星使智算前瞻布局多靶点药物设计：以“AI × 计算化学”回应中国科协十大产业技术问题
近日，第二十八届中国科协年会主论坛在北京举行，会上发布了2026年重大科学问题、工程技术难题和产业技术问题。其中，“具有多靶向系统性调节和干预功能的药物研发”入选十大产业技术问题。
这一问题的入选，再次凸显了这一方向在复杂疾病治疗与新药研发中的重要性。面对肿瘤、神经退行性疾病、代谢性疾病等由多基因、多通路共同驱动的复杂疾病，单一靶点干预有时难以充分应对疾病网络中的冗余、反馈与代偿机制。而合理的多靶点单分子药物，可以通过多维度的弱作用干预，实现“1+1>2”的协同疗效，将病理网络调节回正常稳态。
然而，在多靶点药物设计中，研发人员需要同时回答一系列彼此关联的问题：
应该选择哪些靶点进行协同干预？不同靶点之间需要怎样的亲和力比例？提升一个靶点的活性时，是否会牺牲对其他靶点的选择性？分子在满足多靶点结合要求后，能否继续兼顾溶解性、代谢稳定性、渗透性、合成可及性、毒性与整体成药性？
因此，多靶点药物设计本质上是一个高维、相互制约的多目标优化问题。其难点不只是从海量化学空间中找到“能够结合多个靶点”的分子，更在于寻找疗效、选择性、安全性与成药性之间的合理平衡。
传统依赖经验和逐步试错的设计方式，很难系统、高效地完成如此复杂的搜索。人工智能与科学计算的结合，则为这一问题提供了新的技术路径。
1
AI × 计算化学：
构建多靶点药物设计框架
如何将 AI 与传统计算化学融合，赋能多靶点药物设计，是星使智算持续投入的研究方向之一。
依托北京大学高毅勤团队，星使智算围绕生成式多靶点药物设计开展研究。相关成果《MolSculptor: An Adaptive Diffusion–Evolution Framework Enabling Generative Drug Design for Multitarget Affinity and Selectivity》近期发表于计算化学领域专业期刊 Journal of Chemical Theory and Computation。
该研究提出了一套自适应“扩散—进化”框架 MolSculptor：首先利用扩散生成模型探索广阔的分子空间，再通过迭代进化，根据多靶点亲和力、选择性及关键类药性质持续优化候选分子。
与只针对单一目标生成分子的传统方法不同，MolSculptor 能够灵活地围绕多个不同的预期靶点与干扰靶点设置约束，并同时支持从头分子设计和先导化合物优化两种应用场景。这使多靶点设计不再仅仅依赖研究人员逐个修改结构、反复试错，而能够被转化为一个可计算、可迭代的多目标优化过程。
在这一过程中，生成模型负责拓展搜索边界，进化优化负责根据目标反馈不断收敛。二者结合，使算法既能够探索传统经验之外的分子结构，也能够围绕药研人员设定的活性谱与选择性要求持续改进候选方案。
研究进一步开展了湿实验验证，对模型生成候选分子的实际活性与选择性进行检验。在面向去势抵抗性前列腺癌的 AR/GR 双靶点抑制剂设计案例中，MolSculptor 从已有先导化合物出发，完成候选分子的生成、优化与筛选。湿实验结果显示，所获得的候选分子的抑制能力全面优于专家设计分子；与此同时，优化效率提升将近 20 倍。
2
从论文方法走向可调用的
药研智能体
在完成方法研究与实验验证后，星使智算进一步将相关技术部署至 AsterFire 科学智算平台，并将核心流程工具化、智能体化，使药研人员能够在统一环境中调用多靶点分子生成与优化能力。星使智算也是首个将该技术落地为可调用智能体的团队。
AsterFire 平台以 AI Agent、云计算和科学计算为核心，可通过自然语言理解科研任务，自动拆解计算步骤、调度计算资源并执行相关工作流。过去需要从头搭建的模型与流程，如今成为工作流中随取随用的能力，真正辅助药研人员开展多靶向系统性药物研发。
这也正是星使智算对 AI for Science 的理解：AI 是我们提高效率、连接工具、沉淀流程、放大专家能力的重要手段，但最终要交付的，仍然是可信、可复现、可落地的科学价值。论文验证方法的科学性，平台承接方法的可用性，而科学家的判断力始终握在自己手中——人与智能体的协同，推动科学进入高效研发的新时代。
3
以阶段性成果，
持续参与产业问题的求解
中国科协将“具有多靶向系统性调节和干预功能的药物研发”列入 2026 年十大产业技术问题，是对这一方向科学价值与产业意义的进一步确认。
从 MolSculptor 方法的提出，到湿实验验证，再到 AsterFire 平台上的智能体化部署，星使智算正在推动多靶点药物设计从算法研究走向可验证、可调用的科研能力。
这是一份阶段性答卷，而不是问题的终点。
多靶点药物研发仍然需要人工智能、计算化学、药物化学、生物实验与临床需求之间更深入的协同。未来，星使智算将继续深耕科学计算领域，推动算法、算力、实验和专家知识融入真实研发工作流，让 AI 真正成为科学家可信、可复现、可协作的研究伙伴，让科学研究在“硅基生命”的帮助下走得更快、更远。