讲座中，蒋华良介绍了国际创新药研发的进展与趋势。他认为，小分子药物方面有一些关键问题亟待AI参与解决。例如，结合自由能的计算速度已较以往提升了3—5倍，而只有当速度提升到上万倍，结合自由能预测精确度与小分子药物设计效率才有望实现本质突破。
在蒋华良看来，制药领域的高投入、长周期等痛点难以在短时间内有所改善，但AI在预测临床候选药物成功率方面将大有可为。“在临床试验当中，大概10种候选药中只有1种会试验成功，而我们积累了上万个药物的临床数据，里面包含以往大量临床试验失败药物的通用数据，通过建模、计算，可以预测排除掉临床候选药物中的失败药物，更好地锁定可能会成功的药物。”蒋华良说。
北京大学化学与分子工程学院教授、北京大学理学部副主任高毅勤在讲座中结合分子模拟谈到，传统的分子模拟在应用于复杂的化学和生物等分子体系时受到严重的时空尺度限制，以深度学习为代表的AI技术可以在理论和计算、理论和实验、计算和实验之间建立有机联系，成为当前突破传统分子模拟瓶颈并为分子模拟和分子科学赋能的重要工具。
据介绍，高毅勤团队基于物理模型、科学实验数据和人工智能算法，发展了多个结合深度学习的分子模拟方法，在全球蛋白质结构预测竞赛(CAMEO)中取得优异成绩。
不过，AI应用于药物研发目前还处于初始阶段。蒋华良表示，需要发展药物研发专用的AI新技术，并与传统的药物分子设计和实验技术紧密结合，才能真正赋能药物研发。
以小分子药物设计为例，高毅勤提到，数据是制约小分子药物设计的最大瓶颈，“目前能够真正获得的可靠数据非常少，数据方面还存在指标不统一、敏感数据难以获取等问题”。
此次讲座主持人、未来论坛理事、北京大学李兆基讲席教授谢晓亮也表示，目前已有企业以自由能计算代替大规模小分子药物筛选，实验中也有以微流控筛选技术增加通量，从而大幅降低费用。然而，由于小分子数据量不足、数据库不够大，还不能实现小分子药物的机器学习预测，这是小分子药物设计所面临的巨大挑战。
高毅勤认为，通过整合单细胞组学信息，建立可靠的细胞响应模型，可以让AI对药物研发下游作出一些预判工作。“如果通量足够高，可以利用该细胞模型，对大分子药物设计及小分子药物设计当中的小分子入膜、蛋白信号传导、蛋白质的入核转运等进行预判，随着AI不断自我学习和优化，预判的精确度也会逐渐提升，若将其打造成公用性的开放平台，将使整个医药研发受益。”
