人工智能与机器学习在药物分析中的应用综述

European Journal Pharmaceutical and Medical Research · 2026-11-01 · 期刊论文

• 一句话结论：结论：本综述性文章提示，人工智能与机器学习可介入药物发现与开发的多环节，包括靶点与先导化合物识别优化、虚拟筛选、药物-靶点相互作用与毒性预测以及个体化治疗；文章以归纳与举例为主，未提供定量效应估计，证据档位为 C。
• 研究设计与做法：设计与做法：本文为文献综述，材料未报告系统检索策略、纳入排除标准、样本量、干预与对照或随访时长。作者梳理三篇已发表的综述：Zhu 等（2022）关注 AI 在药物发现与精准纳米医学中的作用；Lei 等（2022）关注蛋白空间结构预测与药物协同预测；Garcia 与 Salichos（2022）讨论 AI、机器学习与深度学习的概念及伦理社会意涵。
• 主要结果：主要结果：作者陈述传统药物发现过程可能耗时十年以上、耗资数百万美元，才可能产出可进入临床试验的活性化合物；AI 驱动方法可应对其中的多项挑战。具体效应量、置信区间、p 值与发生率材料未报告。
• 机制或解释：机制或解释：作者给出的解释是，AI 与机器学习通过计算手段处理靶点或先导化合物识别与优化、虚拟筛选、药物-靶点相互作用预测、毒性预测与个体化治疗等任务，从而应对传统流程周期长、成本高、失败率高的问题。
• 局限与边界：局限与边界：本文为叙述性综述，未报告原始研究数据；所引三项综述的覆盖范围、文献质量评价与异质性处理材料未报告；文章对 AI 应用的局限与伦理讨论仅作概述，具体内容材料未报告；利益冲突材料未报告。
• 可否落地：可否落地：对药物分析与药物研发，本文提示 AI 与机器学习可作为候选辅助工具，用于虚拟筛选与性质预测等环节；但现有材料以综述转述为主，缺乏定量验证，证据档位为 C，尚不足以下临床或监管层面的应用结论，需前瞻性研究与外部验证支持。

🔗 打开原文

B. Satya Prasad1*, J. N. Suresh Kumar2, P. Pavani3, B. Bhargavi4, S. K. Akram5, D. Sasi Kumar6, K. Vineela Eswari Devi7

本文摘自《每日前沿研究简报 · 2026-11-02》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。