Journal of Chemical Information and Modeling 本文以两个具备结构与生化数据的案例研究为基础，考察计算化学与药物化学的紧密结合、以及对化学形状与蛋白质相互作用的深入理解如何使靶向计算分子设计在疗效与选择性上取得超比例收益，并据此指出当前 AI 方法对细微、低数据扰动的敏感性，主张 AI 需从模式识别走向理解或显式模拟结构变化与生物结果之间的机制性“为什么”，在此之前更适合作为人类工作的补充而非独立方案。
本文以两个具备结构与生化数据的案例研究为基础，考察计算化学与药物化学的紧密结合、以及对化学形状与蛋白质相互作用的深入理解如何使靶向计算分子设计在疗效与选择性上取得超比例收益，并据此指出当前 AI 方法对细微、低数据扰动的敏感性，主张 AI 需从模式识别走向理解或显式模拟结构变化与生物结果之间的机制性“为什么”，在此之前更适合作为人类工作的补充而非独立方案。
本文以两个具备结构与生化数据的案例研究为基础，考察计算化学与药物化学的紧密结合、以及对化学形状与蛋白质相互作用的深入理解如何使靶向计算分子设计在疗效与选择性上取得超比例收益，并据此指出当前 AI 方法对细微、低数据扰动的敏感性，主张 AI 需从模式识别走向理解或显式模拟结构变化与生物结果之间的机制性“为什么”，在此之前更适合作为人类工作的补充而非独立方案。
本文以两个具备结构与生化数据的案例研究为基础，考察计算化学与药物化学的紧密结合、以及对化学形状与蛋白质相互作用的深入理解如何使靶向计算分子设计在疗效与选择性上取得超比例收益，并据此指出当前 AI 方法对细微、低数据扰动的敏感性，主张 AI 需从模式识别走向理解或显式模拟结构变化与生物结果之间的机制性“为什么”，在此之前更适合作为人类工作的补充而非独立方案。