百度研究院在“2022科技趋势预测”中指出，基于AI的生物计算仍将高速发展，基础研究和应用场景协同创新将实现新突破。这一预测首先由百度自己添上了例证。

国际顶级学术期刊《自然》（Nature）子刊《自然机器智能》（Nature Machine Intelligence）日前在线发表的百度生物计算领域最新研究成果，提出了“基于空间结构的化合物表征学习方法”，即“几何构象增强AI算法”（Geometry Enhanced Molecular Representation Learning，GEM模型），揭示了一种基于三维空间结构信息的化合物建模方法，及在药物研发中的应用。

在该项研究中，百度螺旋桨PaddleHelix团队首次将化合物的几何结构信息引入自监督学习和分子表示模型，并在下游十多项的属性预测任务中取得 SOTA，成为百度对外公开的AI赋能药物研发的又一项重磅成果。

作为药物研发的关键一环，候选化合物的性质预测就像为临床试验“排雷”，即提前筛选掉毒副作用高、人体吸收代谢不好等具有不良特性的化合物。

这项任务以前只能通过传统仿真实验进行，成本高耗时长。也有研究人员引入深度学习技术，但大多基于序列或2D图结构建模，缺乏化合物三维空间结构信息的利用，导致化合物性质预测结果的偏差，亟须引入化合物的三维空间信息。

百度的重大突破是，在全球范围内开创性地将化合物性质预测从“2D建模”推进到“3D建模”。同时，引入预训练技术，利用大量无标注的化合物数据，通过自监督学习，构建GEM模型的底层能力，有望成为小分子药物研发领域的模型底座，解决小分子药物活性预测，成药性预测，药物设计等核心问题，加速药物，特别是全新药物的发现过程。

从实验效果看，百度GEM模型已在14个国际学术界公认的应用任务数据集上达到业界最佳。这些数据集包括：抑制HIV艾滋病病毒复制能力的数据集、小分子的生物活性数据集、血脑屏障渗透数据集等。

在应用价值层面，百度GEM模型可高效学习化合物的空间结构知识，并自主推断出空间结构信息，从而准确预测候选化合物的吸收、代谢、毒性等特性，帮助药物研发更快更准地完成早期筛选，目前已经在多个合作伙伴的研发管线中实现商业化落地，有望通过AI技术探索双靶点抑制剂新的研发范式，为癌症病人和自身免疫性疾病病人提供更有效的治疗药物。

此外，该方法还有助于高效测量药物-靶标相互作用，可加速新药研发，为老药发掘新用途，并探索多种药物联合使用，进一步增强疗效，降低抗药性和毒副作用，甚至疗治新病症。

百度这项生物学与计算机科学的跨学科创新，为化合物成药性预测、小分子药物筛选、药物联用等应用研究带来诸多裨益，未来更有望扩展到蛋白领域，构建基于蛋白的表征模型，服务于大分子的药物研发。

GEM模型已基于百度飞桨生物计算平台螺旋桨PaddleHelix在GitHub开源。