大幅提升成功率！华东理工团队给药物研发装上“AI引擎”｜上海市科技奖

在2025年度上海市科学技术奖励大会上，华东理工大学李洪林教授团队的项目“从物理模型到AI赋能创新药物发现”拿下自然科学奖一等奖。这支团队走的是一条不一样的路——从物理模型出发，用AI能力给新药研发装上了一台“智能引擎”，最终把研发效率和成功率都大幅拉高了一个台阶。

新药研发从来不是一场短跑——这是一场持续十多年的马拉松。过去行业里广为流传的数字是：平均耗时超过10年，投入超过10亿美元，成功上市的概率不足10%。但最新的行业测算告诉我们，真实情况可能更残酷——研发周期已经普遍延长到10至15年，一个成功上市的新药，其综合研发成本已飙升至数十亿美元，最终能从实验室走到市场的项目，依然不到十分之一。科学家要从数以万计的化合物里“大海捞针”，才能筛出那个有效的候选分子，再通过漫长的实验验证它的安全性和有效性。

那么，AI时代又是如何打破这个困局的？核心在于构建一种全新的范式——把物理机制和数据驱动深度融合。简单说，就是用物理模型精准刻画分子相互作用的规律与结合动力学过程，让每一步机制都有据可查、可解释；同时，让AI去学习那些复杂的非线性关系，把领域知识“喂”进模型训练中。哪怕在某些场景下物理机制还说不清楚，AI也能凭借数据做跨尺度的推断和高效预测。这样一来，新药设计的准确性和泛化能力都得到了质的提升。

给分子拍“3D照片”，筛选从“模糊匹配”升级为“精准识别”

传统的药物筛选，主要看药物的二维化学结构式。但在真实的人体生理环境里，药物分子是以三维立体构象存在的。它们的作用机制很像“钥匙与锁”的匹配——空间上能不能严丝合缝，才是关键。

李洪林团队首创了一套基于空间药效特征的三维分子相似性三角哈希算法。简单理解，就是为每一个药物分子建一张“3D身份证”。这张身份证不仅记录了分子的整体三维结构，更重点刻画了它在空间中那些关键的药效特征——比如哪里带正电、哪里带负电，哪些区域是疏水的，空间形态是大还是小。这一突破让药物筛选从传统的“结构类比”跃迁到了“分子母核跃迁”模式。过去是找“长得像”的“双胞胎”，现在则是挖掘那些功能相似、但化学骨架完全不同的“神似者”。命中的精准度和创新性，都因此大幅提升。

预测药物“停留多久”，解锁药效动力学的关键密码

药物与靶标结合，不是静态的“握手”，而是一场持续发生的动态“舞蹈”——分子不断结合又解离，一直处在“上去—停留—再离开”的循环里。决定药物真实疗效的关键，不止是“能不能结合”，更在于“结合多快、停留多久”。这两个参数，直接决定了药物起效的速度和药效持续的时间。然而，长期以来，高精度预测这个动态过程，一直是国际学术界的硬骨头。

团队把蛋白质折叠能量全景图与化学反应过渡态理论结合起来，构建了一个全新的理论框架。这个框架能够精确描述药物与靶标相互作用的动态过程，也在国际上率先实现了结合动力学参数的高精度计算。研究者不仅能判断药物“能不能结合”，还能预测它“结合得有多稳、停留时间有多长”。这套方法，为药物的理性优化提供了关键的理论支撑。

攻克“新模态药物”设计难题，告别实验盲试

PROTAC、分子胶这类“新模态药物”，正在成为药物研发的最新前沿。它们的核心逻辑不再是传统意义上的“抑制”靶标功能，而是直接给靶蛋白贴上“降解标签”，引导细胞把它们清理掉。这为那些传统上“不可成药的靶点”开辟了全新的调控路径。但问题也很现实：这类分子的结构和作用机制异常复杂，几乎没有现成的计算模型可用。

团队选择了一条“知识驱动”的技术路线——把海量的药物数据、生物信息以及物理化学规律系统整合起来，率先探索构建了面向PROTAC药物设计的AI模型体系。这套体系能实现候选分子的智能生成，也能评估它的成药潜力。新模态药物的设计，就这样从“靠经验反复试”，转向了“靠数据智能设计”。

这一系列成果的含金量，从一组数据就能清晰感知。目前，相关工具已被全球同行下载超过1000次，在线计算平台累计拥有国内外3.9万名用户，完成了19.6万次科学计算任务。多家国际顶尖科研机构将其作为方法学的“标杆基准”进行对比评测，多个国外团队已经基于这套方法成功找到了候选药物分子。种种迹象表明，这一技术体系已经稳稳站上了国际领先水平。