人工智能在药物发现中的前沿技术和方法｜CNCC Tutorial

阅读量:7 2025-08-19 收藏本文

CNCC2025 Tutorial是由领域内专家主讲，面向全体参会者开放的专题讲座或教学环节，旨在介绍研究领域的最新进展或基础知识，内容涵盖原理、挑战、方法等。可以帮助刚进入该方向的博士生、青年学者快速补齐知识短板，以便更好地参会后续的前沿报告理解与未来方向思辨。

今年Tutorial共设置9大主题板块：AI基础模型、机器学习理论与机理、强化学习与推理、视觉与多模态、AI安全与治理、面向AI的数据管理和治理、Agent与具身智能、新型计算与网络架构、AI4Science。

Tutorial名称：

人工智能在药物发现中的前沿技术和方法

所属主题：

AI4Science

日程安排：

2025年10月22日下午

举办地点：

哈尔滨市·华旗饭店

注：如有变动，请以官网(https://ccf.org.cn/cncc2025)最终信息为准

模块	时长	内容
1. 绪论	20min	药物发现的现状与挑战。
2. 小分子化合物属性预测（主讲人一）	45min	基于机器学习的分子属性预测理论与表示学习方法。
3. 小分子药物设计（主讲人二）	45min	基于生成式AI的小分子药物苗头化合物生成与属性优化。
4. 蛋白对接与蛋白设计（主讲人三）	45min	蛋白质对接(docking)、结构预测与抗体设计。
5. 问答环节	30min	互动性问答和未来展望。

Tutorial背景与意义

随着人工智能技术的快速发展，AI正成为推动生命科学和药物研发范式变革的重要引擎。传统的药物研发周期长、成本高、成功率低，而AI方法在分子属性预测、新分子生成、蛋白结构设计、分子对接等多个环节展现出巨大潜力，显著提升了研发效率与成功率。本Tutorial系统梳理AI在药物发现关键任务中的核心方法与前沿进展，涵盖从基础表示学习到高级生成模型的多个关键技术，旨在帮助研究人员快速掌握AI赋能药物研发的理论基础与实践能力。通过本教程的学习，学员不仅能够理解当前主流模型与工具的原理与应用，还能具备开展跨学科研究的能力，为推动下一代智能药物研发提供坚实支撑。无论是在学术研究还是工业应用层面，本教程都具有重要的指导意义与实用价值。

Tutorial简介

近年来，人工智能在科学发现中的应用取得了突破性进展，尤其是在药物研发领域展现出巨大潜力。本教程旨在系统介绍人工智能在药物发现与设计中的关键技术和方法，涵盖从分子表示学习到蛋白质设计的多个核心环节。

教程内容包括：

药物属性预测：利用深度学习模型预测分子的ADME/T性质与生物活性；

分子生成与优化：介绍主流生成模型（如VAE、GAN、Diffusion Model）及其在新分子设计中的应用；

分子对接（Docking）：结合传统计算方法与AI增强模型，提升配体-蛋白结合预测的准确性；

蛋白质设计与结构预测：解析AlphaFold、ProteinMPNN等前沿工具的设计原理与实践技巧。

通过理论讲解与案例分析相结合的方式，帮助参与者掌握AI在药物研发中的核心技术，促进跨学科交流与合作。本教程适合对AI+ 生命科学感兴趣的研究生、研究人员及工业界从业者参加。

Tutorial目标

掌握AI在药物发现中的关键技术方法：帮助学员理解并掌握当前主流的AI模型与算法，如图神经网络、生成模型、预训练分子表示等，及其在药物属性预测、分子生成、蛋白设计等任务中的应用。

