AI辅助仿制药开发中的结构预测方法.pdfVIP

漫科学·科技应用

AI辅助仿制药开发中的结构预测方法

张 娟

太原钢铁（集团）有限公司太钢总医院 山西太原 030003

【摘 要】人工智能（AI）技术在仿制药开发中的应用显著提升了药物分子结构预测的效率与精度。本

文提出了一种基于深度学习的分子结构预测方法，结合分子动力学模拟与生成对抗网络（GAN），针对仿制

药活性成分的结构优化进行技术性探索。该方法通过多模态数据融合，整合了分子光谱数据、化学键特征及

三维构象信息，实现了对复杂分子的高精度构型预测。实验结果表明，该方法在预测小分子药物的晶体结构

与溶解性方面，较传统量子化学计算方法提升了约30%的计算效率，同时保持了高一致性。本研究为AI驱动的

仿制药研发提供了新的技术路径。

【关键词】人工智能；仿制药；结构预测；深度学习；分子动力学；生成对抗网络

仿制药开发的核心在于确保活性药物成分（API）得以保证，高分辨率特征由此获得。

在结构、功能及生物等效性上与原研药一致。传统结（二）拓扑特征

构预测方法依赖量子化学计算与分子动力学模拟，计分子化学键网络的拓扑特征分析由GNN(图神经网

算成本高且耗时长。近年来，人工智能技术的进步为络)完成，生成节点(原子)与边(化学键)的嵌入向量。以

药物开发带来了新的机遇，特别是深度学习在处理高图结构表示分子时，节点对应于原子，边则对应于化

维化学数据方面的能力，为分子结构预测提供了高效学键。原子邻居信息的聚合通过GNN的消息传递机制

工具。现有AI方法多集中于药物筛选与分子设计，实现，128维的嵌入向量由此生成，分子拓扑特性得以

而针对仿制药结构预测的研究相对较少。仿制药开发捕捉。阿司匹林分子可作为实例，其苯环和酯键的连

中，API的晶体结构、构象稳定性及溶解性直接影响药接模式被GNN分析后，反映局部化学环境的向量成功

物性能，因此精准预测这些特性至关重要。本文提出生成。600种分子的实验数据表明，平均每个分子包含

一种基于深度学习的结构预测框架，结合生成对抗网25个原子与30条化学键。200次迭代训练的GNN模型

络与分子动力学模拟，优化仿制药分子结构预测的精结果显示，嵌入向量的余弦相似度均值达到0.95。拓

度与效率，为产业化应用提供技术支持。扑特征提取的高一致性由此可见。

（三）三维构象

一、数据准备与特征提取

初始分子模型的三维构象特征得以确立，基于

（一）光谱特征MMFF94力场方法学进行初步三维坐标的生成操作。

通过傅里叶变换红外光谱学技术(FTIR)与核磁共作为生成对抗网络(GAN)的输入数据源，该力场方法

振谱学(NMR)手段，分子振动模式及其核自旋信息得被采用。原子间键长、键角以及扭转角的计算通过分

以获取。在400~4000波数区间内，吸收峰被FTIR所分子势能的最优化过程完成，能量最低状态的构象由此

析，化学键的振动频率与强度由此提取——以1700波产生。氯喹分子的初始构象经优化处理后，0.02以内

数附近出现的C=O键伸缩振动为典型实例。关于原子的平均键长偏差值可被观测到。实验数据显示，400个

核化学环境的信息，则经由H-NMR及C-NMR谱图提分子样本的构象生成过程耗时约为5秒/样本，0.15的

供，化学位移以ppm为单位进行测定。布洛芬分子研三维坐标均方根误差(RMSE)数值被记录在案。实例表

究实例中，1500~1600波数区间观测到