F.A.D.E.（全自主药物引擎）：用于药物发现的对话式人工智能平台

药物发现仍然是制药流程中成本最高且最耗时的工作之一：单个药物的平均研发成本超过23亿美元，研发周期长达十余年，而临床试验中的失败率高于90%。尽管计算方法扩大了可搜索的化学空间，当前的流程仍然是碎片化的，并且对于缺乏深厚跨学科专业知识的研究人员而言，基本难以获得和使用。在此，我们提出 F.A.D.E.（Fully Agentic Drug Engine，全集成自主智能药物引擎），这是一个多智能体开源平台，可将自然语言查询转化为潜在的候选药物，从而显著降低开展高级计算药物发现所需的专业门槛。F.A.D.E. 采用一种三分支层级架构，能够根据任意蛋白靶点可获得的结构数据水平进行适配，并将结构预测、结合口袋检测、基于等变扩散的从头配体生成以及结合亲和力评估整合到单一自动化流程中。我们在两个结构上显著不同的靶点上验证了 F.A.D.E.：表皮生长因子受体激酶结构域（EGFR），这是一个已被充分确立的肿瘤学靶点；以及细胞视黄醇结合蛋白1（CRBP1），这是一种参与类视黄醇代谢的脂质结合蛋白。对于 EGFR，我们生成的候选化合物获得了 0.85 的 QED 评分，而其共晶参考配体的 QED 评分为 0.46，表明在预测药物相似性方面有显著提升。两个靶点上的结果共同证实，F.A.D.E. 能够仅基于简单的自然语言输入，在多样化的蛋白类别中稳定生成化学上可处理且具有类药性特征的命中化合物。

药物发现仍然是制药流程中成本最高且最耗时的工作之一，单个药物的平均研发成本超过23亿美元，研发周期长达十余年，而临床试验中的淘汰率超过90%。尽管计算方法扩大了可搜索的化学空间，现有流程仍然是碎片化的，而且对于缺乏深厚跨学科专业知识的研究人员而言，在很大程度上难以使用。本文提出F.A.D.E.（Fully Agentic Drug Engine，全集成智能体药物引擎），这是一个多智能体开源平台，能够将自然语言查询转化为潜在药物候选物，从而显著降低开展先进计算药物发现所需的专业门槛。F.A.D.E.采用一种三分支层级架构，能够根据任意蛋白质靶点可获得的结构数据水平进行自适应，将结构预测、结合口袋检测、基于等变扩散的从头配体生成以及结合亲和力估计整合到单一自动化流程之中。我们在两个结构上显著不同的靶点上验证了F.A.D.E.：表皮生长因子受体激酶结构域（EGFR），这是一个成熟的肿瘤学靶点；以及细胞视黄醇结合蛋白1（CRBP1），这是一种参与类视黄醇代谢的脂质结合蛋白。对于EGFR，我们生成的候选分子获得了0.85的QED评分，而共晶参考配体的QED评分为0.46，表明其在预测药物相似性方面有显著提升。两个靶点上的结果共同证实，F.A.D.E.能够仅基于简单的自然语言输入，在多样化蛋白质类别中稳定生成化学上可行且具有药物相似性的命中化合物。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.20.733481v1?rss=1

🏷️ 药物发现 对话式人工智能 多智能体平台 从头药物设计 蛋白靶点 结合亲和力预测