「嘉宾介绍」

侯廷军，浙江大学药学院求是特聘教授，国家万人计划领军人才，国家重点研发计划首席科学家。在Nature Mach Intell、Nature Comput Sci等高水平期刊发表SCI500余篇，引用33000余次，H因子89，任中国化学会计算（机）化学专业委员会副主任委员、中国计算机学会数字医学分会副主任委员、中国药学会药物化学专业委员会委员、Briefings in Bioinformatics等14种SCI期刊编委，连续多年入选科瑞维安全球高被引科学家和爱思唯尔中国高被引学者，获中国化学会计算（机）化学专委会计算化学家奖、药明康德生命化学研究奖。

「主讲内容」

侯廷军教授以“AI驱动的新药发现软件平台DrugFlow的开发”为题，从研究背景、研究进展、软件平台与面临挑战这四个方面简单介绍了AI算法在新药研发领域的各个环节的应用现状。报告伊始，侯廷军教授由传统新药的研发流程，引入当前AI模型引领的研发新范式，简要分享了深度学习在各个领域的突破。针对当前AI辅助药物发现领域，侯廷军教授主要从生物活性分子筛选、分子生成、成药性及安全性评价三个方面对药物多目标性质精确评估现状展开工作介绍。

侯廷军教授详细介绍了课题组在基于分子对接的虚拟筛选的研究工作，分享了针对不同预测任务的蛋白质小分子打分函数的研究成果。基于图表示学习的蛋白-配体相互作用的打分方法IGN框架通过深度学习方法以及分子表征图，学习小分子内相互作用和分子间相互作用。RTMScore打分函数则是采用基于残基层次的蛋白图表示策略和多个graph transformer层，最后通过混合密度网络用于学习残基-原子距离可能性潜能，提升对接能力和富集能力。此外课题组还基于RTMScore框架，增加等变的GNN模块以实时更新配体分子的坐标，实现了分子对接和打分函数的整合模型KamaDock。该模型不需要依赖大型计算集群。Carsidock则是基于大规模物理模拟数据预训练的高精度分子对接模型，在预测未在训练集中出现的样本的预测准确率与同类模型相比最高，比alphafold3高出6%。该模型也获得不少药企的认可。此外，使用100多个靶标评测同类模型的筛选真实分子能力，评测结果说明上述模型更优。在智能分子生成方向，侯廷军课题组构建了一套基于AIGC+预训练大模型打造分子生成模型体系，并介绍了其中几项分子生成方法，包括：transformer+知识蒸馏+强化学习的框架开发的基于配体的多约束分子生成方法（MCMG），该方法收敛速度快；基于多尺度等变网络的蛋白口袋3D分子生成方法（ResGen）将分子生成变成全局尺度的自回归与原子尺度的自回归问题，通过在蛋白质结合位点上原子加和生成亲和力更强的完整分子。在ADMET领域，侯廷军课题组搭建的ADMETlab成药性预测平台基于2D分子图进行端到端的预测，计算精度高、计算速度快，获得了国内外同行的高度认可。另外课题组还基于实验数据的匹配分子对分析方法（MMPA）搭建了OptADMET分子成药性在线优化平台。基于多属性转换规则数据库，OptADMET可以识别子结构转化规则，可通过简单的计算快速优化目标分子的特定成药性参数。

侯廷军教授分享DrugFlow平台的各个模块与功能，及其受邀NVIDIA GTC 2024大会与多家头部企业的合作经历，并向在座师生分享了DrugFlow平台各个模块的评估情况。

在报告最后，侯廷军教授分享了当前AI在新药研发面临的挑战，针对如何有效提升AI的分子性质预测能力、提升打分函数在虚拟筛选中的预测能力以及提升分子的成药性毒性的预测精度三方面提出了自己的见解与展望。

「互动环节」

报告结束后，侯廷军教授与在场师生针对当前AI模型对分子性质的预测能力与难点展开热烈讨论。

「颁发纪念证书」

论坛最后，田博学副教授作为本次论坛主持代表清华大学药学院为侯廷军教授颁发纪念证书。