随着计算化学和生物学的快速发展，医药领域对人工智能技术越来越重视，人工智能辅助药物设计技术已广泛用于药物研发的各个阶段。先导化合物的发现在新药开发环节中具有十分重要的地位，通过实验方法筛选先导分子对靶标的活性需要投入大量劳动力和成本，而基于分子对接的虚拟筛选可降低实验周期和成本，已成为先导分子发现的研究热点。但在分子对接计算中，现有打分函数（SF）采用简单的线性拟合模型，导致虚拟筛选结果的质量不理想，严重影响先导化合物的发现。因此，开发高精度的打分函数以提升虚拟筛选预测能力对创新药物研发十分重要。
2021年12月，浙江大学智能创新药物研究院人工智能制药平台侯廷军主任团队联合浙江大学计算机学院吴健教授团队、中南大学曹东升团队和腾讯量子实验室，在药物化学领域权威期刊Journal of Medicinal Chemistry发表了基于图表示学习方法的高精度打分函数模型InteractionGraphNet (IGN)。
IGN打分函数的构建流程示意图
该模型不同于传统的基于深度学习的打分函数，可直接从蛋白-配体三维复合物中端到端地学习蛋白-配体相互作用模式。在蛋白-配体结合亲和力方面，IGN打分函数模型对PDBBind2016 Core Set 2016测试集的效果属于国际领先水平（Rp=0.837, RMSE=1.220），此外，团队还对IGN打分函数的虚拟筛选性能做了系统的评价，IGN打分函数对DEKOIS2.0外部测试集中81个靶点的预测性能（0.1%, 0.5%, 1%以及5%的富集因子）明显优于常用的RFScore-VS以及国际著名的分子对接方法Glide SP。
IGN打分函数对PDBBind2016、V2013和DEKOIS2.0的预测效果
浙江大学智能创新药物研究院始终围绕“AI+新药创制”的新药研发理念，瞄准并突破领域核心问题，为打造人工智能药物筛选算法模型与智能合成有机偶合的平台技术，开发高精度的打分函数新方法，将大大提高药物发现中虚拟筛选的预测能力和精度，该技术也将进一步加速创新药物的发现，提升研究院创新药物研发的核心竞争力。
