弗吉尼亚大学医学院研究人员公布一套由人工智能驱动的药物发现工具，旨在提升候选分子设计效率并缩短评估周期。该工具组包括YuelDesign、YuelPocket和YuelBond，研究团队称三者可协同用于生成与验证面向特定蛋白靶点的小分子结构。

研究团队负责人、弗吉尼亚大学神经学系的Nikolay V. Dokholyan表示，核心工具YuelDesign采用扩散模型（diffusion model）技术，在设计过程中将蛋白质视为动态结构，而非静态“快照”。该方法试图在生成候选小分子时同时考虑蛋白结合口袋在结合过程中的弯曲与形变，从而更贴近体内真实的结合情形。

在工具分工上，YuelPocket用于识别药物可能结合的蛋白质口袋位置；YuelBond用于检查并确保生成分子中的化学键设置准确。研究团队称，这一组合不仅可用于新分子设计，也有望提高对现有药物探索新用途时的评估效率。

Dokholyan以“锁与钥匙”作比喻称，传统方法往往基于“静止的锁”来设计“钥匙”，但人体内的蛋白靶点会持续运动并发生形变；其团队的方法则尝试在“锁”移动时设计“钥匙”，以提高匹配的现实性。他表示，这一思路可能对癌症、神经系统疾病等需要靶向动态蛋白的疾病研究有所帮助。

研究团队在论文中指出，新药研发成本高、失败率高与分子—靶点结合行为难以预测有关：若候选分子无法在正确位置实现有效结合，药效可能不足，甚至带来不良副作用。团队强调，蛋白在结合时发生的结构变化被称为“诱导契合”（induced fit），忽视这种灵活性可能导致计算结果与实际效果出现偏差。

据介绍，YuelDesign的设计思路是让蛋白口袋结构与可嵌入其中的小分子在生成过程中相互适配；YuelPocket则基于图神经网络定位结合口袋，研究团队称其也可用于基于AlphaFold等工具预测得到的蛋白结构。研究员Jian Wang表示，在为癌症相关蛋白CDK2设计分子时，YuelDesign能够捕捉到药物结合时的关键结构变化。

研究成果分别发表于《美国国家科学院院刊》（Proceedings of the National Academy of Sciences）、《化学信息与建模杂志》（Journal of Chemical Information and Modeling）和《科学进展》（Science Advances）。论文作者包括Wang、Dong Yan Zhang、Shreshty Budakoti与Dokholyan等。

Dokholyan表示，团队已将上述工具免费向科学界开放，希望更多研究人员使用这些工具推进药物发现工作。