导语做早期新药研发的团队往往都会遇到两个难题第一个难题传统实验筛选成本高、周期长。第二个难题AI计算预测与真实药效之间存在距离。很多研发团队拿到一个潜在靶点后会直接进入蛋白验证、细胞实验甚至动物模型阶段却忽视了前期数据验证的重要性。那么对于资金、设备有限的高校团队和初创药企如何建立一套低成本、高效率、计算与实验结合的新药研发验证体系答案并不是简单依赖某一种技术而是通过多组学数据筛选靶点 → AI优化分子设计 → 蛋白质组学解析生物响应 → 实验验证确认 → 形成研发闭环。让计算预测和实验数据相互反馈减少无效投入提高早期药物发现效率。01 靶点源头多组学数据蛋白质组学提前判断靶点价值1. 公共数据库快速筛选候选靶点对于预算有限的研发团队可以优先利用公开数据库完成第一轮筛选。① Open Targets评估疾病关联性Open Targets整合基因组学、遗传学、临床表型等多维数据可以帮助研究人员评估某个基因或靶点与疾病之间的关联程度并进行优先级排序。② ChEMBL分析已有药物化学空间ChEMBL收录大量小分子与靶点相互作用数据可用于了解是否存在已知活性化合物是否具有药物开发基础是否存在潜在脱靶风险。通过数据库初筛可以提前淘汰疾病关联弱、开发价值有限的候选方向将资源集中到更有潜力的靶点。2. 蛋白质组学验证从“关联靶点”找到“功能靶点”仅依靠基因组或转录组数据并不能完全说明目标蛋白在疾病过程中发挥关键作用。在真实生物体系中蛋白才是执行功能的主要分子。因此需要进一步回答这个靶点对应的蛋白是否真的发生改变蛋白质组学能够从蛋白表达和功能状态层面对候选靶点进行验证。例如▶ 定量蛋白质组学比较疾病状态与正常状态下蛋白表达差异寻找真正异常变化的蛋白。▶磷酸化蛋白质组学分析异常信号通路激活情况帮助发现疾病驱动机制。▶蛋白互作分析解析目标蛋白所在调控网络判断其是否处于关键功能节点。通过“数据库筛选蛋白质组学验证”的策略可以减少仅凭理论推测进入实验阶段带来的风险。对于研发资源有限的团队也可以采用针对性蛋白质组检测方案对关键样本进行精准验证在成本和信息量之间取得平衡。谱度众合持续深耕基于质谱技术的蛋白质研究领域20年专注于互作蛋白筛选、药物靶点筛选、分子机制解析、生物标志物发现等具体研究场景点击文末阅读原文即可获取蛋白质组学相关实验设计方案。3. 蛋白动态结构分析解决AI结构预测的局限完成靶点评估后下一步需要获得可靠的蛋白结构信息为后续分子设计提供基础。目前AlphaFold等AI结构预测工具极大降低了蛋白结构获取门槛但预测结构通常代表某一种稳定状态无法完全反映蛋白在真实环境中的动态变化。而药物结合往往依赖蛋白构象变化。例如▶ 某些隐藏结合口袋可能只有在蛋白运动过程中短暂暴露▶ 某些小分子可能通过诱导蛋白构象变化发挥作用。因此需要结合分子动力学模拟对蛋白结构进行动态优化。通过潜在结合口袋分析、分子动力学模拟、动态构象变化分析可以获得更加接近真实状态的药物结合模型为后续虚拟筛选提供更可靠的基础。02 突破化学空间限制AI虚拟筛选发现潜在苗头分子传统现货化合物库仅数百万分子化学骨架同质化严重难以产出具备专利新颖性的苗头分子而百亿级按需合成库Enamine REAL包含750亿类药小分子。1. 算力瓶颈解决方案AI代理模型超高通量虚拟筛选uHTVS直接对百亿分子全量物理对接算力成本极高普通集群需数月运算采用自适应靶向引导虚拟筛选ATG-VS降维策略单机消费级GPU即可完成① 多样性子集采样从百亿库中抽取百万级代表性分子② 精准物理对接打分AutoDock-GPU并行计算子集分子结合分数③ 训练AI代理模型以分子二维/三维描述符对接分值训练随机森林/深度神经网络④ 全库极速预测训练完成的模型毫秒级推断剩余全部分子活性筛选Top0.001%高潜力化合物⑤ 最终精细验证仅浓缩后的高分子集开展全柔性对接、构象聚类。2. 