个试剂。 2 条件预测模型 对于每一个反应条件组分，研究团队使用 D-MPNN 模型进行编码。模型的输入为反应物的分子图和反应物与产物的差异图，模型的输出为候选条件的使用概率。D-MPNN表现明显优于其它模型（包括基于普遍性的模型和基于 MLP 的 RCR 模型等）。在催化剂、溶剂 1、溶剂 2、试剂 1、试剂 2 、试剂 3 上分别达 93.12%、61.93%、86.61%、68.23%、80.44% 和 96.05% 的准确率。 3 模板-条件库 为了解决模型预测的反应组分可能存在不兼容的问题，作者提出了一种基于模板的策略。考虑到具有相同反应模板的反应往往具有相似的反应机制和反应条件，因此利用训练数据构建了模板-条件库，并提取了三种不同类型的反应模板：r1、r0 和 r0*。r1 和 r0 是通过 RDChiral 工具以不同半径提取的模板；r0* 则是从 r0 模板中仅保留原子和键得到的最简形式。最终，研究团队构建了包含 26,228 个 r1 模板、9,755 个 r0 模板和 7,106 个 r0* 模板的模板-条件库。其中 r1 模板最为具体，而 r0 和 r0* 则有更高的泛化能力。在预测过程中，模型会依照 r1，r0，r0* 的顺序从模板-条件库中搜索与输入反应模板相同的记录条件，作为候选条件。 4 条件聚类算法 为提升预测结果的多样性，研究团队设计了一种基于分子特征的聚类算法。该算法通过提取 31 个常见分子标签（如醇、醚、氧化剂、离子化合物等）对每种反应条件组分进行特征描述，并定义具有相同催化剂标签且共享两个以上相同溶剂和试剂标签的反应为相似反应。从 Figure 2 中的例子可以看出，添加聚类算法后，预测结果的多样性显著提升。 结合 D-MPNN 模型、模板-条件库和聚类算法，作者发展了 Reacon 方法。该方法在 USPTO 测试集上的 Top-3 预测准确率达到 63.48%，同类型条件预测准确率达到 85.65%。在 12 条近期在 Journal of Medicinal Chemistry drug annotation 上发表的药物合成路线上的测试表明 Reacon 在 Top-3 预测中以 85% 的概率成功获得了与文献同类型的条件（Figure 3 给出了一个代表性的例子）。这些研究结果表明 Reacon 在真实场景化学反应条件预测中具有广阔的应用前景。 Figure 2. 使用聚类算法前后的预测结果案例 Figure 3.LNP1892 的合成路线及预测的反应条件 该工作近日以 “Reacon: a template- and cluster-based framework for reaction condition prediction” (《Reacon:一种基于模板与聚类的 GNN 反应条件预测模型》) 为题发表在英国皇家化学会的旗舰期刊 Chemical Science 上。来鲁华教授和裴剑锋研究员为论文的通讯作者，化学与分子工程学院本科生王梓涵和博士后林康杰为论文共同第一作者。 论文信息 Reacon: a template- and cluster-based framework for reaction condition prediction Zihan Wang‡, Kangjie Lin‡, Jianfeng Pei* and Luhua Lai* Chem. Sci., 2025, 16, 854-866https://doi.org/10.1039/D4SC05946H 作者简介 王梓涵 本科生 北京大学 本文第一作者，北京大学化学与分子工程学院 21 级本科生，主要研究方向为计算机辅助有机反应条件预测。 林康杰 博士后 北京大学 本文第一作者，北京大学化学与分子工程学院博雅博士后，主要研究方向为天然产物和药物分子的逆合成路线预测和反应预测。 裴剑锋 特聘研究员 北京大学 本文通讯作者，北京大学前沿交叉学科研究院特聘研究员，博士生导师，长期从事化学信息学、生物信息学和药物设计研究，在国际重要学术刊物上发表论文 60 余篇, 申请获得专利 6 项，软件著作权 8 项。主持新药创制国家科技重大专项等多个国家项目。获得过中国药学会施维雅青年药物化学奖、药明康德生命化学研究奖等奖项。 