AI从头药物设计的真实教训：首轮9个分子全部失败的深度复盘

01 文献概述 本次为大家深入解读一项2026年6月发布在《Journal of Medicinal Chemistry》的研究——“Applying Deep-Learning-Driven De Novo Design to Hit Identification: A Case Study on A2A Adenosine Receptor Antagonists”。 该研究由意大利多个学术机构与Evotec公司联合开展，他们采用阿斯利康研发的AI生成工具REINVENT，围绕A2A腺苷受体（A2A AR）——这一治疗帕金森病等神经退行性疾病的关键靶点——进行新型拮抗剂的探索。 研究的亮点在于：构建了完整的"设计-合成-验证"流程。首轮AI产生的9个化合物全部表现为无活性（成功率0%），但研究团队并未止步于此，而是通过深入剖析失败根源、优化调整方案，在第二轮成功获得3个纳摩尔级别的活性分子（成功率100%）。 这种"挫折-反思-突破"的真实经历，正是AI药物设计领域的核心面貌。 02 研究背景 缘何借助AI开展药物设计？ 传统早期药物发现流程需筛选海量化合物，耗费大量时间、资金与材料。此外，许多筛选出的分子已在专利中公开，专利布局空间日趋有限。 AI技术，尤其是深度生成模型，被认为是破局之道。该技术能自动处理海量数据、探索传统手段难以涉足的化学空间，有望显著加速hit-to-lead阶段。 缘何选定A2A腺苷受体？ A2A AR隶属G蛋白偶联受体家族，在神经炎症与神经退行性疾病中起关键作用。其拮抗剂伊曲茶碱（Istradefylline）已获批用于帕金森病临床治疗。更为关键的是，A2A AR拥有丰富的已知配体数据和大量共晶结构，是检验AI生成模型效能的绝佳"试验田"。 03 研究路线 研究团队搭建了完整的技术框架： 核心平台：REINVENT REINVENT是阿斯利康研发的基于循环神经网络（RNN）+ 强化学习（RL）的分子从头设计系统。它通过强化学习循环持续优化生成分子，使其在多项指标上达到最优。 评分体系：三维度"导航仪" 评分函数是引导AI生成分子的关键引擎。研究者构建了一个多参数优化（MPO）评分函数，包含三个等权重的组成部分： 1. 配体基模块（活性预测）：基于9237个已知A2A AR配体构建的QSAR二元分类模型，用于预测分子是否具有高活性（pKi ≥ 7）（图1A）。 2. 结构基模块（对接评分）：采用GOLD程序将分子对接到A2A AR晶体结构（PDB: 4EIY）中，对接得分通过sigmoid函数转换为0-1分（图1B）。 3. 药代动力学模块（CNS通透性）：运用CNS-MPO评分评估分子穿透血脑屏障的能力。 首轮生成与筛选 首轮运行产生了超过36万个分子。随后通过层层筛选——活性筛选、选择性筛选、CNS渗透性筛选——最终筛选出9个1,2,4-三唑类化合物（4-12）进行合成（图2）。

04 结果讨论 首轮：全部折戟 9个化合物均无活性（Ki > 30,000 nM）。 通过分析化合物4的对接姿态（图3），研究者发现了症结所在：虽然这些分子能与关键残基Phe168形成π-π堆积，并与Asn253形成单个氢键，但缺失一个关键特征——能与Asn253形成双齿氢键的基团。几乎所有已知的高活性A2A AR拮抗剂均具备这一特征。 核心教训：单纯依赖总体评分函数的优化，无法保证关键相互作用的发生。 策略优化一：改进后处理流程 → 发现微摩尔级Hit 研究者对首轮产生的36万分子库采用了全新的后处理筛选流程，引入贝叶斯优化（Bayesian Optimization）进行重新排序（图4）。 最终成功鉴定并合成了化合物13，其对A2A AR的Ki值为6071 nM（微摩尔级）（表1）。虽然活性相对较弱，但证明了该分子库中确实蕴含有价值的信息。 策略优化二：升级生成模型 → 发现纳摩尔级Hit 这是本研究最核心的成功案例。 基于首轮的失败经验，研究者从根本上对评分函数进行了升级： ·增加结构惩罚项：直接在评分函数中纳入惩罚项，强制生成的分子能与Asn253形成双齿氢键； ·提升结构权重：将结构基模块的权重从1提升至5或10； ·更新QSAR模型：将首轮9个无活性分子纳入训练集，引导AI规避无效化学空间。 从第二轮产生的约11万分子中，合成了化合物16、17、18（图5）。 三个化合物均展现出纳摩尔级亲和力： ·化合物16：Ki =179 nM ·化合物17：Ki =525 nM ·化合物18：Ki =521 nM 所有化合物均预测具有良好的血脑屏障穿透能力。 定量对比