两套轻量化算力方案适配不同团队技术方案硬件要求运算周期筛选优势Deep Docking4张RTX4070多GPU单机数天适配10–100亿级按需合成库命中率18%–50%APEX启发式搜索单张高端消费GPU数分钟小时百亿至千亿级化合物极速检索硬件门槛最低03 多层级联合打分体系减少无用合成采购虚拟筛选最大资源损耗来源是假阳性分子 ——对接分数虚高但湿实验无结合活性。建立粗筛 → AI 深度学习重打分 → 共识打分 → MD自由能终筛四级过滤体系逐级压缩候选分子数量。1. 一级粗筛AutoDock-GPU批量生成结合构象依托GPU并行能力快速输出分子多种结合姿态但传统经验打分函数对立体化学、弱相互作用计算简化仅用作构象生成不做最终筛选依据。2. 二级核心过滤GNINA 3D-CNN深度学习重打分核心降噪步骤将AutoDock输出的复合物体素化通过三维卷积网络自动提取蛋白-配体空间结合特征不依赖人工预设能量公式。实测数据经GNINA CNNscore重打分后前1%化合物早期富集因子EF1%是单一物理打分2倍以上可直接剔除绝大多数严重假阳性分子。3. 三级共识打分融合多算法消除单一工具偏差任意打分函数均存在靶点适配局限性采用多模型融合策略提升预测鲁棒性融合Vina、GNINA、RTMscore多套打分排名使用Z-score标准化、平均排名法整合结果仅多工具同步排名靠前、构象应变能更低的分子进入下一阶段。4. 四级终局把关MDMM-GBSA自由能计算采购前最后屏障静态对接忽略生理环境水分子、离子屏蔽、蛋白热运动大量高分分子在水溶液中会快速脱离口袋。开源低成本流程▶ OpenMM运行10–50纳秒短时MD平衡模拟▶ gmx_MMPBSA批量计算MM-GBSA结合自由能同步输出单残基能量分解图谱判断分子是否与靶点核心功能残基形成稳定相互作用。经自由能筛选后留存分子体外活性实验成功率大幅提升避免批量采购无活性化合物。04 AI分子设计从发现分子到优化分子拿到苗头分子后传统人工骨架优化效率低、易陷入专利壁垒采用生成式AI工具完成多目标分子改造同时前置拦截毒性干扰分子。1. 开源强化学习分子生成REINVENT 4无需从零训练大模型阿斯利康开源REINVENT 4适配早期研发需求可设置多目标奖励函数同步约束▶ 保留核心药效团如激酶铰链结合位点相互作用▶ 限定理化性质LogP5、合理TPSA区间▶ 自动剔除高活性危险基团、已知毒性片段搭配课程学习策略逐步收紧约束条件产出全新、可合成、具备知识产权差异化的分子骨架。2. ADMETPAINS双重拦截规避实验假象虚拟库中大量PAINS、SCAMs胶体聚集分子会在生化实验产生假阳性信号消耗验证资源计算阶段强制两步过滤①ADMET-AI/DataPype毫秒级预测吸收、代谢、毒性、血脑屏障、P-gp抑制风险②RDKit亚结构检索批量过滤高反应活性、荧光干扰、胶体聚集类干扰化合物将无成药潜力分子拦截在合成采购之前。05 低成本湿实验闭环DSF热位移分析作为计算与实验的转换枢纽经过多层计算筛选后候选分子通常仅50–100个不建议直接使用SPR、ITC、NMR等高成本设备初筛搭建DSF分级验证体系最大化节约蛋白、耗材、设备投入。1. DSF热位移TSA核心低成本优势对比主流生物物理表征手段适配资源有限团队对比维度DSF热位移分析SPRITC设备投入极低复用实验室现有qPCR仪数十万至百万美元专用设备高端微量热仪采购维护成本高蛋白消耗量纳克/微克级微量体系前期固定条件损耗蛋白量大单次反应消耗毫克级蛋白实验通量兼容96/384/1536微孔板高通量并行检测通道数量限制通量中等单批次仅单个样品通量极低抗假阳性能力优异可识别胶体聚集类假阳性易受化合物疏水吸附干扰存在溶解热背景干扰2. DSF完整验证流程① 首轮大规模初筛全部计算筛选候选分子上机DSF记录蛋白熔解温度偏移ΔTm仅ΔTm显著、通过Selwyn基线测试的分子标记为真实苗头② 高精度精细表征仅筛选出的少数阳性分子送至平台/CRO使用SPR/ITC测定KD、动力学结合常数。