詳細解釋
使用生成式 AI 設計新分子和材料的領域，加速藥物發現、電池、催化劑的研發。
核心任務：
- 分子生成：生成具有特定性質（抗菌、低毒性）的分子結構
- 反應預測：預測化學反應的產物和條件
- 逆合成：從目標分子設計合成路徑
- 材料設計：晶體結構、聚合物、納米材料
技術方法：
- SMILES 表示：用字符串表示分子結構（如深度優先遍歷）
- RNN/Transformer：自回歸生成有效分子
- VAE：潛在空間插值生成相似分子
- 擴散模型：3D 分子構象生成
- 強化學習：優化特定性質（對靶點親和力）
代表系統：
- AlphaFold：雖主要是結構預測，但啟發了化學生成
- IBM RXN：反應預測和合成規劃
- Schrödinger：計算化學平台，整合 ML
- Insilico Medicine：端到端 AI 藥物發現
成功例子：
- 抗生素：Halicin（AI 發現的新型抗生素）
- 臨床試驗：AI 設計的藥物進入人體試驗
挑戰：
- 合成可及性：生成分子在實驗室難以合成
- 性質預測準確性：計算預測與實驗差異
- 數據稀缺：高質量化學數據遠少於文本
- 安全：生成有毒物質的風險控制
這是「AI for Science」的前沿—— 從模擬自然到設計自然。