AI服务

正构/变构位点鉴定是AI药物研发的核心前置环节，星洐智化依托上海交通大学自研的StarBind AI算法，结合实验验证手段，实现对蛋白质靶点的精准位点定位。

我们不仅能精准识别蛋白质上天然底物结合的正构位点，还能高效发现远离活性中心的变构位点——变构位点作为药物研发的新兴靶点，具有更高的选择性和更低的脱靶风险，是研发高特异性创新药的关键。

通过计算+实验的双维度验证，我们的位点鉴定结果准确率可达95%以上，为后续的虚拟筛选、分子设计提供坚实的靶点基础。

分子相似性原理(Similar Property Principle, SPP)指出:结构相似的分子往往表现出相似的生物活性。然而,”相似”在化学空间中是一个高度依赖度量方式与特征空间的概念。其核心内容更需要注意的是，如何在不同任务场景下选择合适的相似性度量？如何识别一个分子集合中的核心骨架(scaffold)与共性药效团(pharmacophore),从而揭示其构效关系(SAR)?大规模化合物库中,如何高效进行相似性检索而不牺牲检索精度?

可以将分子结构编码为固定或可变长度位向量，引入分子指纹处理这个问题。主流指纹包括基于路径的 Daylight 指纹、基于环境的 Morgan/ECFP 指纹、基于子结构关键字的 MACCS 指纹与基于药效团的 PubChem 指纹

从超大规模化学空间(已知合成可及空间约 10¹¹ 量级)中识别出能够与靶点蛋白特异性结合的小分子,是先导化合物发现的核心任务。其核心内容包括： 如何在靶点蛋白表面准确定位生物学相关的结合口袋(binding pocket),包括正构位点(orthosteric)与变构位点(allosteric)？如何高效采样配体在结合口袋中的可能结合姿势(binding pose),并准确估计其结合自由能?如何选择与组合表现差异显著基于物理的、经验的与机器学习的打分函数?如何利用分级筛选(配体相似性 → 药效团 → 对接 → 自由能微扰)实现效率与精度的折中？

通过计算配体与受体的几何匹配与能量互补,预测配体在受体结合位点上的结合构象与亲和力的方法。代表性软件包括 AutoDock Vina、Glide、GOLD、CarsiDock(基于深度学习)与 DiffDock(基于扩散模型)，（注：starbind是一个专门为超大规模对接分子实体库设计的深度学习模型算法）。

一个具有良好靶点亲和力的化合物未必能成为药物。临床前与临床阶段的失败有相当比例归因于药代动力学(ADME)不佳或毒理学问题。性质预测与安全评估模块旨在通过计算手段在早期识别这些风险，研究内容包括：如何准确预测化合物的吸收(A)、分布(D)、代谢(M)、排泄(E)行为及关键参数(口服生物利用度、血脑屏障穿透、半衰期)?如何识别潜在的肝毒性、心脏毒性(hERG 阻断)、致癌性、致突变性(Ames)、皮肤致敏等风险?如何综合评价分子是否具有成为口服小分子药物的潜质(Lipinski 五规则、Veber 规则、QED 评分)?如何预测 CYP450 介导的代谢热点与可能产生的活性/毒性代谢物?如何识别在生物筛选中表现出非特异性活性的”伪命中”化合物?

一般通过ADMET，Lipinski 五规则，QED，hERG 通道，PAINS等指标结合深度学习探索药物性质与安全性，为生物评价提供前期研究基础和准备过滤工作。

即便一个分子在所有计算评估中表现优异,如果不能被实际合成或合成成本过高,其设计价值将大打折扣。合成可行性与设计支持模块要解决的问题是如何快速评估一个虚拟分子的合成难易程度?如何为目标分子规划可行的合成路线?如何在 SAR 优化中智能扩展化学空间?如何在保留活性的前提下,系统性优化分子的多个性质(亲和力、ADMET、合成可行性)?如何整合人工智能生成模型(如基于强化学习、扩散模型、流匹配的分子生成器)与化学家直觉,形成”AI 提议-专家决策”的协同设计闭环?

目前主要通过一下这些方法进行可合成性分析：合成可及性评分(Synthetic Accessibility Score, SAscore):Ertl 与 Schuffenhauer 提出的基于分子片段历史出现频率与结构复杂度的合成难易程度评分,取值 1(易)–10(难),典型药物分子位于 2–6 区间。

逆向合成分析(Retrosynthesis):由 E. J. Corey 提出的合成规划方法论,通过反复应用反应模板将目标分子分解为更简单的前体,直至到达商业可得的起始原料。代表性 AI 工具包括 AiZynthFinder、ASKCOS、IBM RXN。

基于深度学习的分子生成模型:包括基于 SMILES 的循环神经网络(如 REINVENT)、基于分子图的图神经网络生成模型(如 GraphAF、JT-VAE)、基于结构条件的扩散模型(如 TargetDiff、DiffSBDD、Pocket2Mol、DecompDiff)等。