过去三十年间，保诺-桑迪亚的故事不仅由我们自己的科学家书写，也离不开那些与我们志同道合、将重要项目托付给我们的客户与合作伙伴。因此，在本期《科学背后的追光者》中，我们首次邀请合作伙伴参与这一系列故事，走近深势科技及其背后的科学探索。
深势科技是全球AI for Science的开拓者和引领者，以“加速科学发现，释放科学价值”为使命，致力于打造AI科学家（AI Scientist）及自主进行科学发现的智能系统。作为保诺-桑迪亚的重要合作伙伴，深势科技正在与我们共同开发基于AI的多肽药物研发平台，加速探索创新疗法。
“在我看来，不可成药并不意味着完全不可能，它只是意味着我们还没有找到正确的方法。”在AI不断拓展药物发现边界的今天，深势科技药物发现事业部联席总裁王冬冬博士始终保持着一种务实的态度：相信技术能够拓展科学探索的边界，但要真正解决问题，仍然离不开严谨的科学判断。在这场对话中，他分享了如何以务实的科学方法，探索那些过去难以解决的药物发现问题。
博士期间，我的研究主要集中在蛋白质及蛋白质-配体相互作用的结构与动态变化，并围绕这些开展分子动力学采样方法研究。随着研究深入，我逐渐面临一个核心的挑战：如何在复杂体系中识别蛋白质的慢自由度，进而提高模拟效率。
真正的转折点来自于与鄂维南教授和张林峰博士的交流与合作。他们是AI for Science领域的重要先行者，发展了深度势能分子动力学算法，并获得了2020年ACM戈登·贝尔奖——国际高性能计算领域最具影响力的奖项。更重要的是，他们解决科学问题的思路改变了我对AI赋能科学研究的理解。
从数学角度来看，AI本质上是一种强大的高维函数拟合工具，而我在蛋白质动力学研究中遇到的问题，正是这类方法能够发挥作用的领域。基于这一认识，我们发展了强化动力学（Reinforced Dynamics）增强采样方法，进而构建了RiDYMO®平台，这是针对"难成药"靶点的AI驱动药物发现平台。
我投身AI for Science领域，并非源于对未来趋势的预判，而是在研究过程中发现，AI为当时遇到的具体科学问题提供了新的解决路径。通过AI for Science，我开始探索过去难以解决的问题，也逐渐确认了这一方向的价值。我也铭记鄂老师的话：“AI for Science是我国科研千载难逢的超车机会，没有‘之一’。”
我一直保持务实的态度：任何技术，无论是实验技术还是AI，都有自身的优势和局限。即便是动物模型与临床试验之间也存在固有差距，而这正是科学发展的客观规律。
AI本质上是一套具有巨大潜力的工具，尤其适用于我们所说的“不可成药”靶点。目前，AI已经在Hit发现和先导化合物快速优化方面展现出较强能力，而与分子动力学方法结合后，其应用潜力进一步得到提升。但与此同时，AI在ADMET预测以及从计算结果向临床应用转化等方面，仍然面临挑战。
未来，随着数据质量不断提升，以及智能体推理能力持续增强，这些差距有望缩小。但我并不认为需要完全消除这些差距，科学探索本身就是在不断缩小这些差距的过程中推进的。因此，深势科技始终采用整合式方法，将AI、物理计算与实验验证结合起来。归根结底，让AI真正产生科学价值的，不是算法本身，而是人类理解问题本质、判断哪些问题值得解决的能力。
当我进入药物发现领域时，AI已经成为一种真实可用的技术能力，而不再只是理论概念。这让我们能够以全新的视角重新思考研发问题。AI并不是简单叠加在传统研发流程之上的辅助工具，而是一套能够从多个层面影响药物发现的新方法。
举个例子。仅依靠实验手段，很难完整表征蛋白质的动态变化，而借助计算模拟与AI技术，我们可以更有效地模拟和可视化这些过程。同样，在虚拟筛选领域，AI能够帮助我们探索远超传统方法覆盖的化学空间，大幅拓展药物发现的可能性。此外，AI智能体还能够自主调用不同研究工具和方法，帮助研究者以更加系统化的方式进行决策。
但与此同时，AI并不会取代实验验证。未来的药物发现，需要AI与实验形成协同：AI提供计算能力，而实验不断验证结果并完善模型。先进计算与自动化实验的结合，正是现代药物发现的重要特征。