提升跨学科研究与实践能力：通过理论讲解与案例分析相结合，增强学员在化学、生物与人工智能交叉领域的理解与动手能力，培养解决实际科研问题的综合素养。

促进学术交流与合作生态建设：搭建一个融合计算机科学、药学、化学与生物学的交流平台，推动AI驱动药物研发的前沿探索与产学研合作。

Tutorial第一部分：药物发现的现状与挑战

摘要：本节将介绍药物发现的基本流程与关键挑战，并探讨人工智能在该领域的应用潜力。从靶点识别到临床前研究，传统药物研发周期长、成本高，而AI技术为加速这一过程提供了新思路。我们将回顾近年来AI在药物活性预测、分子生成、结构预测等方面的应用案例，帮助学员建立对整个领域宏观认识的基础，激发跨学科研究的兴趣。

Tutorial第二部分：基于机器学习的分子属性预测理论与表示学习方法

摘要：本节聚焦于利用机器学习与深度学习方法预测小分子药物的关键属性，如ADME/T（吸收、分布、代谢、排泄和毒性）以及生物活性。我们将介绍相关任务类型、常用数据集和主流建模方法，并通过实际案例展示预测模型的构建与评估流程。本节还将系统介绍多种分子编码方式，包括基于图的表示、基于序列的表示以及预训练模型，对比分析各类方法在分子属性预测任务中的性能表现，并演示如何利用现成的表示模型进行迁移学习，从而有效提升下游任务的预测效果。

Tutorial第三部分：基于生成式AI的药物分子苗头化合物生成与属性优化

摘要：本节介绍利用生成模型自动设计新分子的方法、质量评估指标（如有效性、新颖性、多样性）以及当前面临的挑战。我们将讲解主流生成模型如VAE、GAN、Flow、Diffusion Model 等在分子生成中的应用，重点介绍代表性模型的核心设计思想。

分子属性优化(Property Optimization)聚焦于在生成分子的基础上，如何引导其满足特定性质要求是药物设计的关键问题。本节将介绍分子属性优化的不同策略，包括条件生成与强化学习方法。我们将解析代表性算法的工作原理，并通过案例说明如何实现单目标或多目标优化。此外，还将讨论如何结合已有活性分子进行类药性改进，提高分子的成药潜力。

Tutorial第四部分：基于生成式AI的蛋白对接与蛋白设计

摘要：分子对接用于预测小分子与蛋白质之间的结合构象及结合亲和力，是虚拟筛选中的关键技术。本节将介绍传统对接方法的基本原理及其在实际应用中的局限性，并重点探讨AI增强型对接方法的最新发展，展示其在提升预测精度与计算效率方面的潜力。通过可视化工具呈现对接结果，帮助学员直观理解分子间相互作用模式。

蛋白质设计方面，本节聚焦人工智能在蛋白质功能设计与结构改造中的前沿进展。内容涵盖蛋白质结构预测的重大突破，以及面向序列设计、折叠稳定性预测和蛋白-配体复合物建模的智能化方法。学员将了解如何利用AI技术辅助设计具备特定功能的新蛋白，并优化现有蛋白的功能特性，从而推动创新药物与生物分子的研发。

讲者介绍

荣钰

阿里巴巴资深技术专家

博士，IEEE Senior Member。深圳市政府认定海外高层次人才，鹏城优才。在2016年于香港中文大学获得系统工程与工程管理博士学位及进行博士后研究。2017年6月加入腾讯AI Lab，任职专家研究员。2024年6月加入达摩院，任职资深技术专家，负责AI for Science，特别是医疗相关方向研究。荣钰博士长期专注于图神经网络基础与AI for Science的交叉研究，围绕结构数据的高效建模、跨模态智能系统构建及其在药物、医疗、材料等科学任务中的应用展开系统探索。

在学术研究上，提出了DropEdge、GROVER等被广泛引用图深度学习基础方法，并率先将 Transformer 机制引入图学习领域；同时开发了一系列几何图学习算法解决复杂物理建模的问题，并获得 NeurIPS 2022第二届公开催化剂比赛冠军。

产业转化方面，主导腾讯“云深智药”平台核心模块——分子属性预测模块的建设; 近期研发达摩院医疗多模态大模型“灵枢”，实现对GPT-4等模型的性能超越。相关成果已在ICLR、NeurIPS等国际顶级会议发表论文30余篇，谷歌学术引用次数超过一万次。

