IXThinker IXThinkerAI 動態 睇晒最新動態 →
IXThinker·2026-10-29 00:50

新方法以三維結構配少量實測數據 預測分子活性

生物科技人工智能研究

藥物研發需反覆設計、合成及測試分子,若能在實驗前準確預測活性,便可優先考察更有潛力的候選,減少無效投入。惟實測數據往往有限且分布不均,如何在少量資訊下作出可靠預測,成為該領域的重要課題。

精細計算的成本

自由能微擾(FEP)等結合自由能計算方法,常用於比較同一系列中結構相近分子與靶標的結合強弱,精度較高,但所需計算投入亦相當大。

早期篩選則需從較多候選分子中快速確定優先次序,以便為後續實驗及精細計算選出重點對象,與精細計算對方法精度及成本的要求並不相同。

實測數據的限制

實際項目中,圍繞單一靶標,每輪獲得的實測分子往往只有數十至數百個,且多集中於少數幾類骨架,數據整體呈稀疏及分布不均的狀態。

ChEMBL等公開數據庫雖累積了大量活性記錄,可直接用於當前靶標的數據仍然有限;不少模型面對新靶標或新骨架時,預測效果容易下降。

MetaPLI的思路

MetaPLI方法結合三維結構資訊與少量實驗數據進行分子活性預測,針對的正是上述數據稀疏、靶標多變的早期篩選場景,為實驗前排序提供輔助。

此類方法若能隨每輪新增實測結果持續調整,便可在實際研發流程中長期發揮作用,協助團隊把有限實驗資源集中於更有希望的候選分子。