一种新型AI模型在预测分子随时间演变方面表现出色，未来有望加速耗时且昂贵的新药测试过程。从长远来看，这项技术能够促进药物和新治疗方法的开发，因为有前景的药物候选物可以更快、更准确地被识别出来。这些发现发表在瑞典的一项新研究中，该研究刊登在《科学进展》杂志上。
开发一种新药通常需要十多年时间，从最初的想法到最终制成药物并送达患者手中。大部分成本和时间都集中在早期阶段，因为必须进行大量测试来识别最有前景的候选物。通常需要进行多项研究，筛选数千种分子——但只有其中一小部分能够进入下一阶段。
传统上，分子运动是通过所谓的分子动力学进行模拟的，在这种方法中，研究人员逐步计算所有原子之间的力，并每次移动一小步。为了确保计算的稳定性，每一步必须极其短暂，约为一个飞秒（10⁻¹⁵秒）。由于药物开发感兴趣的流程发生在更长的时间尺度上，因此需要数十亿步的计算，这使得模拟在计算上非常耗时。
如今，AI的使用使研究人员能够在不进行数值计算的情况下检测分子变化。机器学习可以加速计算的每一步，而生成模型则可以直接生成合理的分子结构，无需模拟其运动。
来自瑞典查尔姆斯理工大学和哥德堡大学的一组研究人员现在又向前迈出了一步，他们开发了一种新型AI模型，从长远来看，这可以使药物开发测试更加高效。新模型比传统模拟速度快10,000多倍。
"我们的AI模型的独特之处在于，它学习了更长时间尺度上的基本动力学。它不仅提供了关于分子采取何种形态的见解，还提供了这些分子转变发生的速度以及通过哪些路径发生的见解。据我们所知，这是首次以适用于多种不同分子的方式实现这一点。"
查尔姆斯理工大学和哥德堡大学计算机科学与工程系研究负责人、副教授西蒙·奥尔松(Simon Olsson)
该研究检查了超过12,500种有机分子，如含有碳、氮、氢和氧原子的分子。还研究了一千多种短肽：由组成蛋白质的氨基酸短链构成的分子。AI模型学习了分子的典型行为，因此能够快速跳过模拟过程。结果仍然符合物理定律。
"我们使用分子中原子随时间移动的模拟示例来训练模型。基于这些序列，模型学习控制分子运动的基本规则，然后可以预测新分子的行为方式，"西蒙·奥尔松说道。
研究人员将模型的结果和结论与之前关于分子演化的研究进行了比较。
"我们使用广泛的后处理模拟来验证结果，以通过标准数值算法证实它们。它们彼此一致，"西蒙·奥尔松说道。
尽管AI模型不是基于真实图像的，但研究人员将结果描述为在"分子电影"中跳跃场景的方式，而不是按顺序观看每一帧。
AI模型构成了研究人员随后在实验室中进行的计算预测的基础。
"在那里，我们测量非常具体的事物：分子的特性，它们在特定溶液中的'舒适度'，或者例如，它们是否想要穿过膜进入细胞——但这仍在未来，"西蒙·奥尔松说道。
一个主要优势是，该模型可以应用于其在训练期间从未遇到过的分子，因为它学习了控制分子运动的一般规则，而不是记忆个别系统。
"有一种特定的模式，模型帮助我们识别。AI模型基于多个示例，在这些示例中，它只观察数十纳秒期间发生的事情。然而，它可以预测发生在长达一千倍时间内的分子特性和变化。因此，在人工智能的帮助下，我们可以推断出'分子未来'可能发生的情况。它能够预测分子如何变化，即使它从未见过这一过程的展开，"西蒙·奥尔松说道。
"为了能够预测分子表现出的物理现象，我们需要了解系统行为的基本物理学。我相信我们是首批以普遍意义展示这一点并证明其可行性的人之一，"阿斯利康(AstraZeneca)的产业博士生、查尔姆斯理工大学和哥德堡大学计算机科学与工程系的研究人员、该文章的主要作者胡安·维格拉·迪亚兹(Juan Viguera Diez)说道。
研究人员注意到工业界对能够更准确反映现实并加速新药开发的模拟产生了相当大的兴趣。由于新AI模型可以加速需要测试大量潜在分子的分子模拟，研究团队希望这将成为迈向更高效药物开发的重要一步。
"从长远来看，像我们这样的AI模型可以帮助更快地识别有前景的药物候选物，并提高早期阶段的准确性。这项研究展示了目前可能实现的目标。这有望为更通用技术的开发铺平道路，这些技术最终可能促进新药和新治疗方法的开发，并在更广泛的意义上改善我们对疾病的了解，"胡安·维格拉·迪亚兹说道。
TITO（可转移隐式传递算子）AI模型是一个深度生成建模框架，它直接从模拟数据中学习控制分子运动的统计规则。它使得预测原子构型（原子在分子内空间排列和相互关系的方式）随时间演变的速度比传统数值模拟快得多。
该方法目前已在简化溶剂模型和特定温度下的小分子系统上进行了测试。现在正在进一步开发，以适用于更复杂和更真实的系统。
来源：查尔姆斯理工大学
期刊参考文献：Diez, J. V., et al. (2026). 可转移生成模型桥接飞秒到纳秒时间步长的分子动力学. 《科学进展》. DOI: 10.1126/sciadv.aed2333.
【全文结束】