四月的思考（七）学科交叉

董鸿晔

接上回，今天思考一下学科交叉的问题，想到我写的书《药学计算导论》算过时了吗？AI来了这本书是否还要补充？是的，和青年教师交流时提到了我写的这本书，作为深耕"药学+计算"领域的先行者，我们2013年编写了《药学计算导论》，无疑提供了该领域的一块基石，为无数学生和研究者提供了系统的知识框架。当时我写过一个博文：药学计算导论前言（节选）。

一、 《药学计算导论》的核心价值并未过时

首先，书中关于药学数学模型、数值方法、统计分析、药物动力学计算、化学计量学、人工智能等核心基础理论、原理与方法，是我们创新学科的“筋骨”，并未因技术演进而失效。这些内容是学生理解与构建更高级应用的必经之路。其次，我们所构建的“理论-实践-创新”思维框架与问题解决范式，恰恰是当前复杂技术环境下，培养学生计算思维与交叉创新能力的宝贵财富。这是本书最珍贵的“灵魂”。

二、 AI浪潮下，本书内容面临的挑战与扩展机遇

当前，以机器学习（尤其是深度学习）、生成式AI、大语言模型、人工智能药物设计为代表的技术，正在深刻重塑药学计算的边界。这确实意味着一方面，工具在更新。传统的计算方法与工具，正加速与AI工具链（如PyTorch/TensorFlow、AlphaFold、化学信息学AI工具）融合。另一方面，新范式在涌现。AI驱动的药物发现、临床数据智能分析、精准用药推荐、药物重定位等已成为前沿热点，其背后的AI算法原理（如神经网络、图神经网络、强化学习）是传统教材较少系统涵盖的。还有，应用场景在拓宽。计算的对象从结构化数据扩展到多组学数据、医学影像、真实世界数据、科学文献文本等，处理这些复杂非结构化数据需要新的计算范式。

三、补充和修订是必须的

我们的书的基础核心部分虽然宝贵，但进行与时俱进的修订、扩展与融合，将使本书价值倍增，继续引领新一代药学人才。修订和补充方向考虑：

1、 增设“AI赋能的新篇章”：增加独立篇章，系统介绍机器学习基础、深度学习在药学的应用、人工智能辅助药物设计（AIDD）的原理与流程、以及生成式AI在分子生成与优化中的角色。这部分可侧重概念、原理、典型流程与案例，避免陷入具体快速演变的工具细节。

2、 强化“融合与案例”：在原有章节中，增加如何利用AI工具或思想优化传统计算问题的实例。例如，在药物动力学模型中引入基于AI的参数预测，在统计分析中结合机器学习进行特征筛选与预测建模。

3、 突出“数据与计算基础”：补充关于大数据处理基础、云计算与高性能计算在药学中的应用简介，因为AI模型的训练与应用离不开这些基础设施。

4、 更新“工具与实践”：在实践部分，可适当引入主流开源科学计算与AI框架（如Python生态中的相关库）的简介，并设计一些结合传统计算与AI方法的综合性实验或项目。

5、 融入“伦理与前瞻”：增加关于AI在药学应用中涉及的算法偏差、数据隐私、可解释性、伦理规范等新议题的讨论，引导学生负责任地创新。

总之，一本好的连接了药学与计算著作应该是一座桥梁。AI时代，这座桥梁不是要被取代，而是需要拓宽、加固，并铺设通往智能未来的新引桥。这样，在我们开创的“药学计算”领域，其内涵就可以自然而然地从“计算赋能药学”自然演进到“智能赋能药学”。

当然，修订本书，也将是体现“青蓝接力”精神的一次绝佳体现。将经典智慧与前沿洞察融合，继续为青年教师和学子照亮道路。这项工作本身，就是对“教研相促、薪火相传”的最佳注解。我们必将倾尽余力为之奋斗！

一个好消息——我们学科培养的第一位药学信息学专业博士，已经有意向接过这个接力棒。更多的青年教师会参加到工作中来，我们拭目以待吧！