来鲁华 教授 北京大学 本文通讯作者，北京大学化学与分子工程学院教授，博士生导师，北京大学-清华大学生命科学联合中心资深研究员，中国医学科学院药物设计方法研究创新单元主任。现任中国化学会理事，物理化学学科委员会主任，中国晶体学会副理事长，中国生物信息学会生物信息与药物发现专业委员会主任，Journal of Medicinal Chemistry 副主编，Journal of Chemical Information and Modeling 以及 Journal of Molecular Recognition 等杂志顾问编委。长期从事物理化学与生命科学和药学交叉研究，致力于通过揭示生物机制和发展创新理论计算方法来推动我国原创药物领域的发展，发表研究论文 300 余篇，申请专利或软件版权 30 余项。 期刊介绍 Home to exceptional research and thought-provoking ideas. Open and free, for authors and readers. rsc.li/chemical-science Chem. Sci. 2-年影响因子*7.6分5-年影响因子*8.0分JCR 分区*Q1 化学-综合CiteScore 分†14.4分中位一审周期‡33 天 Chemical Science 是涵盖化学科学各领域的跨学科综合性期刊，也是英国皇家化学会的旗舰期刊。所发表的论文不仅要在相应的领域内具有重大意义，而且还应能引起化学科学其它领域的读者的广泛兴趣。所发表的论文应包含重大进展、概念上的创新与进步或者是对领域发展的真知灼见。发文范围包括但不限于有机化学、无机化学、物理化学、材料科学、纳米科学、催化、化学生物学、分析化学、超分子化学、理论化学、计算化学、绿色化学、能源与环境化学等。作为一本钻石开放获取的期刊，读者可以免费获取所发表论文的全文，同时从该刊的论文版面费由英国皇家化学会承担，论文作者无需付费。 Editor-in-Chief Andrew Cooper🇬🇧 利物浦大学 Associate editors Vincent Artero🇫🇷 格勒诺布尔阿尔卑斯大学／法国原子能和替代能源委员会 Luis M. Campos🇺🇸 哥伦比亚大学 Lin Chen🇺🇸 西北大学 Graeme Day🇬🇧 南安普敦大学 Mircea Dincă🇺🇸 麻省理工学院 François Gabbaï🇺🇸 得克萨斯农工大学 Subi George🇮🇳 贾瓦哈拉尔·尼赫鲁高级科学研究中心 Ryan Gilmour🇩🇪 明斯特大学 Stephen Goldup🇬🇧 伯明翰大学 Jinlong Gong (巩金龙)🇨🇳 天津大学 Zaiping Guo (郭再萍)🇦🇺 阿德莱德大学 Christian Hackenberger🇩🇪 德国莱布尼茨分子药理学研究所 Malika Jeffries-EL🇺🇸 波士顿大学 Ning Jiao (焦宁)🇨🇳 北京大学 Tanja Junkers🇦🇺 莫纳什大学 Hemamala Karunadasa🇺🇸 斯坦福大学 Maja Köhn🇩🇪 弗莱堡大学 Yi-Tao Long (龙亿涛)🇨🇳 南京大学 James K McCusker🇺🇸 密歇根州立大学 Thomas J Meade🇺🇸 西北大学 Paolo Melchiorre🇮🇹 博洛尼亚大学 Gabriel Merino🇲🇽 墨西哥国家理工学院科研和高级研究中心 Hannah Shafaat🇺🇸 加州大学洛杉矶分校 Dmitri Talapin🇺🇸 芝加哥大学 Toshiharu Teranishi🇯🇵 京都大学 Andrei Yudin🇨🇦 多伦多大学 * 2023 Journal Citation Reports (Clarivate, 2024) † CiteScore 2023 by Elsevier ‡ 中位数，仅统计进入同行评审阶段的稿件 欢迎联系我们发布论文报道📧 RSCChina@rsc.org 点击下方「阅读原文」查看 ↓↓↓

