综述：计算机辅助药物发现方法的元分析与综述——第一部分：从大数据到化学空间的技术演进与趋势

时间：2025年4月10日

来源：The Pharmacogenomics Journal

编辑推荐：

本综述系统梳理了计算机辅助（in silico）药物发现领域的技术演进，通过元分析评估了数据科学（DS）、机器学习（ML）与人工智能（AI）的应用效能，聚焦其对社会影响的定性分析。研究基于300篇高引文献和97篇系统筛选论文，揭示大数据如何通过公开数据库（如化学空间）优化药物开发路径，为研究者提供技术选择与知识整合的参考框架。

技术演进：从数据爆炸到智能整合

21世纪以来，药物发现领域经历了从传统实验向计算机辅助（in silico）方法的范式转移。通过对900篇文献的筛选与300篇高引论文的元分析发现，大数据（Big Data）技术的普及成为关键转折点。公开数据库（如PubChem、ChEMBL）的指数级增长，使得化学空间（Chemical Space）的探索从“盲筛”升级为靶向设计。2010年后，机器学习（ML）算法（如随机森林、深度神经网络）在化合物活性预测中的准确率突破80%，显著缩短了先导化合物优化周期。

方法论排名：AI与知识可及性的博弈

研究团队依据技术应用广度与社会影响力，对现有方法进行分层：

AI驱动模型（如AlphaFold²）因蛋白质结构预测的突破位列首位；
混合方法（ML+分子动力学）凭借成本效益比居次；
纯数据挖掘（如关联规则学习）因依赖高质量标注数据受限。值得注意的是，知识可及性（Knowledge Accessibility）成为技术落地的瓶颈——仅34%的工具提供开源代码，而专利保护导致商业化软件普及率不足。

社会影响：超越新药审批的量化指标

与传统“唯FDA批准论”不同，该综述强调技术对社会认知的改造。例如，化学空间的可视化工具（如t-SNE降维）使非专业人士能直观理解化合物聚类规律；而AI辅助的ADMET（吸收、分布、代谢、排泄、毒性）预测模型，将临床前失败率降低15%，间接减少了动物实验需求。这种“隐性效益”在文献中被高频提及，却罕见于量化评估体系。