KAIST：“AI自动设计最佳候选药物，有望改变新药开发范式”

by Jeong Ilwoong

Published 10 Aug.2025 12:01(KST)

一种能够自动设计最优候选药物的人工智能模型已在韩国本土开发完成。预计利用这一模型，有望实现更快速、更精准的新药研发。

KAIST表示，化学系教授 Kim Wooyeon 研究团队开发出了具备上述功能的人工智能（AI）模型“BInD”，并于10日对外公布。

（自左起）Jung Wonho 硕博连读课程，Lee Jungwon 硕博连读课程，Kim Wooyeon 教授，Seo Jisoo 硕博连读课程。KAIST 提供

BInD 的核心在于“同时设计”。在没有任何关于结合候选药物分子的事先信息的情况下，仅凭蛋白质结构，就能同时设计并优化候选药物分子及其结合方式（非共价相互作用）。

以往的人工智能模型要么只能生成分子，要么只能单独评估已生成分子与蛋白质是否结合；而 BInD 则可以连同分子与蛋白质之间的结合方式一并考虑，实现一次性整体设计。

此外，BInD 预先反映了蛋白质结合时的重要因素，从而大幅提高生成既高效又稳定分子的概率。这一生成过程以可视化方式呈现：针对蛋白质的靶向部位，在单一生成流程中同时生成原子的种类与位置、共价键以及相互作用。

在新药设计中必须同时考虑的分子稳定性、理化性质、结构合理性等多重要素，BInD 也能一并满足，这也是其优势所在。过去往往集中于一两项目标，不得不牺牲其他条件，而 BInD 能够在多种条件间实现均衡权衡，大幅提高实用性。

BInD 以“扩散模型”为基础运行，该模型是一种从随机状态逐步勾勒出精细结构的方式。扩散模型已在去年诺贝尔化学奖成果“AlphaFold3”的蛋白质–药物结构生成中得到应用，其高效性已经获得验证。

在此基础上，研究团队还将“键长”“蛋白质–分子间距离”等符合实际化学定律的标准，以知识驱动的指导方式嵌入 BInD，使生成结构能够得出更加符合现实的结果。这一点也与着重为原子标定空间坐标位置的 AlphaFold3 形成区分。

研究团队开发的、用于生成基于蛋白质结构的分子结构及非共价相互作用的扩散模型示意图。KAIST提供

研究团队还应用了一种优化策略：从一次生成的结果中筛选出结合模式优异的结构，再加以重复利用。借此，即便无需额外训练，也能生成性能出色的候选药物分子，尤其成功生成了可选择性作用于与癌症相关的靶向蛋白 EGFR 突变体的分子。

此次研究的意义还在于，相较于研究团队此前发布的、必须事先输入“哪种分子以何种方式与蛋白质结合”条件的人工智能模型，BInD 又向前迈进了一大步。

Kim Wooyeon 教授表示：“本研究团队开发的 AI ‘BInD’，能够自主学习并理解与靶向蛋白质结合的关键要素，从而在没有先验信息的情况下，设计出能够发生相互作用的最优候选药物分子。”他还称：“这将重新塑造新药开发的范式，有望为更快速、更精准地开发新药作出贡献。”

另外，本研究在韩国研究财团和保健福祉部的支持下开展，KAIST 化学系博士研究生 Lee Jungwon 与 Jung Wonho 以共同第一作者身份参与。研究成果（论文）已于上月11日发表于国际学术期刊《Advanced Science》。

本报道由人工智能(AI)翻译技术生成。