2025年度浙江大学药学院侯廷军教授课题组AI药物研发研究全景回顾

2025年，DrugAI公众号持续跟踪并系统报道了浙江大学药学院侯廷军教授课题组(http://cadd.zju.edu.cn)在人工智能药物发现方法学领域的重要研究进展。相关工作围绕AI驱动药物研发的关键科学问题展开，重点覆盖深度分子生成模型、AI分子对接、化学反应预测与自动化合成规划、物理引导计算模型、生物序列基础模型以及免疫与抗体工程等多个前沿方向，形成了贯穿药物设计、作用机制预测、合成路径规划及生物功能评估的完整研究体系。

在分子生成方向，研究人员提出多种基于生成式深度学习与大语言模型的分子设计方法，使模型能够在复杂化学空间中实现可合成分子的高效生成与多目标优化；在结构预测与分子对接方面，相关研究结合扩散生成模型、几何深度学习以及物理约束建模策略，实现了蛋白–配体及蛋白–多肽相互作用的更高精度预测；在反应预测与合成规划领域，研究人员开发了面向自动化有机合成的智能平台，使AI能够参与从目标分子设计到反应路径搜索的全过程决策。

此外，在基础模型方向，课题组围绕核酸序列、生物多组学数据及单细胞信息构建通用生命科学基础模型，为跨任务迁移学习和多模态生物数据理解提供了统一表示框架；在免疫与抗体工程领域，相关研究通过结构引导图神经网络和对比学习策略，实现了抗体优化与免疫原性预测能力的显著提升。

上述研究成果陆续发表于Chemical Reviews、Nature Machine Intelligence、Nature Computational Science、Nature Communications、JACS 、Science Advances等国际高水平学术期刊，体现出人工智能技术在药物发现领域正由单一算法探索向系统化平台构建转变，并逐步实现与真实药物研发流程的深度融合。DrugAI公众号通过对这些工作的持续解读与传播，不仅系统展示了团队在AI药物研发领域的创新进展，也为相关研究人员提供了重要的技术参考与发展视角。

人工智能引导的药物发现

Adv. Sci. | 知识引导图学习赋能表型与靶点融合的创新药物发现

深度分子生成模型

Nat. Comput. Sci. | SynGFN: 面向可合成化学空间的生成式流网络分子生成方法

Nat. Comput. Sci. | ECloudGen:利用电子云作为潜在变量扩展基于结构的分子设计

Nat. Commun. | Token-Mol 1.0：基于大语言模型的词元化药物设计

Adv. Sci. | 基于帕累托算法和蒙特卡洛树搜索的多目标分子生成方法

Sci. Adv.| 基于大语言模型的抗菌肽设计

Nat.Mach.Intell.｜Delete：基于深度学习的先导化合物优化模型

浙大/华为团队: 3DSMILES-GPT:基于词元化语言模型的3D分子生成

深度分子对接

JACS | MetalloDock: 基于物理感知深度学习解码金属蛋白-配体相互作用并助力金属蛋白药物研发

Nat.Mach.Intell. | RAPiDock: 基于扩散生成模型进行快速、准确且合理的蛋白-多肽对接

Nat. Mach. Intell.｜从虚拟筛选角度评估AI驱动的分子对接方法

J. Med. Chem. | CarsiDock-Flex: 几何深度学习引导的“两步式”柔性对接方法

深度学习驱动的化学反应预测和合成规划

Nat. Commun. | 面向自动化有机–酶混合合成规划的虚拟平台

JACS Au | HiCLR：知识引导的层次对比学习框架，打造化学反应基础模型

物理引导的药物研发模型

Natl. Sci. Rev. | LamNet: 面向药物研发及更广泛计算科学的炼金术路径感知自由能预测框架

核酸/单细胞基础模型

Nat. Commun. | mRNABERT：基于双重词元化和跨模态对比学习的通用mRNA大模型

Genome Biol. | 生物学视角驱动的单细胞基础模型基准研究

免疫与抗体工程

Adv. Sci. | AntiBMPNN：用于精准抗体工程的结构引导图神经网络

Chem. Sci. | TRAP: 基于对比学习的高泛化性能T细胞表位免疫原性预测框架

综述

Chem. Rev. | 机器学习时代的增强采样：算法与应用(综述）

Chem. Rev. | 图神经网络赋能现代AI药物发现(综述)

整理 | 王建民