徐挺洋

阿里巴巴资深技术专家

博士，阿里达摩院语言科学实验室资深研究专家。主要负责图深度学习、AI医药以及AI for Science等方向的研究。本科毕业于上海交通大学密西根联合学院，硕士博士就读于美国康涅狄格大学（University of Connecticut）计算机系，师从毕金波教授。

他的研究涵盖了深度学习在新药设计，分子动力学模拟和AI 在科学领域中的应用，并且他在开发用于子图识别和节点分类等任务的先进图神经网络方面做出了重大贡献。迄今为止，在国际权威期刊和会议上共发表学术论文几十篇。在多个国际顶级会议，以及Nature Communication(NC)、Wiley Interdisciplinary Reviews、Annuals of Surgery 等国际权威期刊上发表论文。此外，还担任过 BIBM2019 的工业领域主席。

张恒通

哈尔滨工业大学教授

现就职于哈尔滨工业大学计算学部海量数据计算研究中心。分别在2013年和2020年于北京邮电大学和美国纽约州立大学布法罗分校取得学士和博士学位。曾于2021年入选腾讯技术大咖项目，任腾讯人工智能实验室高级研究员。主要研究方向是人工智能安全和AI4Science。在学术研究领域，在Nature子刊Nature Communications、TKDE、KDD、WWW、ICLR等顶级期刊与会议发表论文数十篇。其在腾讯人工智能实验室的主导研发的3D药物分子生成管线，成为了领先的被湿实验验证、可从头设计具备生物活性分子的3D分子生成管线，主要研究结果发表于Nature 子刊Nature Communications上，并入选Nature Communications 2024年度化学与材料科学方向精选论文。

李佳

香港科技大学（广州）助理教授

近五年在基础模型方面的研究在学界和业界都取得了显著的成果，承担多项相关领域的国家自然科学基金和龙头企业（华为、腾讯、阿里巴巴、字节跳动）研究项目。在Nature子刊、TPAMI、KDD、NeurIPS等顶级期刊与会议发表论文80余篇。其中，作为第一作者或通讯作者在上述研究方向上共发表了1篇Nature Communications 和55篇CCF-A类长文，同时指导学生担任第一作者的有1篇 Nature子刊和48篇CCF-A类长文。

2023年，他指导的关于图基础模型的文章被数据挖掘顶级会议KDD接收并被评为唯一最佳研究论文奖，这是中国大陆学者首次获此殊荣。Google Scholar 统计引用2700次。长期担任人工智能与数据挖掘顶级会议KDD、ACL等领域主席, WWW、KDD讲习班主要讲者。2022年主持腾讯犀牛鸟项目，获学术创新奖。2024年，培养博士生获得百度奖学金（全球10人）。2025年培养博士生担任清华大学助理教授。

CNCC2025

CNCC2025将于10月22-25日在哈尔滨举办。学术专题论坛将在往年多样化主题的基础上，首次通过“基础-前沿-未来”的一体化设计，满足不同背景参会者的需求，构建从知识获取到创新激发的完整路径，打造系统化、进阶式的参会体验。重点设置9大主题板块，每个主题板块的专题论坛由三大核心模块组成：面向前沿领域的体系性Tutorial、聚焦前沿突破的专题论坛以及探讨未来发展路径的思辨论坛。Tutorial作为这一设计的起点，为参会者构建坚实的共同知识基础，能够深度参与后续的前沿报告理解与未来方向思辨。同时面向青年学者、行业新锐等人群，通过系统性教学，助力赋能青年人才发展。

<<< 上一篇基于大模型智能体的社会模拟｜CNCC Tutorial

图智能体：范式、架构与实践｜CNCC Tutorial 下一篇 >>>

<<< 下一篇图智能体：范式、架构与实践｜CNCC Tutorial