化学空间犹如浩瀚的宇宙，即使几十亿的DNA化合物库亦不过是沧海一粟。

药物研发中的化合物优化其实是在衍生物空间搜寻局部最优解的过程。遗憾的是，即使衍生物空间对人类来说也还是太大，所以化合物优化依赖经验丰富的药物化学家来构思尽可能多的衍生物并依据经验或计算来寻找通往局部优解的捷径。之前基于预定义的化学反应规则及起始原料的AutoGrow类的方法虽然可以解决部分问题，局限性依然十分明显。

AI可以通过训练学习如何生成化合物，并且可以进一步的围绕靶向空间学习，从而实现对衍生化合物空间的穷举。AI生成化合物的原理与处理自然语言的人工智能类似。虽然目前的计算方法精度依然有限，不过在近乎完备的衍生物空间找到某个局部最优解还是绰绰有余的。AI的可怕之处在于它解决了化合物优化中的核心构思问题，也即新化合物结构从何而来。一旦药物结构被AI生成出来，余下不过是大浪淘沙而已。

AI+FBDD（基于片段的药物设计）估计是未来药物发现的高效解决方案。譬如获得片段化合物，AI枚举1000个衍生物，分子对接或动力学或QM筛选，实验测试获得活性提高的化合物再反馈回AI构成一个闭路设计过程，反复迭代至最优解。

参考文献

Generating focused molecule libraries for drug discovery with recurrent neural networks. ACS Cent. Sci. 2018, 4, 120.