06 轻资产研发底座全开源工具链弹性云端算力多数早期团队成本浪费在商业CADD、分子模拟软件年费与自建GPU集群上采用“工具开源化、算力云端化”架构实现轻资产运转1. 自动化开源计算管线搭建依托Python、DeepMol、SCP框架串联全套免费工具RDKit化学信息处理AutoDock-GPU对接GNINAAI重打分OpenMMMD模拟敏感数据可使用浏览器端本地CADD工具无需上传至外部服务器保障数据安全。2. 按需租用云端弹性算力虚拟筛选、MM-GBSA模拟属于脉冲式算力需求湿实验阶段算力闲置采用竞价GPU实例按需租用任务完成立即释放将大额固定资产投入转为浮动运营成本。总结对于高校课题组、初创药企来说只要坚守上述计算驱动结合层层低成本验证的组合策略哪怕在资源高度紧缺的境况下依然能够以惊人的速度和极低的试错成本将具备极高成药潜力的全新化学实体平稳推入后续的全面药理学研究阶段在惨烈的新药竞逐中把握真正的先机。值得注意的是AI可以预测哪个分子可能与靶点结合。但药物研发最终需要回答这个分子进入细胞后是否真正产生预期作用这也是计算预测与实验验证之间的重要鸿沟。蛋白质组学能够从系统层面分析药物处理后的蛋白变化帮助研发团队判断目标通路是否被调控药物作用机制是否符合预期是否出现潜在脱靶效应。因此在AI药物设计流程中加入蛋白质组学可以形成“AI分子设计 → 蛋白质组学机制分析 → 实验验证 → 数据反馈优化”的闭环模式。这不仅能够提高候选分子的筛选效率也能够帮助研发团队更早发现作用机制和潜在风险。参考资料1. Ferreira FJN, Carneiro AS. Artificial intelligence and machine learning in drug discovery: a comprehensive review of recent advances, methodologies, and challenges. ACS Omega. 2025;10(24):23889-23903. doi:10.1021/acsomega.5c005492. de Lima JAL, Franco LS, Lima LM. Big data for drug discovery: some historical landscape, considerations, and applications for a medicinal chemist. ACS Omega. 2026;11(7):6817-6833. doi:10.1021/acsomega.5c088283. Wang K, Huang Y, Wang Y, You Q, Wang L. Recent advances from computer-aided drug design to artificial intelligence drug design. RSC Med Chem. 2025;16(12):3978-3998. doi:10.1039/d4md00522h4. Zhao L, Ciallella HL, Aleksunes LM, Zhu H. Big data in drug discovery and development: challenges and opportunities in the era of machine learning and deep learning. Drug Discov Today. 2021;26(9):2047-2062. doi:10.1016/j.drudis.2021.03.0205. Sliwoski G, Kothiwale S, Meiler J, Lowe EW Jr. Computational methods in drug discovery. Pharmacol Rev. 2013;66(1):334-395. doi:10.1124/pr.112.007336 新药研发中，如何低成本、高效地验证药物靶点和分子设计？
