随着人工智能技术在药物发现领域的深入应用，利用深度学习生成具有特定生物活性的3D分子结构已成为新兴研究方向。然而当前领域面临着一个关键瓶颈：尽管AI模型能够快速产生海量分子构象，但缺乏能够兼顾效率与精度的评估体系。现有方法往往陷入两难境地——要么采用经验性几何指标（如键长、键角偏差）进行快速筛查，但无法识别复杂的构象异常；要么依赖分子力学能量计算，虽能反映整体能量特征，但其准确性有限且缺乏原子级别的能量分解信息。这种评估缺陷严重制约了AI生成分子在实际药物研发中的应用可靠性。
为突破这一技术壁垒，研究团队在《Nature Communications》发表了创新性解决方案。该研究设计了一套融合AI力场与量子力学精度的双重验证系统，通过有效性测试与合理性检测两个阶段，实现了对深度学习生成3D分子的精准评估。在DUD-E（Directory of Useful Decoys-Enhanced）数据集涵盖的102个药物靶点上，该方法成功验证了5种主流分子生成模型的性能，为AI辅助药物设计建立了新的评估标准。
关键技术方法包括：1）基于AI推导的力场构建有效性测试模块，通过原子环境能量分析识别异常构象；2）采用密度泛函理论（DFT）精度数据训练的深度学习网络，实现扭转能精准预测；3）在包含102个靶点的DUD-E数据集上完成系统性验证。
研究结果方面，通过构象有效性测试发现，AI力场能精准定位因邻近原子环境不合理而产生高能量的原子，其检测效率较传统方法提升显著。在构象合理性验证阶段，基于DFT精度训练的深度学习网络可有效识别具有高扭转能的可旋转键，为分子优化提供明确指导。系统验证实验表明，该评估框架在保持量子力学级精度的同时，处理速度满足大规模筛选需求。
该研究的突破性在于首次建立了兼顾效率与精度的3D分子构象评估体系，其开源实现为学术界提供了标准化工具。通过将量子力学精度引入AI生成分子评估流程，不仅提升了虚拟筛选的可靠性，更为下一代分子生成算法的优化指明了方向。这项研究标志着AI辅助药物设计从"重生成"向"重评估"的重要转变，为精准药物研发奠定了方法学基础。
打赏