研究背景 分子生成是药物先导物发现和优化领域的一项重要创新技术，但当前这类方法在生成分子的有效性、结构合理性和合成可行性等多属性优化方面存在挑战，精度和效率往往难以两全。 研究内容 近日，浙江大学药学院康玉副教授、侯廷军教授和谢昌谕教授以及华为刘力维研究员团队在分子生成领域取得突破，成功研发了一种全新的基于纯语言模型的分子生成框架：3DSMILES-GPT。这一框架通过将分子的二维和三维结构视为语言表达，在语言模型的帮助下，实现了药物分子的高效生成。 3DSMILES-GPT 方法通过在大型药物样分子数据集上预训练模型，使其能够在保证结构合理性的前提下，快速生成具有良好成药性的分子。模型以 Transformer 解码器为骨架，通过将生成二维和三维结构的任务构建为自然语言生成的问题，将原子 2D 结构和 3D 坐标编码为字符，从而有效捕获分子的 2D 和 3D 信息。模型首先在 PubChem 数据集上进行预训练，然后在特定蛋白质-配体数据集上进行微调。此外，为了更好地提取蛋白质口袋信息，3DSMILES-GPT 引入了一个可拆卸蛋白质编码器。 图 1. 3DSMILES-GPT 模型架构 实验结果显示，相较于现有方法，3DSMILES-GPT 在包括生物活性、类药性和可合成性在内的 10 项基准指标中的 8 项上表现出色。 这一研究为分子生成方法开发提供了新的视角，为实现创新药物的快速、合理设计提供了技术支持，期待这项技术能在未来的药物设计中展现出更大的应用价值。相关成果以 “3DSMILES-GPT: 3D Molecular Pocket-based Generation with Token-only Large Language Model”(《3DSMILES-GPT：基于语言模型的 3D 分子生成》) 为题发表在 Chemical Science 上，并入选为 2024 Chemical Science HOT Article Collection。 论文信息 3DSMILES-GPT: 3D molecular pocket-based generation with token-only large language model Jike Wang,‡ Hao Luo,‡ Rui Qin,‡ Mingyang Wang, Xiaozhe Wan, Meijing Fang, Odin Zhang, Qiaolin Gou, Qun Su, Chao Shen, Ziyi You, Liwei Liu,* Chang-Yu Hsieh,* Tingjun Hou* and Yu Kang* Chem. Sci., 2025, 16, 637-648https://doi.org/10.1039/D4SC06864E 作者简介 王極可 博士 浙江大学 本文第一作者，浙江大学药学院博士，主要研究方向为人工智能药物设计,包括小分子、多肽和抗体的设计。主导和参与开发了 MCMG、ClickGen 和 DrugFlow 等分子生成、成药性预测方法和软件 10 余件，主持国家自然科学基金青年科学基金项目等科研项目 4 项。在 Nat Mach Intell、Nat Commun、J Med Chem、Chem Sci 等国际知名期刊发表 SCI 论文 40 余篇。 罗浩 硕士研究生 浙江大学 本文共同第一作者，浙江大学研究生，主要从事基于大规模语言模型与检索增强生成技术的智能分子设计研究，包括分子生成与优化等方向。 秦睿 博士研究生 浙江大学 本文共同第一作者，浙江大学药学院博士研究生。2023 年本科毕业于中山大学药学院。研究方向为化学语言模型和基于深度生成模型的药物设计。 康玉 副教授 浙江大学 本文通讯作者，浙江大学药学院副教授，主要从事人工智能/计算机辅助药物设计领域的创新算法研究工作，开发了包括分子生成、构象采样和生成、虚拟筛选打分方法等系列创新算法和软件工具，部分创新算法已落地碳硅智慧一站式药物设计平台DrugFlow，并作为华为云盘古药物大模型2.0的核心技术底座，获得华为前瞻性创新研究项目资助。近年来在Nat Mach Intell、Nat Comput Sci、J Am Chem Soc、Chem Sci、J Med Chem、Acta Pharm Sin B等领域内重要期刊发表论文100余篇，H-index 36；获授权国家发明专利和软件著作权20余件；主持国家级科研项目4项、企业创新研究资助项目2项、省级人才项目及其他项目多项。 