导语做早期新药研发的团队往往都会遇到两个难题第一个难题传统实验筛选成本高、周期长。第二个难题AI计算预测与真实药效之间存在距离。很多研发团队拿到一个潜在靶点后会直接进入蛋白验证、细胞实验甚至动物模型阶段却忽视了前期数据验证的重要性。那么对于资金、设备有限的高校团队和初创药企如何建立一套低成本、高效率、计算与实验结合的新药研发验证体系答案并不是简单依赖某一种技术而是通过多组学数据筛选靶点 → AI优化分子设计 → 蛋白质组学解析生物响应 → 实验验证确认 → 形成研发闭环。让计算预测和实验数据相互反馈减少无效投入提高早期药物发现效率。01 靶点源头多组学数据蛋白质组学提前判断靶点价值1. 公共数据库快速筛选候选靶点对于预算有限的研发团队可以优先利用公开数据库完成第一轮筛选。① Open Targets评估疾病关联性Open Targets整合基因组学、遗传学、临床表型等多维数据可以帮助研究人员评估某个基因或靶点与疾病之间的关联程度并进行优先级排序。② ChEMBL分析已有药物化学空间ChEMBL收录大量小分子与靶点相互作用数据可用于了解是否存在已知活性化合物是否具有药物开发基础是否存在潜在脱靶风险。通过数据库初筛可以提前淘汰疾病关联弱、开发价值有限的候选方向将资源集中到更有潜力的靶点。2. 蛋白质组学验证从“关联靶点”找到“功能靶点”仅依靠基因组或转录组数据并不能完全说明目标蛋白在疾病过程中发挥关键作用。在真实生物体系中蛋白才是执行功能的主要分子。因此需要进一步回答这个靶点对应的蛋白是否真的发生改变蛋白质组学能够从蛋白表达和功能状态层面对候选靶点进行验证。例如▶ 定量蛋白质组学比较疾病状态与正常状态下蛋白表达差异寻找真正异常变化的蛋白。▶磷酸化蛋白质组学分析异常信号通路激活情况帮助发现疾病驱动机制。▶蛋白互作分析解析目标蛋白所在调控网络判断其是否处于关键功能节点。通过“数据库筛选蛋白质组学验证”的策略可以减少仅凭理论推测进入实验阶段带来的风险。对于研发资源有限的团队也可以采用针对性蛋白质组检测方案对关键样本进行精准验证在成本和信息量之间取得平衡。谱度众合持续深耕基于质谱技术的蛋白质研究领域20年专注于互作蛋白筛选、药物靶点筛选、分子机制解析、生物标志物发现等具体研究场景点击文末阅读原文即可获取蛋白质组学相关实验设计方案。3. 蛋白动态结构分析解决AI结构预测的局限完成靶点评估后下一步需要获得可靠的蛋白结构信息为后续分子设计提供基础。目前AlphaFold等AI结构预测工具极大降低了蛋白结构获取门槛但预测结构通常代表某一种稳定状态无法完全反映蛋白在真实环境中的动态变化。而药物结合往往依赖蛋白构象变化。例如▶ 某些隐藏结合口袋可能只有在蛋白运动过程中短暂暴露▶ 某些小分子可能通过诱导蛋白构象变化发挥作用。因此需要结合分子动力学模拟对蛋白结构进行动态优化。通过潜在结合口袋分析、分子动力学模拟、动态构象变化分析可以获得更加接近真实状态的药物结合模型为后续虚拟筛选提供更可靠的基础。02 突破化学空间限制AI虚拟筛选发现潜在苗头分子传统现货化合物库仅数百万分子化学骨架同质化严重难以产出具备专利新颖性的苗头分子而百亿级按需合成库Enamine REAL包含750亿类药小分子。1. 算力瓶颈解决方案AI代理模型超高通量虚拟筛选uHTVS直接对百亿分子全量物理对接算力成本极高普通集群需数月运算采用自适应靶向引导虚拟筛选ATG-VS降维策略单机消费级GPU即可完成① 多样性子集采样从百亿库中抽取百万级代表性分子② 精准物理对接打分AutoDock-GPU并行计算子集分子结合分数③ 训练AI代理模型以分子二维/三维描述符对接分值训练随机森林/深度神经网络④ 全库极速预测训练完成的模型毫秒级推断剩余全部分子活性筛选Top0.001%高潜力化合物⑤ 最终精细验证仅浓缩后的高分子集开展全柔性对接、构象聚类。2. 