靶点发现：AI助力探索传统不可成药靶点 人类蛋白质组成药性差。1）85% 蛋白缺乏有效干预：在人类庞大的蛋白质组中，仅有约15%的蛋白被成功开发为药物靶点，剩余85%的蛋白因机制不明或难以靶向，成为药物研发的“无人区”，导致大量复杂疾病（如神经退行性疾病）缺乏有效治疗方案。2）60% 靶点被贴上“不可成药”标签：其中约60%的蛋白属于“内在无序蛋白（IDP）”，这类蛋白没有稳定的三维结构，结构高度动态，传统的基于“锁钥模型”的药物设计方法对其束手无策，是制约新药研发突破的最大技术瓶颈。 传统局限：依赖体外亲和力测试、全基因组敲低筛选等实验手段，不仅耗时费力、成本高昂，且如同“大海捞针”，早期验证失败率极高，难以覆盖复杂的疾病机制。 基于AI的靶点发现双引擎驱动。1）知识图谱与文献挖掘：利用大语言模型(LLM)将分散的论文、专利、临床试验报告等数据构建成结构化的生物医药知识图谱，自动挖掘潜在的基因-疾病-药物关联，解决传统文献阅读效率低、信息遗漏的问题。2）多组学融合与因果推断：通过机器学习与图神经网络(GNN)深度整合转录组、蛋白质组、代谢组等多维生物数据，不仅识别直接的靶点关联，更能构建复杂的疾病分子画像，揭示依赖于特定细胞背景的间接作用机制。 AI重构靶点发现的底层逻辑。结构预测打破不可成药的理论壁垒：AlphaFold3 (Nature 2024)在AlphaFold 2的基础上进行了优化和训练，不仅支持更多种类的分子，还提升了训练效率。它能够预测所有生物大分子之间的相互作用结构，得益于其更灵活和通用的设计，准确率较传统方法提升50%，为靶点验证提供原子级结构支撑。资料来源：Sinha, S., Sinha, N., Perales, M. et al. DeepTarget predicts anti-cancer mechanisms of action of small molecules by integrating drug and genetic screens. npj Precis. Onc. 9, 340 (2025).;Insilico Medicine Advances AI-Driven Target Discovery with Validated TargetPro–TargetBench Framework；西南证券整理13
