当前最先进的人工智能程序能够通过模拟分子相互作用显著加速药物研发。然而，巴塞尔大学（University of Basel）的一个团队发现，这些工具更多依赖记忆而非对潜在物理机制的真正理解。
在医学领域，蛋白质是药物的首选靶点。这些由氨基酸链组成的生物大分子，采用决定其功能的三维结构。解析这些分子架构是设计创新疗法的关键步骤。近年来，AlphaFold等算法的出现通过从基因序列预测蛋白质形状，彻底改变了这一方法。
这些模型的最新版本更进一步，模拟蛋白质如何与不同分子（尤其是药物活性成分）相互作用。然而，马库斯·利尔教授（Professor Markus Lill）及其团队注意到，所宣布的成功率似乎异常高。这一观察使他们怀疑人工智能可能通过模式识别而非对分子相互作用的深入物理分析来运作。
为验证这一假设，科学家们通过专门改变结合位点，人工修改了数百种蛋白质。他们创建了具有截然不同电荷分布的氨基酸序列，甚至完全阻断了相互作用区域。尽管进行了这些重大改变，AI模型仍继续预测相同的结构，仿佛修改不存在。对配体的类似测试证实了这一趋势。
研究人员发现，在超过一半的案例中，预测在引入修改后保持不变。当所研究的蛋白质与算法训练中使用的蛋白质相似度很低时，这种认知僵化尤其成问题。然而，研究团队表示，恰恰是这些原始结构可能为真正创新的药物铺平道路。
面对这些限制，科学家建议采取谨慎方法，系统地整合实验验证。他们还主张开发明确纳入化学和物理定律的新一代算法。此类混合模型可能为理解不足的蛋白质结构提供更可靠的预测，从而带来新的治疗途径。
【全文结束】
