赖自成，张玉萍，马 燕

（上海师范大学信息与机电工程学院，上海 201418）

0 引言

健康是人类永恒的目标，而疾病和病毒往往对人的生命构成挑战，采用人工智能技术辅助设计药物来加速药物的研发进度成为研究热点［1］。机器学习在化学领域已展现出巨大的应用潜力，在量子化学、密度泛函计算、药物发现、分子从头设计、反应预测与逆合成分析等领域均已有重要应用［2］。四川大学的李秉轲等［3］使用分子描述符和机器学习方法预测和筛选基质金属蛋白酶的选择性抑制剂。美国密西根大学研究团队利用Synthia™人工智能软件对12种尚在研究阶段的抗新冠药物展开了逆合成研究，尝试使用廉价易得的原料进行药物的合成［4］。传统的新药研发面临着投入高、耗时长、成功率低的困境［5］。开发新药的平均成本约为28 亿美元，新药研发的平均时长约为14 a［6］。Stokes 等［7］基于图卷积神经网络从1亿多个分子中发现了强大的新型广谱抗生素halicin。在实验中，其他抗生素化合物的耐药性通常在一两天内出现，但经过30 天的检测，也没有发现细菌对halicin 有任何耐药性。虽然人工智能技术在药物发现方面取得初步进展，但由于化合物搜索空间太过庞大、化学反应规则太过庞杂，所以通过人工智能技术设计药物合成路线仍然是一个巨大的挑战。目前主流的单步逆合成反应模型的预测准确率都比较低，例如GLN（Graph Logic Network）模型［8］在USPTO-full 测试集上的Top-1准确率为39.3%。在难以提高单步逆合成反应模型性能的情况下，使用一套可靠的正向有机化学反应预测算法用以筛除单步逆合成反应模型中推荐的不合理的反应变得尤为关键。……