侯廷军 教授 浙江大学 本文共同通讯作者，浙江大学药学院求是特聘教授，长期围绕计算机辅助药物设计中的核心问题展开前沿交叉学科研究，开发了 MCMG、ADMETlab、BioMedR、ASFP、HawkRank、MORT、CaFE、farPPI、PROTAC-DB 等分子描述符计算、分子生成、成药性预测、蛋白-蛋白对接、自由能计算软件和数据库 40 余套。在 Nat Mach Intell、Nat Comput Sci、Nat Protoc、Nat Commun、Chem Rev、J Am Chem Soc、Sci Adv、Adv Sci、Nucleic Acids Res、ACS Cent Sci 等国际知名期刊共发表 SCI 论文 500 余篇，总引超过 33000 次，H 因子 89。获授权专利和软件著作权 90 余项。入选国家万人计划领军人才、科技部中青年科技创新领军人才、科睿唯安全球高被引科学家、爱思唯尔中国高被引学者、首届中国化学会计算(机)化学专委会青年计算化学家奖、英国皇家化学会“Top 1%”高被引中国作者、第八届药明康德生命化学研究奖等学术奖项和荣誉。担任中国计算机学会智能医学委员会副主任委员、中国化学会计算(机)化学专业委员会副主任委员，Brief Bioinform、J Cheminform、Mol Pharmaceut、J Chem Inf Model、Int J Mol Sci、Front Pharmacol 等 14 本 SCI 期刊副主编、编委或顾问编委。 谢昌谕 教授 浙江大学 本文共同通讯作者，浙江大学药学院求是工程教授，于加拿大多伦多大学获得工程物理学士学位、加拿大渥太华大学获得物理博士学位，随后在多伦多大学与麻省理工进行理论化学的博士后研究。2018 年加入腾讯量子实验室，从事量子计算和 AI for Science 的前沿计算技术研究与落地探索。2022 年加入浙江大学药学院，现任浙江大学求是工程教授，从事前沿计算技术在药物研发的应用研究和理论与算法开发。在 Nat Mach Intell、Nat Comput Sci、Nat Comm 等国际知名期刊共发表 SCI 论文 200 余篇，总引超过 6000 次，H 因子 37。 刘力维 研究员 华为技术有限公司 本文共同通讯作者，华为技术有限公司中央研究院研究员。从事 AI4S 前沿研究，重点关注药物/生命科学/医疗/健康/材料领域，在 Nat Mach Intell、Adv Sci、Chem Sci、Brief Bioinform 等发表多篇论文。 期刊介绍 Home to exceptional research and thought-provoking ideas. Open and free, for authors and readers. rsc.li/chemical-science Chem. Sci. 2-年影响因子*7.6分5-年影响因子*8.0分JCR 分区*Q1 化学-综合CiteScore 分†14.4分中位一审周期‡33 天 Chemical Science 是涵盖化学科学各领域的跨学科综合性期刊，也是英国皇家化学会的旗舰期刊。所发表的论文不仅要在相应的领域内具有重大意义，而且还应能引起化学科学其它领域的读者的广泛兴趣。所发表的论文应包含重大进展、概念上的创新与进步或者是对领域发展的真知灼见。发文范围包括但不限于有机化学、无机化学、物理化学、材料科学、纳米科学、催化、化学生物学、分析化学、超分子化学、理论化学、计算化学、绿色化学、能源与环境化学等。作为一本钻石开放获取的期刊，读者可以免费获取所发表论文的全文，同时从该刊的论文版面费由英国皇家化学会承担，论文作者无需付费。 