药物发现——从经验学科到信息学科演变的精彩故事

药物发现曾经完全基于经验。经过近百年的努力，药物发现学逐渐从定性研究走向定量研究，从经验学科演变成为信息学科。随着人类进入人工智能时代，药物发现方法学与人工智能加速融汇，受到药学、化学、生命科学、信息科学等领域的人们的广泛关注。

信息学领域有个驱动信息技术飞速发展的“摩尔律”，而药学领域却有个使药物发现技术不可持续的“反摩尔律”。为了突破这个药物发现技术的魔咒，人们急需回答下述问题：

1. 人工智能能使药物发现领域打破“反摩尔律”吗？

2. 人工智能如何辅助药物发现？

《药物发现方法学—研究范式的演化》（徐峻著. 北京：科学出版社，2023.10）以独特而务实的视角回答上述问题，也叙说了药物发现学从经验学科到信息学科演变的精彩故事。

← 左右滑动查看更多详细信息 →

本书的独特之处体现在如下几个方面：

观点新颖、视角独特

药学是跨学科最多的领域之一，也是受信息学影响最大的学科之一。本书有两条主线，一条是药物发现范式的演化路线，另一条是信息学与药物发现方法学不断融合的轨迹，向人们展示药物发现方法学的典型思维路线；

▲ 人工智能将辅助药物发现，因为药物源于自然，与自然共同演化和发展

学科交叉、融会贯通

本书力图将多学科的演化路径(即，中西医药学的演化、药物设计方法的演化、药物治疗学与药物发现学的演化、信息技术的演化、数据向大数据的演化、专家系统向通用人工智能的演化)融汇贯通，使来自不同学科的读者都能够沉浸其中，各得其所；

▲ 药证的信息学解读

▲ 中药复方信息学研究流程

学科交叉、融会贯通：中西医药学在信息学平台上实现交融、共同发展。

问题驱动、技术引领

本书强调问题导向的研究方法。陈凯先先生在序言中评述说，“(作者)总能把读者带回到药物发现者的视野，回归到药物发现过程的各种终点问题，以及与药学相关的生命科学终极问题上，而不会迷失在各种技术细节中”；

▲ 问题导向的思维：约1.8米长的DNA分子被塞进直径~10微米的细胞核内,空间压缩比约为1万比1, 细胞是怎么做到的？

▲ 治疗学与信息学的融合：患者的临床数据经过各种结构化的和非结构化数据挖掘算法，最终回归到回答如何治疗的终极问题上来。

数据丰富、内容前沿

本书引用的数据和文献截止到2023年6月，内容新鲜，涉及药物发现学和人工智能相关内容的方方面面，可以被视为人工智能辅助药物发现领域的入门指南和深入研究的无声导师；

▲ 机器学习在分子信息学中的应用

通俗易懂、趣味盎然

郭宗儒先生在序言中指出：“本书内容由药物发现、设计、信息学、模型、方法，以及当前蓬勃发展的大数据和人工智能等方面组成，做到了宏观把握和微观解析相结合，因而有助于拓宽药物发现与设计者的视野，是一部颇有特色的新书。阅读本书对从事药物研发的科研机构和企业，从初学者到专家都将大有裨益”。作者的行文力求深入浅出，将复杂的技术解构成易懂的道理。例如，作者这样解释深度学习的四个基本架构：卷积神经网络CNN延伸人的抽象能力、循环神经网络RNN延伸人的分析能力、生成对抗网络GAN延伸人的适应能力、生成式预训练变换器GPT延伸人的预测能力。

本文整理自《药物发现方法学：研究范式的演化》（徐峻著. 北京：科学出版社，2023.10）一书。

ISBN 978-7-03-076100-2

责任编辑：李明楠 高 微

药物发现方法学是药学与其他学科交叉而产生的药学分支学科，是现代药物创新必备的工具学科。作者根据自己的亲身经历，从QSAR 的历史沿革、信息技术的变迁、药物(包括传统药物)发现方法和设计方法的各个发展阶段、药物治疗理念的几次跃迁的角度，由浅入深地介绍药物发现方法学的内容、方法和应用，着重介绍了人工智能辅助药物发现与设计的底层逻辑和最新进展。作者是中山大学药学院教授，既是人工智能辅助药物发现与设计(AIDD)的程序员和架构师，又是经验丰富的创新药物的设计者及药物筛选与机理研究实验室的实验者。因此，总能把读者带回到药物发现者的视野，使其关注药物发现的最终要解决的问题。本书适合作为本领域大专院校的教学和科研参考书，也适合作为生物医药领域的科研专家和所有对药物创新有兴趣的管理者的参考书。