南洋理工大學一項博士研究探索利用機器學習提升藥物分子與DNA、RNA等核酸靶點結合預測能力，為新藥研發提供計算輔助方法。
AI當「紅娘」，為藥物和靶點精準「牽線」
新藥研發常被比作是為一把複雜的「鎖」（致病靶點）配一把獨特的「鑰匙」（藥物分子）。傳統方法依賴大量試錯，一款新藥問世平均耗時超10年、花費數十億美元，成功率卻很低。南洋理工大學博士研究嘗試利用AI優化這一過程：他們訓練AI模型來預測藥物分子與人體遺傳物質（DNA或RNA）的結合能力，如同為它們精準「牽線」，直擊新藥研發中最耗時燒錢的環節。
為什麼靶向DNA和RNA如此重要？因為它們是生命活動的藍圖，許多病毒感染和癌症都與它們的異常功能有關。直接靶向核酸，相當於從根源上阻斷疾病。然而，預測藥物分子與核酸的結合，比傳統上關注的蛋白質靶點更具挑戰性。NTU這項發表在大學數字知識庫（DR-NTU）上的研究，正是要攻克這一難題，為開發新療法開闢道路。
機器學習如何「讀懂」分子語言？
要讓AI「讀懂」分子間的語言，首先要給它「上課」。研究人員將海量的已知分子結合數據——包括成功和失敗的案例及結合強度——「喂」給算法。通過深度學習，模型能自行分析分子的三維結構、電荷分布等複雜特徵，逐漸掌握決定兩者能否成功「牽手」的關鍵規律，甚至發現人眼難以察覺的細微作用模式。
AI驅動的優勢顯而易見：速度和精度。計算機能在幾小時內完成數百萬種化合物的虛擬篩選，這是傳統實驗室無法想像的。更高的預測精度則意味著更低的失敗率，能將寶貴的科研資源集中在最有潛力的候選藥物上，大幅降低研發成本。該研究結合機器學習方法與生物醫學領域知識，將算法應用於核酸-小分子相互作用預測。
從實驗室到臨床，未來可期
這項技術的應用前景十分廣闊。在對抗病毒方面，許多病毒（如流感、HIV和新冠病毒）都是RNA病毒，精準靶向其RNA的藥物能有效抑制其複製。在癌症治療中，它則有望開發出更具針對性的靶向藥，直接作用於導致癌細胞增殖的異常基因片段。
該模型並非純理論工具，它能直接指導實驗室工作。科學家在合成新化合物前，可先用模型進行虛擬篩選和潛力評估。預測結果不佳的方案被提前放棄，而潛力高的則獲得了強有力的理論支持，這大大提高了後續「濕實驗」的成功率，避免了資源浪費。可以說，AI正在成為新藥研發中不可或缺的導航儀。
📌 要點總結
✦ NTU博士研究利用機器學習模型預測藥物分子與核酸（DNA/RNA）的結合能力。
✦ 該技術旨在大幅縮短新藥研發周期，降低成本，並提高成功率。
✦ 研究成果有望應用於抗癌、抗病毒及遺傳病等多個前沿醫學領域。
AI與藥物研發的結合，正在為未來新藥探索提供更多可能。