Editor-in-Chief Andrew Cooper🇬🇧 利物浦大学 Associate editors Vincent Artero🇫🇷 格勒诺布尔阿尔卑斯大学／法国原子能和替代能源委员会 Luis M. Campos🇺🇸 哥伦比亚大学 Lin Chen🇺🇸 西北大学 Graeme Day🇬🇧 南安普敦大学 Mircea Dincă🇺🇸 麻省理工学院 François Gabbaï🇺🇸 得克萨斯农工大学 Subi George🇮🇳 贾瓦哈拉尔·尼赫鲁高级科学研究中心 Ryan Gilmour🇩🇪 明斯特大学 Stephen Goldup🇬🇧 伯明翰大学 Jinlong Gong (巩金龙)🇨🇳 天津大学 Zaiping Guo (郭再萍)🇦🇺 阿德莱德大学 Christian Hackenberger🇩🇪 德国莱布尼茨分子药理学研究所 Malika Jeffries-EL🇺🇸 波士顿大学 Ning Jiao (焦宁)🇨🇳 北京大学 Tanja Junkers🇦🇺 莫纳什大学 Hemamala Karunadasa🇺🇸 斯坦福大学 Maja Köhn🇩🇪 弗莱堡大学 Yi-Tao Long (龙亿涛)🇨🇳 南京大学 James K McCusker🇺🇸 密歇根州立大学 Thomas J Meade🇺🇸 西北大学 Paolo Melchiorre🇮🇹 博洛尼亚大学 Gabriel Merino🇲🇽 墨西哥国家理工学院科研和高级研究中心 Hannah Shafaat🇺🇸 加州大学洛杉矶分校 Dmitri Talapin🇺🇸 芝加哥大学 Toshiharu Teranishi🇯🇵 京都大学 Andrei Yudin🇨🇦 多伦多大学 * 2023 Journal Citation Reports (Clarivate, 2024) † CiteScore 2023 by Elsevier ‡ 中位数，仅统计进入同行评审阶段的稿件 欢迎联系我们发布论文报道📧 RSCChina@rsc.org 点击下方「阅读原文」查看 ↓↓↓

研究背景 传统中医药（Traditional Chinese Medicine, TCM）在中国已有数百年治疗各种疾病的历史，其核心理念是“气”（生命能量）和阴阳平衡理论，这些理念在诊断和治疗中起着关键作用。TCM 涵盖针灸、草药治疗、按摩和饮食疗法等多种应用，这些应用植根于古代知识，并在数百年间不断精炼。 TCM 是天然产物的重要来源，从 1981 年到 2019 年，超过 60% 的 FDA 批准的小分子药物直接或间接来源于天然产物。此外，TCM 还能根据患者的具体需求和偏好提供多种治疗选择 近年来，人工智能 (AI) 技术的发展为 TCM 研究带来了巨大潜力。通过加速药物发现、优化配方和推动 TCM 现代化，AI 技术可以确保 TCM 在保留传统根基的同时，与最新的科学进展同步发展。目前，在 TCM 研究中引入 AI 不仅提高了诊断的准确性，还促进了个性化医疗的发展，使 TCM 研究更加高效和精准。 研究内容 近日，北京大学陈语谦教授团队围绕人工智能 (AI) 对传统中医药 (TCM) 研究的赋能这一主题，深入探讨了 TCM 与 AI 在多个研究领域的整合应用，包括草药筛选、新药发现、诊断治疗原则、药理机制和网络药理学等。该综述还详细探讨了 AI 通过数据挖掘、模式识别和预测分析，揭示 TCM 复杂配方的活性成分和作用机制。AI 与 TCM 的结合不仅帮助人们从新的角度理解传统的中医药知识，还开辟了新的研究方法和治疗策略。 Fig. 1 基于人工智能的中医药化学数据分析促进了化学成分的识别、药物发现、个性化治疗和药理作用的阐明，推动了中医药的现代化和可持续发展。 目前，中医药的网络研究主要集中在证明中医药理论上，缺乏网络设计和优化原则的明确定义。合理的处方设计可分为自上而下和自下而上两种类型。自上而下的方法基于旧处方设计新处方，而自下而上的方法则不考虑旧处方，完全基于疾病网络设计新处方。作者结合了多种可行的方法，首先定义了几种未来最常见的自上而下优化模型。自上而下和自下而上的设计方法都基于生物网络建立相关性，但它们在考虑现有处方和中医理论方面存在差异。在中医理论尚未定量表达之前，不考虑旧处方的新公式设计更可能与中医原则相冲突。近年来，中医逐渐向天然产品的分类和组织发展。在人类过度开发的背景下，许多物种面临灭绝，因此作者建议建立一种计算天然产品与中医药物种个体之间相关性的方法，并使用高可靠性模型快速筛选可替代、可优化和可去除的处方成分。作者认为，新处方公式的设计必将成为一个核心研究领域，为中药的可持续发展带来重要影响。 