两套轻量化算力方案适配不同团队技术方案硬件要求运算周期筛选优势Deep Docking4张RTX4070多GPU单机数天适配10–100亿级按需合成库命中率18%–50%APEX启发式搜索单张高端消费GPU数分钟小时百亿至千亿级化合物极速检索硬件门槛最低03 多层级联合打分体系减少无用合成采购虚拟筛选最大资源损耗来源是假阳性分子 ——对接分数虚高但湿实验无结合活性。建立粗筛 → AI 深度学习重打分 → 共识打分 → MD自由能终筛四级过滤体系逐级压缩候选分子数量。1. 一级粗筛AutoDock-GPU批量生成结合构象依托GPU并行能力快速输出分子多种结合姿态但传统经验打分函数对立体化学、弱相互作用计算简化仅用作构象生成不做最终筛选依据。2. 二级核心过滤GNINA 3D-CNN深度学习重打分核心降噪步骤将AutoDock输出的复合物体素化通过三维卷积网络自动提取蛋白-配体空间结合特征不依赖人工预设能量公式。实测数据经GNINA CNNscore重打分后前1%化合物早期富集因子EF1%是单一物理打分2倍以上可直接剔除绝大多数严重假阳性分子。3. 三级共识打分融合多算法消除单一工具偏差任意打分函数均存在靶点适配局限性采用多模型融合策略提升预测鲁棒性融合Vina、GNINA、RTMscore多套打分排名使用Z-score标准化、平均排名法整合结果仅多工具同步排名靠前、构象应变能更低的分子进入下一阶段。4. 四级终局把关MDMM-GBSA自由能计算采购前最后屏障静态对接忽略生理环境水分子、离子屏蔽、蛋白热运动大量高分分子在水溶液中会快速脱离口袋。开源低成本流程▶ OpenMM运行10–50纳秒短时MD平衡模拟▶ gmx_MMPBSA批量计算MM-GBSA结合自由能同步输出单残基能量分解图谱判断分子是否与靶点核心功能残基形成稳定相互作用。经自由能筛选后留存分子体外活性实验成功率大幅提升避免批量采购无活性化合物。04 AI分子设计从发现分子到优化分子拿到苗头分子后传统人工骨架优化效率低、易陷入专利壁垒采用生成式AI工具完成多目标分子改造同时前置拦截毒性干扰分子。1. 开源强化学习分子生成REINVENT 4无需从零训练大模型阿斯利康开源REINVENT 4适配早期研发需求可设置多目标奖励函数同步约束▶ 保留核心药效团如激酶铰链结合位点相互作用▶ 限定理化性质LogP5、合理TPSA区间▶ 自动剔除高活性危险基团、已知毒性片段搭配课程学习策略逐步收紧约束条件产出全新、可合成、具备知识产权差异化的分子骨架。2. ADMETPAINS双重拦截规避实验假象虚拟库中大量PAINS、SCAMs胶体聚集分子会在生化实验产生假阳性信号消耗验证资源计算阶段强制两步过滤①ADMET-AI/DataPype毫秒级预测吸收、代谢、毒性、血脑屏障、P-gp抑制风险②RDKit亚结构检索批量过滤高反应活性、荧光干扰、胶体聚集类干扰化合物将无成药潜力分子拦截在合成采购之前。05 低成本湿实验闭环DSF热位移分析作为计算与实验的转换枢纽经过多层计算筛选后候选分子通常仅50–100个不建议直接使用SPR、ITC、NMR等高成本设备初筛搭建DSF分级验证体系最大化节约蛋白、耗材、设备投入。1. DSF热位移TSA核心低成本优势对比主流生物物理表征手段适配资源有限团队对比维度DSF热位移分析SPRITC设备投入极低复用实验室现有qPCR仪数十万至百万美元专用设备高端微量热仪采购维护成本高蛋白消耗量纳克/微克级微量体系前期固定条件损耗蛋白量大单次反应消耗毫克级蛋白实验通量兼容96/384/1536微孔板高通量并行检测通道数量限制通量中等单批次仅单个样品通量极低抗假阳性能力优异可识别胶体聚集类假阳性易受化合物疏水吸附干扰存在溶解热背景干扰2. DSF完整验证流程① 首轮大规模初筛全部计算筛选候选分子上机DSF记录蛋白熔解温度偏移ΔTm仅ΔTm显著、通过Selwyn基线测试的分子标记为真实苗头② 高精度精细表征仅筛选出的少数阳性分子送至平台/CRO使用SPR/ITC测定KD、动力学结合常数。