财通证券AI医药报告指出，AI生成模型在全新药物设计领域具有巨大优势。这些模型可以在更广阔的未知化学空间中进行搜索，超越现有分子结构的限制，自动设计新的分子结构。在新药设计中，基于RNN的生成模型、变分自编码器和生成对抗网络等深度生成模型被广泛使用。利用生成模型设计分子的过程具有高度的随机性，而强化学习可以通过微调模型参数进行有针对性的优化，使生成的分子具备特定的药物分子特性。这种结合方法为全新药物设计提供了新的途径和可能性。
AI药物分子设计的技术演进路径
药物设计的目标是开发出具有特定性质、符合特定标准的药物，包括疗效、安全性、合理的化学和生物特性以及结构的新颖性。近年来，利用深度生成模型和强化学习算法进行新药设计被认为是一种有效的药物发现方法。这种方法能够绕过传统基于经验的药物设计模式的限制，让计算机通过自主学习药物靶点和分子特征，以更快的速度和更低的成本生成符合特定要求的化合物。从技术演进来看，AI药物分子设计经历了从简单生成模型到进阶生成模型的演变——从RNN生成模型到VAE、GAN、AAE等更复杂的架构，模型能力不断提升。
VAE与GAN：两种主要的分子生成范式
VAE已成为复杂数据分布的无监督学习最流行的方法之一。VAE模型能够完成小分子的全新设计和肽序列的生成。VAE的变体主要可以分为SMILES-VAE、Graph-VAE和3Dgrid-VAE三种类型。SMILES-VAE应用最为广泛，英矽智能构建的GENTRL算法即基于此，尽管GENTRL生成的分子顺利通过实验验证，但仍难以保证生成100%有效的SMILES。Graph-VAE和3Dgrid-VAE能够解决这些问题，由于3D结构训练数据有限，目前商业化应用较少，未来将对AI药物设计项目具有巨大价值。GAN主要由生成器和鉴别器组成，通过对抗生成高质量数据。在AI药物设计领域，GAN通常与特征学习和强化学习等技术相结合，在蛋白质功能预测、小分子生成等方面发挥了重要作用。
表：AI药物分子设计关键模型对比| 模型类型 | 核心优势 | 主要局限 | 典型应用 |
|---|
| RNN生成模型 | 序列生成成熟，易于实施 | 难以保证100%有效SMILES | 先导化合物优化 |
| VAE模型 | 生成多样性高，训练稳定 | 部分生成分子无法合成 | 全新分子设计 |
| GAN模型 | 生成质量高，与强化学习结合好 | 训练不稳定，模式崩塌 | 小分子生成、蛋白质预测 |
| AAE模型 | 扩展生成空间，新颖性高 | 计算复杂 | 创新分子骨架生成 |
强化学习助力分子特性优化
利用生成模型设计分子的过程具有高度的随机性，生成的分子在结构上呈现千变万化，质量也参差不齐。强化学习可以通过微调模型参数进行有针对性的优化，使生成的分子具备特定的药物分子特性。例如，在“Scaffold-constrained molecular generation（SAMOA）”算法中，研究者使用RNN生成模型生成新分子的SMILES序列，然后使用精细采样程序实现支架约束，并应用基于策略的强化学习算法来探索相关的化学空间，生成与预期相匹配的新分子。这种结合生成模型和强化学习的方法使AI生成的分子从“多样性”走向“可成药性”。