Fig. 2 中医处方网络设计与优化方法概述。(A) 组成处方网络的五个基本元素。(B) 组成处方网络的五个基本元素。(C) 针对靶点的四种基本操作模型。(D) 为了便于设计，处方可以简化为三个元素：高贡献节点（HCN）、低贡献节点（LCN）和中间节点（介于前两者之间）；在非理想网络中出现两种类型的条件：一种是贡献能够平衡网络，另一种是趋向于 HCN 但无法实现平衡；非理想网络可以细分为各种子网络。处方设计分为 (E) 自下而上的公式设计和 (F) 自上而下的公式设计。自上而下的公式设计可以进一步细分为五种基本设计模型：替换、添加、增强、减少和移除。自上而下和自下而上的处方设计都有潜力 (G) 在调整和控制不同疾病网络及异常节点时考虑不同的中医理论。(H) 自然产品的分类和组织能够扩展大多数中医处方优化的设计范围，提供患者健康的整体视角，并增强中医治疗的精准性。 在中医领域，了解草药与常规药物之间的相互作用对于确保患者安全和治疗效果至关重要。作者针对中药与西药相互作用的综合临床研究给出了一种提案。该提案设定了一个综合临床研究系统，旨在全面探索这些相互作用，如图 3 所示，该系统分为三个主要模块：临床研究系统、综合系统和基础研究，每个模块关注化学分析和数据整合的不同方面，以预测和分析药物不相容性。临床研究系统主要负责收集和分析临床数据，以评估草药与药物组合的药代动力学和药效学特性。该模块可以利用先进的化学提取方法和分析技术，旨在通过严格的临床测试和化学分析识别潜在的不良相互作用。同时，该模块也可以利用数据挖掘和机器学习算法处理复杂的临床数据，识别预测药物相互作用结果的模式。综合方法的核心是综合系统，其中包含 HAZA@home 平台。该系统可以结合临床研究和基础研究的数据，为患者提供实时健康监测和预测分析，也可以使用广泛的数据库网络和模拟工具，个性化健康评估和药物相互作用警示，利用人工智能根据个体患者数据调整建议。基础研究系统模块通过深入的化学分析和计算建模来支持综合系统，预测药物靶点并模拟药物相互作用。这包括使用中医和临床药物数据库、ADMET 预测模型及创建小分子数据库。这些工具对于理解药物相互作用的生化机制至关重要，有助于开发预防潜在不良反应的策略。该提案体现了在中医药相互作用研究中临床与基础科学方法的整合。通过结合化学分析、实时数据监测和人工智能驱动的预测建模，该系统不仅可以增强对复杂药物相互作用的理解，还将开创中药与药物治疗整合中患者安全的新方法，为未来的研究和应用设定基准。 Fig. 3 一个全面的自动临床研究系统提案。该框架分为三个主要模块：临床研究系统、综合系统和基础研究系统。临床研究系统模块包括手术样本提取、化学分析和数据挖掘等阶段。该工作流程旨在建立一个验证系统，以严格测试和确认草药与药理物质之间观察到的相互作用。综合系统作为临床与基础科学数据之间的桥梁，通过HAZA@home等平台促进不同数据集的整合。它支持在家进行全面分析，使用户能够使用综合网络药理学工具进行初步疾病评估。基础研究系统专注于药物相互作用的理论和机制。该模块采用多种计算和实验方法，包括靶点预测、ADMET模拟和分子数据库构建，旨在通过深入的化学分析和模拟建模阐明药物相互作用的分子基础。 该成果以“AI empowering traditional Chinese medicine?”(《人工智能可以赋能传统中医药吗？》)为题，发表在英国皇家化学会期刊 Chemical Science 上。 论文信息 AI empowering traditional Chinese medicine? Zhilin Song†, Guanxing Chen† and Calvin Yu-Chian Chen*（陈语谦，北京大学） Chem. Sci., 2024, 15, 168443-16866https://doi.org/10.1039/D4SC04107K 作者简介 宋治霖 博士研究生 北京大学 本文共同第一作者，北京大学化学生物学与生物技术学院 2021 级博士生，本科毕业于厦门大学，研究方向为天然产物化学，计算化学和机器学习辅助的有机合成方法学。 陈观兴 博士研究生 中山大学 本文共同第一作者，本硕毕业于中山大学，目前在中山大学智能工程学院攻读博士学位。