近日，成都赜灵生物医药科技有限公司董事长兼首席科学家陈俐娟教授团队在国际著名期刊《Communications Biology》（Nature 旗下，中科院 1 区 TOP，IF=5.2）发表重要研究成果。该论文提出了一种全新的基于结构的分子生成框架 CMD-GEN（Coarse-grained and Multi-dimensional Data-driven molecular generation），可高效设计选择性抑制剂，为 AI 药物生成领域带来突破性进展。

AI 药物分子生成面临诸多挑战，如分子难以与靶标口袋形成有效相互作用、构象不稳定影响活性、缺乏选择性难以区分同家族靶点，以及理化性质难以调控导致药物相似性不佳。CMD-GEN作为一种创新的结构驱动 AI 分子生成框架，针对这些问题提出了解决方案。

CMD-GEN由三大核心模块构成：① 基于扩散模型的三维药效团采样模块，在蛋白结合口袋约束下，采用等变分去噪扩散概率模型逐步细化三维药效团点，并结合多次独立采样与点云空间聚类，提高采样的准确性和鲁棒性，同时通过靶点内点云对齐策略实现选择性抑制剂的设计；② 门控条件与药效团约束的分子生成模块，结合 Transformer 编码器-解码器架构和条件门控机制，精准调控分子量、LogP、QED 等理化性质，确保分子具备良好成药性，同时通过药效团优化分子与靶点的相互作用；③ 基于药效团对齐的分子结合构象生成模块，通过药效团点对齐生成物理合理的结合构象，并引入容忍度参数，允许生成多个潜在构象，以增强模型的适应性。

通过这些创新模块，CMD-GEN 在药物分子生成中有效解决了靶标结合有效性、构象稳定性、选择性以及理化性质调控等关键问题，为高效、高选择性的抑制剂设计提供了强大的技术支持。

      赜灵生物AI药物药物设计团队针对小分子新药研发的分子设计与分子优化关键环节，已陆续开发了局部骨架多样性增强分子生成算法（LSDC）和粗粒度多维度数据驱动分子生成算法（CMD-GEN），显著提升了基于配体和基于蛋白结构的分子设计的效率与准确性。同时，为进一步优化分子的成药性，团队创新推出了针对hERG抑制、渗透性及透脑能力等关键参数的全新预测模型，大幅提高了预测精度。这些前沿技术与模型算法展现了团队在新药研发中的创新实践，并计划在未来逐步公开，以推动药物研发领域的学术交流与产业合作，助力全球新药研发进程。