人工智能（AI）与机器学习（ML）已迅速变革计算药物发现领域，使数据驱动策略得以补充并扩展传统计算机辅助药物设计。尽管现有AI方法展现出卓越的预测能力，但将这些技术与基于物理的分子模拟相结合以深化机制理解并提升转化潜力，仍是持续存在的挑战。近年来，融合机器学习模型与分子对接、分子动力学、自由能计算及高级采样技术的混合工作流程相继涌现，但该领域仍在应对关于模型稳健性、可解释性、数据质量以及实际应用影响能力的关键问题。鉴于治疗研发不仅需要预测准确性，更需机制洞察，因此迫切需要开发新一代透明且可转化的AI方法。
本研究专题旨在推动小分子抑制剂理性发现、优化及重定位的AI驱动策略演进。通过聚焦机器学习与物理信息分子模拟的交叉融合，本专题鼓励贡献者深化对数字智能如何加速并增强药物发现过程理解的研究。核心目标包括：开发与验证混合计算工作流程、跨治疗领域展示模型可解释性与稳健性、系统评估数据整合与偏差缓解策略。该计划同时致力于联动更广泛的科学与转化社区，阐明AI技术如何不仅能产出高效候选药物，更能提供机制清晰度与临床相关性。
本专题虽集中探讨应用于小分子抑制剂开发的混合AI-物理方法，但亦涵盖算法、方法学及转化维度的多元创新。研究成果可涉及肿瘤学、传染病和神经退行性疾病等多样化治疗背景，同时应对模型透明度与适用性的基础挑战。为促进全面学术讨论，我们欢迎原创研究与系统性综述，重点关注但不限于以下方向：
- 小分子抑制剂发现的混合AI-分子模拟方法
- 药物设计中可解释性机器学习模型
- 构效关系建模的深度学习架构
- AI辅助分子动力学与自由能预测
- 从头小分子设计的生成式AI模型
- AI驱动的药物重定位与多靶点药理学
- 预测建模的多源化学与生物数据整合
关键词：人工智能、机器学习、药物发现、小分子抑制剂、分子模拟
【全文结束】