他的研究兴趣包括图神经网络、药物发现、疫苗设计和化学反应生成。 陈语谦 教授 北京大学 本文通讯作者，北京大学科学智能 (AI for Science, AI4S) 中心主任。分别在台湾大学，麻省理工学院，哈佛大学学习和工作。曾任麻省理工学院博士后、研究员，哈佛大学研究员、匹兹堡大学教授、北京大学客座教授、浙江大学光彪讲座教授、中山大学智能工程学院智能医疗中心主任教授。从事人工智能在药物、医学、化学、生物上的研究，Nature 子刊、Cell 子刊和 TPAMI 等期刊和 ICML、CVPR、AAAI 会议论文 370 余篇，累计被引 9800 余次，H-index 为 53。在 2020-2024 年入选 Elsevier 中国高被引学者榜单（计算机学与技术领域）。2021-2024 年入选了全球学者学术影响力排行榜，2018-2024 年同时入选全球 World’s Top 2% Scientists 的“终身科学影响力排行榜(career-long impact)”和“年度科学影响力排行榜(single-year impact)”榜单。 期刊介绍 Home to exceptional research and thought-provoking ideas. Open and free, for authors and readers. rsc.li/chemical-science Chem. Sci. 2-年影响因子*7.6分5-年影响因子*8.0分JCR 分区*Q1 化学-综合CiteScore 分†14.4分中位一审周期‡33 天 Chemical Science 是涵盖化学科学各领域的跨学科综合性期刊，也是英国皇家化学会的旗舰期刊。所发表的论文不仅要在相应的领域内具有重大意义，而且还应能引起化学科学其它领域的读者的广泛兴趣。所发表的论文应包含重大进展、概念上的创新与进步或者是对领域发展的真知灼见。发文范围包括但不限于有机化学、无机化学、物理化学、材料科学、纳米科学、催化、化学生物学、分析化学、超分子化学、理论化学、计算化学、绿色化学、能源与环境化学等。作为一本钻石开放获取的期刊，读者可以免费获取所发表论文的全文，同时从该刊的论文版面费由英国皇家化学会承担，论文作者无需付费。 Editor-in-Chief Andrew Cooper🇬🇧 利物浦大学 Associate editors Vincent Artero🇫🇷 格勒诺布尔阿尔卑斯大学／法国原子能和替代能源委员会 Luis M. Campos🇺🇸 哥伦比亚大学 Lin Chen🇺🇸 西北大学 Graeme Day🇬🇧 南安普敦大学 Mircea Dincă🇺🇸 麻省理工学院 François Gabbaï🇺🇸 得克萨斯农工大学 Subi George🇮🇳 贾瓦哈拉尔·尼赫鲁高级科学研究中心 Ryan Gilmour🇩🇪 明斯特大学 Stephen Goldup🇬🇧 伯明翰大学 Jinlong Gong (巩金龙)🇨🇳 天津大学 Zaiping Guo (郭再萍)🇦🇺 阿德莱德大学 Christian Hackenberger🇩🇪 德国莱布尼茨分子药理学研究所 Malika Jeffries-EL🇺🇸 波士顿大学 Ning Jiao (焦宁)🇨🇳 北京大学 Tanja Junkers🇦🇺 莫纳什大学 Hemamala Karunadasa🇺🇸 斯坦福大学 Maja Köhn🇩🇪 弗莱堡大学 Yi-Tao Long (龙亿涛)🇨🇳 南京大学 James K McCusker🇺🇸 密歇根州立大学 Thomas J Meade🇺🇸 西北大学 Paolo Melchiorre🇮🇹 博洛尼亚大学 Gabriel Merino🇲🇽 墨西哥国家理工学院科研和高级研究中心 Hannah Shafaat🇺🇸 加州大学洛杉矶分校 Dmitri Talapin🇺🇸 芝加哥大学 Toshiharu Teranishi🇯🇵 京都大学 Andrei Yudin🇨🇦 多伦多大学 * 2023 Journal Citation Reports (Clarivate, 2024) † CiteScore 2023 by Elsevier ‡ 中位数，仅统计进入同行评审阶段的稿件