上一章在谈到药物虚拟筛选和设计时，感觉两部分有一些交叉和重叠，影响了我梳理先导化合物研发AI应用的一些思路；又由于前期的基本概念的梳理，使得我对先导化合物研发的过程有了一个基本的认知。因此想直接跳过基础概念和知识的介绍，从我的理解出发来梳理先导化合物研发过程中AI可能参与到的部分。
-
药物发现的核心是：1. 靶点发现 2.找到作用在靶点上的药物(先导化合物发现) 3.先导化合物优化
疾病靶点的寻找是药物发现的至关重要的第一步，决定了药物发现的成败。其本身就是医学基础科研部分（当然也包括了生物信息学技术和AI应用）的核心问题之一，我们暂时先focus在“2.先导化合物发现”这部分内容上。
-
先导化合物发现就两种途径：1.从现成的化合物中去找（药物筛选） 2.自己设计新的（药物分子设计）。至关重要的一点是（也是先前我在梳理时未提前考虑到的），药物分子设计也离不开药物筛选（因为也是大量设计后再筛选）
-
筛选也好，设计也好，先导化合物发现过程都需要有计算机的辅助。而一旦有了计算机的辅助，那么就可以通过数据处理、分析、建模来提高生产效率。总结来讲，只要有先导化合物发现相关的数据，就有AI用武之地；不同之处在于用在何处，何处更急需。
-
先导化合物发现领域因其漫长的历史和复杂性，本身具有诸多专业名词和令人费解的概念，要理解起来原本就是一件很complicated的事情；在这其中将AI的应用进行梳理和对应就更为艰难。接下来我要基于自己对先导化合物发现过程的理解，从自己的角度梳理先导化合物发现的过程
一、药物筛选
- 药物筛选分为高通量筛选和虚拟高通量筛选，前者是通过实验手段(包括生化和细胞)对化合物进行大规模检测；
而后者则是在计算机上完成，这意味着要在计算机上模拟或者计算：1）药物或靶点或配体的结构 2）药物与靶点的连接强度
3）作用效应。要在计算机上模拟或者计算，则必须要有既往的数据（最初由实验手段得到）支撑。
计算机模拟或者计算就是AI，只不过可能专业名称不同，不同场景下称谓不同而已。
二、药物设计
- 如果说虚拟筛选是基于已有的靶点和先导化合物结构信息，通过高通量地进行二者结合模拟，筛选出先导化合物；
那么药物设计就是基于已有的靶点结构信息和既往的化学模块/基团作用效应，通过计算机设计出全新的先导化合物，
并进一步通过虚拟筛选或实验加以验证。
先导化合物发现途径关系示意图
三、计算机辅助下的药物发现过程及AI应用
计算机辅助下的药物发现过程及AI应用
主要有三大块：3.1 靶点发现 3.2 先导化合物筛选 3.3 先导化合物分子设计
-
3.1 靶点发现
靶点发现(target identification).png
-
3.2 先导化合物筛选(AI主要用于虚拟高通量筛选)
虚拟高通量筛选(vHTS).png
-
3.3 先导化合物分子设计(暂略)
计算机辅助下的药物发现过程及AI应用总结图
机器学习在药物发现过程中的成功应用案例
具体的机器学习算法与药物发现
化合物分子表示的挑战
参考文献
《人工智能在基于配体和受体结构的药物筛选中的应用进展》
复星医药与英矽智能Pharma.AI,开发CD47免疫治疗药物
Applications of machine learning in drug discovery and development