05 总结 1. "结构约束"是成功的核心要素：将关键药效团特征（如双齿氢键）作为硬性约束嵌入生成流程，显著优于事后筛选。 2. 评分函数设计是"艺术"：权重分配直接影响生成的化学空间。过于均衡的权重可能导致模型无法"习得"最关键的相互作用。 3. 后处理流程价值显著：即便生成阶段存在缺陷，强有力的后处理（如贝叶斯优化）仍能从海量数据中挖掘出有价值的Hit。 4. 数据富集靶点是当前AI的优势领域：A2A AR拥有大量数据，使AI能有效学习。这也揭示了局限性——对缺乏数据的"孤儿"靶点，应用仍面临挑战。 5. 新颖性 vs 活性的权衡：施加更强结构约束后，生成的分子与已知活性分子相似性更高（成功率高），但化学新颖性可能降低。 06 创新点与亮点剖析 亮点一：完整的"设计-合成-验证"闭环 众多AI药物设计研究停留在计算机模拟层面，而本研究完成了从AI生成→化学合成→生物验证的完整闭环。这种"言出必行"的研究方式大幅增强了结论的可信度。 亮点二：失败案例的深度解析 研究未回避首轮的失败，反而将其作为核心教学素材。通过分析9个无活性化合物的对接姿态（图3），精准定位了问题——缺失双齿氢键。这种"从失败中汲取经验"的思路，对读者极具启发意义。 亮点三：策略对比的清晰呈现 研究通过三组对比（标准过滤 vs 替代过滤 vs 优化模型），清晰地展示了不同策略的效果差异（表3）。这种"对照实验"式的设计，让读者直观理解"什么有效、什么无效"。 亮点四：对"探索 vs 利用"的深刻洞察 研究指出，施加更强结构约束后，生成的分子与已知活性分子的相似性更高（Tanimoto相似度分析，表S9），揭示了药物设计中"新颖性"与"活性"之间的经典权衡。 07 对读者的启示与借鉴 启示一：AI生成并非"一键成药" AI生成的分子仍需严格的实验验证。 首轮36万个分子、9个合成化合物全部无活性，表明计算预测与实验现实之间仍存在鸿沟。 启示二：领域知识不可替代 AI需要"人类导师"引导方向。 正是研究者对A2A AR作用机制的理解（认识到Asn253双齿氢键的关键性），才使第二轮策略调整取得成功。AI是工具，而非替代品。 启示三：评分函数设计决定成败 评分函数的参数设置直接影响生成的化学空间。 首轮等权重评分导致模型无法"习得"最关键的相互作用；第二轮提高结构权重+施加惩罚，效果立竿见影。 启示四："事后筛选"不及"事前约束" 对于有明确结构信息的目标，将关键药效团特征作为硬性约束嵌入生成流程，远比在事后进行复杂的筛选过滤更有效。第二轮 vs 首轮的成功率（100% vs 0%）就是最佳佐证。 启示五：适用于数据富集的靶点 A2A AR拥有9237个已知配体 + 58个共晶结构。这种数据富集度使AI模型能够有效学习。对于缺乏数据的"孤儿"靶点，当前AI方法仍面临挑战。 结语 本研究最打动我的，并非最终发现了纳摩尔级的化合物，而是它坦诚地呈现了AI药物设计的"翻车"历程，并通过深入分析失败原因实现了逆袭。 在AI药物设计这个火热但存在泡沫的领域，这种"失败-反思-成功"的完整叙事，比任何"一键成药"的神话都更有价值。 毕竟，真正的科学进步，往往并非来自一帆风顺的成功，而是来自对失败的深刻理解。 参考文献：Persico, M., Micoli, A., Salmaso, V., et al. Applying Deep-Learning-Driven De Novo Design to Hit Identification: A Case Study on A2A Adenosine Receptor Antagonists. J. Med. Chem. 2026.