目前，传统药物发现方法能够有效覆盖的靶点大约只占20%。剩余约80%的靶点通常被称为“不可成药”靶点，但其中许多都代表着肿瘤、神经系统疾病和免疫疾病领域极具潜力的治疗机会。在我看来，“不可成药”并不意味着完全“不可能”。它更多意味着，我们需要寻找不同的方法去理解这些靶点，并找到新的解决路径。
而蛋白质自身的动态特性，也正是这一领域最令人着迷的部分之一。蛋白质并不是固定不变的结构，而是在不断运动，并在不同构象之间转换。传统药物设计通常依赖相对稳定的结合口袋，但这种方式可能忽略蛋白质动态变化过程中产生的机会。我们构建AI平台的核心思路，就是更深入地理解蛋白质运动规律，通过模拟这些变化过程，寻找传统方法容易忽视的瞬态结合位点。
这一思路也帮助我们将研究范围从小分子拓展到环肽等新型药物模式，为此前难以干预的细胞内蛋白质相互作用开辟了新的探索方向。同时，这也进一步深化了我们与保诺-桑迪亚等合作伙伴的协作。我们相信，解决最具挑战性的生物学问题，需要将AI驱动设计、实验验证以及科学经验结合起来，共同推动更具潜力的治疗方案开发。
如今探索环肽的理性设计，就像站在一场技术变革浪潮的前沿。
过去几十年，我们早已了解环肽的巨大潜力：它们具有较好的结构稳定性，能够作用于传统小分子难以触及的靶点，同时也展现出实现口服给药的可能性。但环肽复杂的构象空间，以及优化过程中面临的计算挑战，使得大规模理性设计长期以来难以实现。近年来，针对PCSK9和IL23R等靶点的口服环肽项目已经展现出临床应用的价值，为这一领域的发展提供了重要验证。
如今，AI和基于物理的计算方法不断进步，使我们能够处理过去难以解决的复杂问题。AI能够从海量数据中学习规律，而先进分子模拟技术则帮助我们更深入地理解分子行为。二者结合，使环肽的理性设计更加精准、高效。这意味着我们能够探索更多过去难以实现的药物发现方向，包括口服环肽、RDC和POC等新兴药物模式。
这是一个AI、物理计算和高通量实验验证不断融合，共同打开新的治疗可能性的领域，能够参与其中，实在令人振奋。
环肽由氨基酸通过酰胺键连接形成，这一化学基础已经经过长期研究和验证，为环肽的合成、优化和进一步药物开发提供了可靠基础。
而环肽与AI和基于物理的建模方法之间的契合，主要来自其复杂的结构特征，这种复杂性既带来了挑战，也创造了机会。环肽需要形成稳定的三维结构，才能发挥相应的生物学功能，但在巨大的构象空间中如何找到这些稳定结构，始终是一个难题。
这正是AI和基于物理的方法的擅长之处。借助先进计算工具、高效采样方法以及结构表征技术，我们能够探索更广阔的化学空间，理解复杂的分子构象，并预测潜在的分子相互作用。这一过程会形成一个不断优化的循环：AI和物理模型指导分子设计与筛选，而实验产生的新数据又进一步完善模型，提高预测能力。
根据我们的经验，最高效的合作模式，是让AI团队与实验团队在分子设计和实验验证阶段保持紧密协作。
AI平台能够快速提出新的设计方案，并帮助筛选更具潜力的候选分子。但这些预测最终仍需要通过合成和实验验证，才能真正体现价值。在这一过程中，保诺-桑迪亚作为我们的实验合作伙伴，发挥了重要作用。通过快速、高质量地完成实验验证，并持续反馈新的数据，帮助我们不断优化模型和设计策略。
本质上，这是一个相互促进的过程：AI帮助实验团队聚焦更有价值的研究方向，而实验结果则不断反哺模型，让预测更加准确。
十年之后，真正衡量成功的标准，是这些工作最终能否为患者带来改变。如果过去缺少治疗选择的患者能够获得新的治疗方案，如果研究者能够更加系统地探索那些曾经难以开发的靶点，那将是对今天所有努力最有力的回答。
镜头下的BioDuro
上海外高桥 | 上海张江 | 美国加州 | 无锡
河北 | 北京 | 蚌埠 | 台湾
从原料药到制剂，从发现到开发生产，从小分子到新分子类型，保诺-桑迪亚是您的合作伙伴，可加快您的项目并提高候选药物成功的效率。
2026-07-26
24页
川公网安备51019002008863号
本网站未发布麻醉药品、精神药品、医疗用毒性药品、放射性药品、戒毒药品和医疗机构制剂的产品信息
收藏
登录后参与评论
暂无评论