近年来，AI已经逐渐应用于药物研发多个环节，包括疾病相关靶点识别、多组学数据分析、虚拟筛选以及候选分子优化等。例如，AI结合基因组学、转录组学、蛋白质组学和代谢组学，可以从复杂生物网络中挖掘潜在治疗靶点；基于结构信息的AI模型则能够辅助预测蛋白-小分子相互作用，加速候选化合物筛选。

然而，AI模型提供的是基于数据的预测结果，而药物作用机制最终仍需要实验验证。如何将AI预测结果与靶点筛选、结合验证以及机制解析技术结合，建立“计算预测—实验验证—机制解析”的闭环体系，正在成为药物研发的重要发展方向。

本文汇总近期五项代表性研究，系统梳理AI技术在药物靶点发现、靶标评估、天然产物机制解析及先导化合物筛选中的应用进展，解析AI赋能药靶研究的发展趋势与技术路径。 

01、AI：加速疾病新靶点识别与全方位可行性评估

2026年4月，英矽智能公司在Nature Reviews Drug Discovery（IF=91.2）发表题为“Target identification and assessment in the era of AI”的综述文章。

综述主题与核心结果：

1.AI 增强的靶点识别与评估工作流：研究详尽审视了 AI 和深度学习如何打破靶点识别和多维评估（成药性、安全性、新颖度、竞争格局、商业潜力）中的传统限制，整合了多组学、高内涵细胞成像、专利文献和临床报告数据。

2.结构与安全性预测的突破：总结了利用 AlphaFold3 预测生物分子和抗体-抗原结合复合物结构、PocketMiner 在整个人类蛋白质组中预测隐蔽口袋（cryptic pockets，从而扩大成药空间）、以及 DeeplyTough 比对蛋白结合口袋以预测潜在脱靶风险的进展。

3.临床 / 转化药学的成功案例：重点回顾了 AI 支撑的靶点发现和新药进入临床试验的案例，包括：

• 通过 PandaOmics 平台定位并利用生成式 AI 在 18 个月内发现用于特发性肺纤维化的全新靶点 TNIK 及临床候选药物 INS018_055；

• 基于寿命与多组学数据关联分析定位的抗衰老靶点 APLNR；

• 利用贝叶斯机器学习模型 BANDIT 对多维表型筛选药物 ONC201 进行反向去卷积，预测并确证其抗癌直接靶点为 DRD2。

4.未来趋势：未来的靶点发现将愈发依赖多模态融合模型、可解释 AI 技术，以及由 AI 和自动化机器人驱动的“干湿闭环”实验平台。

02、AI + 大语言模型：驱动 CAR-T 免疫治疗新靶点发现与多癌种疗法验证

2026年6月，德国亚琛工业大学研究团队在Cell（IF=45.1）发表题为“AI-driven discovery of GPNMB CAR T cells as a multi-cancer therapy”的研究文章。

研究主题与核心结果：

1.大语言模型（LLM）引导靶点筛选：靶点识别是 CAR-T 疗法的核心瓶颈。该研究整合了人类皮肤癌及健康组织的单细胞RNA测序数据集（scRNA-seq）构建肿瘤-健康组织对照图谱，并引入公共数据库提取亚细胞定位、组织特异性等特征。随后，利用 GPT-4o、Claude-3.7 和 Gemini-2.5-Pro 三个大语言模型进行 1000 次独立模拟，优化特征权重，提名了最具临床可行性的靶点。

2.发现多癌种通用靶点 GPNMB：AI 系统将 GPNMB（糖蛋白非转移性黑色素瘤蛋白 B）作为首选靶点提名。研究证实其在多种恶性肿瘤（如白血病、黑色素瘤和结直肠癌）表面高表达，但在健康核心脏器中表达极低。

3.综合体内外疗效验证：研究团队工程化构建了人源化 GPNMB-CAR T 细胞，实验表明该细胞在体外能特异性杀伤 GPNMB + 肿瘤，并在单核细胞白血病、黑色素瘤和结直肠腺癌的小鼠异种移植模型中实现了显著的肿瘤消退或完全缓解。

03、AI + 虚拟筛选：构建分层策略加速基于结构的先导化合物发现

2026年6月，浙江大学研究团队在Nature protocols（IF=18.4）发表题为“Facilitating structure-based drug discovery with an artificial intelligence-driven virtual screening platform”的综述文章。

综述主题与核心结果：

1.开发 CVSP-AIE 综合虚筛平台：为使非计算背景的实验科学家能够高效利用前沿的 AI 对接和评分算法，该研究推出了具有 AI 引擎的综合虚拟筛选平台 CVSP-AIE。

2.三大自研 AI 模型的有机集成：平台融合了三种具有不同算法优势和速度-精度折发的 AI 模型：

• KarmaDock：超快速分子对接模型，通过直接更新原子笛卡尔坐标实现极速对接评分（单次对接仅耗时 0.017 秒）；

• CarsiDock：高精度对接模型，通过预测蛋白质-配体原子距离矩阵并借助几何优化重构高 plausibility 结合姿态；

• RTMScore：基于残基-原子距离分布概率密度学习的高精度结合亲和力评分模型。

3.高效的分层筛选模式：基于这三个模型，平台建立了分层 VS 策略（首先由 KarmaDock 快速过滤百万库，随后由 CarsiDock 和 RTMScore 针对前 N 个候选进行精准对接和二次重打分），能够在 30-45 分钟内完成 10 万化合物库的分层筛选，动态平衡了虚筛的计算效率与预测准确性。

