2.4 从计算机辅助到AI制药
2.4 从计算机辅助到 AI 制药
本节摘要：计算机辅助药物设计（CADD）用物理模型预演分子与靶点的结合，AI 用数据模型学习"什么分子能成药"。本节梳理从分子对接、虚拟筛选、从头设计到生成式 AI 的技术演化，以及绿色化学如何重写经典药物的合成路线。ND-39 的骨架微调，正是人机协作的产物。
如果计算机一个晚上能筛完千万个分子，为什么一款新药仍要十几年？因为算得快不等于算得对——计算机能告诉你一个分子"可能"结合得多好，却算不准它在人体里的吸收、代谢与毒性。理解这句话，就理解了 CADD 与 AI 制药四十年的全部位置：它们是放大器，不是替身。
一、CADD 的两把尺子：基于结构与基于配体
计算机辅助设计有两套思路。基于结构的设计（SBDD） 要求先拿到靶点蛋白的三维结构（X 射线晶体学、冷冻电镜或同源建模），然后在口袋里"摆放"分子，用打分函数估算结合能——这就是分子对接。对接的输出不是真理而是排序：程序给出成千上万个姿态与分数，化学家按经验挑前几名去合成。基于配体的设计（LBDD） 在没有结构时用已知活性分子做文章：定量构效关系（QSAR）把分子转成描述符向量，回归出"什么描述符组合对应高活性"，进而预测新分子；药效团模型则提炼出活性分子共同的"特征排列"——比如氢键受体与疏水中心必须相距某个范围，像一张上岗证模板。
虚拟筛选（VS）是这些方法的工业化应用：把对接或 QSAR 模型跑遍百万级化合物库，挑出打分最优的千分之一进入实验验证。一个真实的成功率数字：虚拟筛选的命中率（实验确认活性）通常在百分之一到百分之十之间，看似低，但相比随机筛选已经高出一到两个数量级，且省下了合成与实验的巨额成本。ND-39 的 4-位改造（2.3 节那张表）正是这样来的：项目组用靶点共晶结构做对接，发现三氟乙氧基能填进一个此前被忽视的疏水小口袋，一轮设计就跳过了传统 SAR 的十几轮试错。
分子对接的工作流（概念示意） ---------------------------- 输入：靶点蛋白结构 + 化合物库（百万级） 1. 预处理：加氢、分配质子化状态、定义结合口袋 2. 构象生成：每个分子生成多个柔性构象 3. 姿态搜索：在口袋内摆放旋转，寻找最优互补方式 4. 打分：结合能近似值排序（氢键 盐桥 疏水 去溶剂化） 5. 人工复核：剔除化学家一眼识破的不合理姿态 6. 实验验证：挑取前 0.1% 合成并测活性 ---------------------------- 关键局限：打分函数算不准去溶剂化熵与蛋白柔性， "分数第一"常常不是"实验第一"——人机必须接力。
图 2-4 计算机与 AI 制药的演化时间线
二、AI 制药：从结构预测到分子生成
深度学习给计算制药换了引擎，三个节点值得记住。结构预测：AlphaFold 把"从氨基酸序列预测蛋白三维结构"从数月湿实验压缩到分钟级预测，绝大多数人类蛋白有了可用模型——对 SBDD 是地基级的供给改革，尽管预测结构在口袋细节（侧链摆放、水分子位置）上仍不能完全替代实验结构。性质预测：图神经网络直接在分子图上学习"结构到性质"的映射，预测溶解度、渗透性、代谢位点，把第3章的 ADME 体检前置到设计阶段。分子生成：生成模型不再在既有库里挑分子，而是按约束"画"出新分子——给定骨架与性质目标，模型批量提出结构建议，化学家再按可合成性筛选。行业现状可以用一句话概括：AI 提名的分子已有数十个进入临床，但尚无一款走完全程获批——不是 AI 不行，而是药物研发的时间常数（十到十二年）比技术周期长，验证需要时间。
AI 也在重写合成路线设计：逆合成分析本来就是规则推理问题，AI 规划器能提出人类化学家没想到的路线（新颖的断键位置、冷门的催化体系），再由机器人平台自动执行验证。这为下一节到第6章的工艺开发提供了新起点。
三、经典药物的合成档案：绿色化学重写的老路
本节最后把"典型药物怎么造"装进档案——三条经典路线代表三种合成策略。抗生素的半合成策略：青霉素母核（6-APA）由发酵大规模生产，化学家只在侧链上动手，换侧链即得耐酸的青霉素 V、耐酶的甲氧西林、广谱的阿莫西林——发酵加化学的组合拳，是"结构修饰"思想在工业上的最大胜利。头孢菌素家族同理，母核 7-ACA 来自发酵，历代头孢就是不同侧链的迭代。抗肿瘤药的构效合成：紫杉醇全合成路线长达数十步、无商业价值，工业路线改为半合成（植物前体加四步改造）；甲磺酸伊马替尼的合成则以哌嗪与吡啶片段的偶联为核心，诺华团队从先导到候选只用了快进快出的迭代节奏，成为"理性设计时代"的效率标杆。心血管药的规模化智慧：阿托伐他汀的母核靠生物催化（微生物还原）建立手性，年产量百吨级——酶法立体选择性远优于化学拆分，印证了 2.3 节手性三路线的工业选择。
绿色化学是重写这些老路的新标尺：原子经济性（原料原子有多少进入产物）、步骤经济性（步骤越少废料越少）、溶剂与催化剂的环境负担。同一活性分子，绿色路线可以把每公斤产品的废料从数百公斤压到几十公斤——这在第6章会变成硬指标，这里先按下伏笔。
常见追问
问：AlphaFold 预测的结构能直接用于药物设计吗？ 答：能用作起点，不能全信。预测结构对整体折叠很准，但结合口袋的侧链摆放、水分子位置与配体诱导的构象变化常有偏差；实践惯例是拿预测结构做初筛，进入优化阶段必须回补实验结构（共晶或冷冻电镜）校准口袋细节。
问：AI 设计的分子会不会"看起来完美、做不出来"？ 答：会，这是生成模型的经典失败模式——可合成性问题。生成模型只学了"什么结构活性高"，没学"什么结构能被实验室造出来"；所以现代流程会把逆合成规划器与可合成性评分嵌进生成循环，把"画得出来"过滤成"造得出来"。
本节要点回顾
- CADD 两把尺子：基于结构的对接摆放已知分子，基于配体的 QSAR 与药效团从数据学规律；
- 虚拟筛选是排序不是真理：命中率百分之一到百分之十已远超随机，但打分函数算不准熵与柔性；
- AlphaFold 改变供给：结构不再稀缺，口袋细节仍需实验校准；
- 生成式 AI 从挑分子到画分子：已有 AI 设计分子进入临床，尚无一获批——时间常数决定验证滞后；
- 半合成是工业主流：青霉素与头孢家族靠"发酵母核加侧链修饰"撑起整个抗生素工业；
- 绿色化学重写老路：原子经济、步骤经济与生物催化，把合成从艺术变成可持续工程。