构建理解化学原理的AI模型

据估计，在所有可能的化学化合物中，有10^20到10^60种可能具有作为小分子药物的潜力。逐一进行实验评估对化学家来说过于耗时。因此，近年来研究人员开始利用人工智能来帮助识别可能成为良好候选药物的化合物。

麻省理工学院副教授Connor Coley正是这样一位研究者。他身兼化学工程系、电气工程与计算机科学系以及施瓦茨曼计算机学院的教职，研究横跨化学工程与计算机科学，致力于开发和部署计算模型，以分析海量可能的化学化合物、设计新化合物并预测能够生成这些化合物的反应路径。

Coley对科学的兴趣源于家庭。他的父亲是一名放射科医生，母亲拥有分子生物物理和生物化学学位，祖母是数学教授。高中时，他参加了科学奥林匹克竞赛，16岁毕业，随后进入加州理工学院主修化学工程，希望结合科学和数学的兴趣。在校期间，他还用Fortran语言协助解析蛋白质晶体结构。毕业后，他于2014年来到MIT攻读博士，师从Klavs Jensen和William Green教授，研究优化自动化化学反应，将机器学习与化学信息学结合以规划新药物分子的反应路径，同时设计硬件自动执行这些反应。

博士毕业后，Coley在博德研究所进行了为期一年的博士后研究，专注于从DNA编码库中识别可能与疾病相关突变蛋白结合的小分子。2020年回到MIT后，他建立了自己的实验室，致力于利用AI不仅合成具有治疗潜力的现有化合物，还设计具有理想性质的新分子及其合成方法。

他的实验室开发了多个计算模型。ShEPhERD模型根据药物分子的三维形状及其与靶蛋白的相互作用来评估候选药物，已被制药公司用于新药发现。FlowER模型则是一种生成式AI，可预测不同化学输入组合后的反应产物，并在设计中融入了质量守恒等基本物理原理以及中间步骤的可行性约束，从而提高了预测准确性。

Coley表示：“我们试图赋予生成模型更多的药物化学直觉，使其了解正确的标准和考量。同时，我们花费大量时间确保机器学习模型像专家化学家一样，基于对反应机理的理解。”他的实验室还涉及计算机辅助结构解析、实验室自动化和实验设计优化等多个与化学反应优化相关的领域。通过这些不同的研究线索，Coley希望推动AI在化学领域的前沿发展。