巴塞爾大學挑AI短板！藥物設計靠“死記硬背”，藥企踩坑不斷

巴塞爾大學團隊在《自然通訊》上發了篇研究，直接給現在的藥物設計AI潑了盆冷水。

這些號稱能革新新藥開發的程序，根本沒搞懂蛋白質和小分子怎么結合，說白了就是靠死記硬背訓練數據里的模式過日子。

我之前看AlphaFold、RosettaFold拿2024年諾貝爾化學獎時，還覺得這AI真是牛到不行，以后新藥開發肯定能省不少事。

但后來發現，這研究一出來，感覺像戳破了個漂亮泡泡這些諾獎模型也就對已知的蛋白質結構拿手，碰到全新的靶點，立馬就“歇菜”了。

研究人員做了個挺狠的實驗，他們把蛋白質結合位點改了。

要么讓電荷分布全變，要么直接把結合通道堵上。

按說這么改，小分子藥物根本沒法結合了吧？結果AI不這么想，還是預測出和原來一樣的復合物結構，就像沒看見這些修改似的。

后來他們又改了小分子藥物的關鍵化學基團，讓它物理上就沒法結合，AI照樣“睜眼說瞎話”，預測出不可能的結合模式。

這就像學生考試只會背題，換個題型就懵了，AI現在就處在這個階段，根本沒理解背后的邏輯。

巴塞爾大學的利爾教授也說了，AI碰到和訓練數據不一樣的蛋白質，立馬就失效，可偏偏新藥開發最需要的就是攻克這些全新靶點。

諾獎AI遇新靶點就“歇菜”，藥企踩坑不是少數

聊完AI的核心問題，就得說說這事兒對藥企的影響了。

現在搞創新藥，大家都盯著全新的蛋白質靶點，比如治癌癥、神經退行性疾病的那些。

可這些靶點偏偏和現有數據庫里的結構差得遠，正好撞在AI的短板上。

有個事兒挺典型，2023年有家跨國藥企，靠AI設計了一款肺癌藥。

本來以為能成，結果到了II期臨床試驗，發現這藥根本沒效果，直接終止了項目，光損失就超過1.5億美元。

后來查原因，才知道是AI預測的結構有問題，他們又太信AI，沒做足夠的實驗驗證，最后坑了自己。

更麻煩的是，AI這東西還是個“黑箱”，你搞不清它是怎么得出結論的。

有時候它給出的蛋白質-藥物復合物結構，看著挺合理，可背后可能全是錯誤的物理假設。

碰到全新靶點，連個參考標準都沒有，你根本沒法判斷AI說得對不對。

如此看來，藥企要是光靠AI做決策，風險確實太大了。

我倒覺得，不是說AI不能用，而是不能迷信。

很多時候，研發團隊可能覺得有了AI就能省步驟，跳過一些實驗驗證，可恰恰是這些步驟，能幫他們避開大坑。

畢竟新藥開發不是小事，花的錢、耗的時間都不少，一步錯可能就滿盤皆輸。

想救藥物AI？得讓它懂“物理”，不是光記數據

既然AI有這么大的短板，那有沒有解決辦法呢？利爾教授提了個思路，挺靠譜的把物理化學定律直接嵌到AI模型里，讓它基于真實的分子相互作用原理去預測，而不是光靠記數據。

這種思路叫“物理信息神經網絡”，之前在流體力學、材料科學里已經試過了，效果不錯。

放到藥物設計里，就是讓AI考慮靜電相互作用、氫鍵這些實際影響結合的因素，還有蛋白質本身的動態變化。

2024年麻省理工學院搞了個“PhysioDrug-AI”模型，就用了這辦法，在全新抗菌藥物靶點預測上，比傳統AI準了不少，還能說清結合的原理，這就比之前的“黑箱”強多了。

還有種辦法是搞“混合模型”，把AI的速度和物理模型的準確性結合起來。

比如用第一性原理計算分子相互作用的底層邏輯，再讓AI處理復雜數據、加快計算速度。

斯坦福大學2024年也做過一個，算蛋白質和配體的結合能時，比純物理計算快了100倍，準確率也沒降多少。

不過不管用哪種新模型，有個環節絕對不能少實驗驗證。

巴塞爾大學的研究也強調，不管AI多先進，最后都得用物理化學實驗去驗證，比如X射線晶體衍射、核磁共振這些方法，或者用第一性原理做計算驗證。

本來想覺得AI能完全替代實驗，后來發現根本不可能，只有形成“AI預測-實驗驗證”的閉環，才能保證結果靠譜。

毫無疑問，巴塞爾大學的這項研究，算是給整個行業提了個醒。

AI在藥物設計里確實有潛力，但現在的技術還不夠成熟，沒法完全依賴。

未來要做的，就是讓AI從“死記硬背”變成“理解原理”，再加上嚴格的驗證流程，這樣才能真正幫上創新藥開發的忙。

畢竟攻克那些復雜疾病，靠的還是扎實的科學，不是花架子技術。