本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發提供一個完整的基于人工智能的解決方案。

成果：
1.藥物毒性預測方法：
傳統的化合物毒性檢測技術一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預測，所需投入較少，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，甚至能夠在化合物合成之前就對其進行預測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預測模型。
我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術服務。自2017年服務器發表起，我們已為國內外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發，正在進行P450酶阻滯劑性預測模型、基于圖神經網絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）

致癌性預測服務器首頁

致癌性預測結果頁

相關綜述對本服務器的介紹

RF-hERG-Score預測藥物引起的hERG相關心臟毒性

2.藥物設計方法：
在計算機上對藥物靶點和藥物分子的結構和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數量，從而加快新藥研發速度。
我們應用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設計、并開發更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數算法開發、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。

特異性重打分函數顯著虛擬篩選性能顯著較高

篩選出兩個候選抑制劑

3.藥物靶點識別方法：
長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。
我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。

lncRNA-蛋白質相互作用預測模型的性能比較

lncRNA-蛋白質相互作用預測服務器
相關軟件著作權：