06 轻资产研发底座全开源工具链弹性云端算力多数早期团队成本浪费在商业CADD、分子模拟软件年费与自建GPU集群上采用“工具开源化、算力云端化”架构实现轻资产运转1. 自动化开源计算管线搭建依托Python、DeepMol、SCP框架串联全套免费工具RDKit化学信息处理AutoDock-GPU对接GNINAAI重打分OpenMMMD模拟敏感数据可使用浏览器端本地CADD工具无需上传至外部服务器保障数据安全。2. 按需租用云端弹性算力虚拟筛选、MM-GBSA模拟属于脉冲式算力需求湿实验阶段算力闲置采用竞价GPU实例按需租用任务完成立即释放将大额固定资产投入转为浮动运营成本。总结对于高校课题组、初创药企来说只要坚守上述计算驱动结合层层低成本验证的组合策略哪怕在资源高度紧缺的境况下依然能够以惊人的速度和极低的试错成本将具备极高成药潜力的全新化学实体平稳推入后续的全面药理学研究阶段在惨烈的新药竞逐中把握真正的先机。值得注意的是AI可以预测哪个分子可能与靶点结合。但药物研发最终需要回答这个分子进入细胞后是否真正产生预期作用这也是计算预测与实验验证之间的重要鸿沟。蛋白质组学能够从系统层面分析药物处理后的蛋白变化帮助研发团队判断目标通路是否被调控药物作用机制是否符合预期是否出现潜在脱靶效应。因此在AI药物设计流程中加入蛋白质组学可以形成“AI分子设计 → 蛋白质组学机制分析 → 实验验证 → 数据反馈优化”的闭环模式。这不仅能够提高候选分子的筛选效率也能够帮助研发团队更早发现作用机制和潜在风险。参考资料1. Ferreira FJN, Carneiro AS. Artificial intelligence and machine learning in drug discovery: a comprehensive review of recent advances, methodologies, and challenges. ACS Omega. 2025;10(24):23889-23903. doi:10.1021/acsomega.5c005492. de Lima JAL, Franco LS, Lima LM. Big data for drug discovery: some historical landscape, considerations, and applications for a medicinal chemist. ACS Omega. 2026;11(7):6817-6833. doi:10.1021/acsomega.5c088283. Wang K, Huang Y, Wang Y, You Q, Wang L. Recent advances from computer-aided drug design to artificial intelligence drug design. RSC Med Chem. 2025;16(12):3978-3998. doi:10.1039/d4md00522h4. Zhao L, Ciallella HL, Aleksunes LM, Zhu H. Big data in drug discovery and development: challenges and opportunities in the era of machine learning and deep learning. Drug Discov Today. 2021;26(9):2047-2062. doi:10.1016/j.drudis.2021.03.0205. Sliwoski G, Kothiwale S, Meiler J, Lowe EW Jr. Computational methods in drug discovery. Pharmacol Rev. 2013;66(1):334-395. doi:10.1124/pr.112.007336