从代码到临床：人工智能与机器学习在药物发现全流程中的作用（综述）

ChemRxiv · 2026-11-12 · 预印本

• 一句话结论：结论：该综述认为计算与AI方法正从探索阶段走向药物研发的重要角色，但需与高质量实验数据和跨学科专长结合才能实质缩短时间、成本与不确定性；属叙述性综述的提示性结论。
• 研究设计与做法：设计与做法：为综合性叙述综述，覆盖靶点识别、分子筛选、药代动力学刻画与候选优先级排序等传统研发各阶段；材料未报告系统检索策略、纳入研究数量与随访时长。
• 主要结果：主要结果：作者称这些方法可明显缩短新化学实体的产生时间，但材料未报告具体效应量、置信区间或p值等定量合并结果。
• 机制或解释：机制或解释：作者将作用归于预测建模、高通量数据分析与分子动力学模拟等，并强调数据整理、模型设计与实验验证三者共同决定结果的可重复性与可用性。
• 局限与边界：局限与边界：作者指出数据质量差、报告不一致、化学与生物数据库多样性有限限制准确性，结果可解释性不足影响监管评估；本文为预印本，未经同行评议，证据档位C。
• 可否落地：可否落地：对研发流程设计有参考价值，提示需推进数据标准化、清晰基准测试与实验反馈闭环；当前为「提示」档位，不足以下结论认为可普遍替代实验验证。

🔗 打开原文

Shivansh Sahni, Sadaf Dorandish, Abdullah I. Al-Homoudi 等

本文摘自《每日前沿研究简报 · 2026-11-14》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。