04、AI + 多组学：重塑精准药物发现与临床试验设计

2026年6月，中南大学第二湘雅医院研究团队在STTT（IF=81.2）发表题为“Multi-omics and artificial intelligence for precision drug discovery and potential clinical applications”的综述文章。

综述主题与核心结果：

1.跨越传统研发瓶颈：针对传统 “单药单靶点” 还原论模型的局限性，本综述全面分析了如何利用 AI 深度学习架构（如 GNN、Transformer 等）去解析复杂的多组学数据集（基因组、转录组、蛋白质组、代谢组、表观组和微生物组）。

2.药物研发全生命周期覆盖：详细阐述了多组学和 AI 在新靶点识别（包括合成致死和 acquired addiction 机制）、老药新用（药物重定位）、前导化合物从头设计与物理 / 药代预测（如 ADMET、DDI 毒性预测等）、以及精准临床试验设计（通过多组学患者分群、自适应试验设计来提高试验成功率）中的融合应用，推动制药研发从 “试错筛选” 向 “可编程创造” 时代跨越。

05、AI + 单细胞多组学：构建天然产物靶标识别的证据闭环

2026年6月，南京大学研究团队在Targetome发表题为“From target fishing to AI and single‑cell multi‑omics: an integrated framework for natural product target research”的综述文章。

综述主题与核心结果：

1.整合的决策导向框架：天然产物因结构多样、多靶点及背景依赖性等特征，使其靶点发现极其复杂。该研究构建了一个将传统的实验靶标垂钓（Label‑based 如生物素、光亲和标记，及 Label-free 如 DARTS、CETSA）、正交结合与功能验证、单细胞和空间多组学技术、以及人工智能（AI）辅助优先级排序有机连接的证据链新框架。

2.AI 与单细胞的分工协作：研究明确了前沿技术的合理分工 —— 单细胞及空间数据用于定义药物反应的细胞状态和组织微环境，而 AI 则将化学、结构及组学证据整合成排名的靶点假设。两者都不能独立确证靶点，其最大价值在于引导后续的直结合、细胞参与和因果干扰等闭环验证实验，从而提升天然产物靶点阐明的严谨度与效率。

达吉特专家评述

随着AI技术不断融入药物研发流程，未来药物发现将不再依赖单一技术，而是通过人工智能、多组学分析与实验验证技术的深度融合，构建从靶点发现、候选分子筛选到作用机制解析的完整研究链路。但是经过实验手段的验证仍然是建立可信药物机制、推动临床转化的关键分水岭。新药研发的未来绝非“AI 取代实验”，而是走向“AI预测 + 多组学分析 + 实验筛选 + 机制验证”的有机闭环模式。

达吉特的药靶综合性研究平台

达吉特自主构建了覆盖“先导筛选—靶点发现—结合验证—机制解析”的药靶综合研究平台，能够与AI预测、多组学分析及计算模拟等智能化技术手段深度融合。平台整合HuProt20K人类蛋白组芯片、ABPP、DARTS、TPP、SPR、HDX-MS等多维实验技术体系，可针对AI预测的候选靶点与潜在活性分子开展快速筛选与实验验证，实现药物-靶点互作关系的精准解析，为创新药物靶点发现、先导化合物筛选及作用机制研究提供系统化技术支持。

达吉特针对中药及小分子药物研究，建立了一套完整的技术服务体系：

1) 中药/复方的有效成分高标准鉴定/活性成分定量

2) 空间药物分布与空间代谢组

3) 小分子化合物批量标记（生物素/炔基/荧光）

4) 小分子钓靶（标记法）：20K人类蛋白组芯片/ ABPP/竞争性化学蛋白组

5) 小分子钓靶（非标记法）：DARTS /Lip-MS/ CETSA

6) 膜蛋白靶点筛选技术：SPIDER / MPA/GPCR膜蛋白芯片

7) 药物调控通路筛选：磷酸化抗体芯片/磷酸化蛋白组

8) SPR表面等离子共振（分子动力学）

9) 药-靶结合位点分析：HDX氢氘交换质谱、共价结合位点质谱

10) 高通量筛药：类器官筛药、高内涵筛药、GPCR抑制剂/激动剂筛选

11) 以靶找药：虚拟筛选+HSPR筛化合物库、SPR筛中药活性成分

相关文献：

1.Pun FW, Podolskiy D, Izumchenko E, et al. Target identification and assessment in the era of AI. Nat Rev Drug Discov. 2026;25(7):534-552. doi:10.1038/s41573-026-01412-8

2.Baker DJ, Frommer LM, Uslu U, et al. AI-driven discovery of GPNMB CAR T cells as a multi-cancer therapy. Cell. 2026;189(13):3871-3882.e12. doi:10.1016/j.cell.2026.06.002

3.Gu S, Zhang X, Xiao M, et al. Facilitating structure-based drug discovery with an artificial intelligence-driven virtual screening platform. Nat Protoc. Published online June 24, 2026. doi:10.1038/s41596-026-01389-z

4.Liu Y, Zhu K, Peng W, Liu Z, Mao X. Multi-omics and artificial intelligence for precision drug discovery and potential clinical applications. Signal Transduct Target Ther. 2026;11(1):210. Published 2026 Jun 3. doi:10.1038/s41392-026-02631-6

5.Du H, Chen N, Sun Y. 2026. From target fishing to AI and single-cell multi-omics: an integrated framework for natural product target research. Targetome 2(4): e037. DOI:  10.48130/targetome-0026-0036