传统药物研发通常需先确定致病靶点蛋白（如癌细胞受体），再从海量分子库中筛选能结合并阻断其功能的潜在药物。该过程成本高昂、耗时漫长且成功率低。韩国高等科学技术院(KAIST)化学系吴允教授团队近日宣布开发出革命性AI模型BInD（键与相互作用生成扩散模型），仅需靶点蛋白结构信息即可自主设计优化药物候选分子，且无需依赖任何先验结合分子数据。
该技术的核心突破在于"同步设计"机制。过往AI模型通常采用分子生成与结合评估的分离式流程，而BInD在分子生成过程中即整合结合机制（非共价相互作用）的预测。这种设计使原子类型、键合位置及相互作用的生成可视化同步，大幅提升分子有效性与稳定性。模型同时优化靶点结合亲和力、类药性质及结构稳定性等多维度指标，突破传统方法顾此失彼的局限。
研究团队解释称，该AI基于"扩散模型"架构，通过从随机状态逐步精细化结构生成分子。与2024年诺贝尔化学奖得主AlphaFold 3采用的生成技术原理相同，但BInD创新性地引入基于化学定律的知识引导系统（如键长约束与蛋白配体距离规则），使生成结构更符合理想化学状态。实验验证中，该模型成功设计出可特异性结合EGFR突变残基的分子——该靶点与多种癌症密切相关。
特别值得关注的是，团队开发的优化策略能复用历史数据中的优质结合模式，无需额外训练即可持续提升药物设计质量。这标志着较该团队早前需输入交互模式分子条件的研究实现了重大突破。"这项技术能自主学习靶点蛋白强效结合的关键特征，甚至在零输入条件下设计最优候选药物"，吴允教授强调，"基于化学相互作用原理的分子生成技术，将加速药物研发效率并提升可靠性。"
研究共同第一作者为化学系博士生李准元和郑元镐，成果已发表于《先进科学》（IF=14.1）期刊。项目获韩国国家研究基金会与保健福祉部资助。
【全文结束】
