问题：新药研发周期长、成本高、失败率高，关键瓶颈之一于早期发现阶段对“药物—靶标作用”“联合用药安全性”“肿瘤个体化用药响应”等复杂问题的判断仍高度依赖实验试错。随着生物数据规模快速增长，如何用计算方法提升筛选效率、降低临床风险、加速成果转化，成为高校与产业共同关注的前沿议题。 原因：一上，基因组学、蛋白组学、药理学和临床数据的爆发式增长，为算法建模提供了前所未有的“数据土壤”；另一方面，药物研发涉及多尺度、多模态信息，从分子结构到蛋白序列、从通路网络到临床用药记录，单一学科或单一方法难以覆盖全链条需求。由此，跨学科融合与方法创新成为推动“计算药物发现”从理论走向应用的核心动力。 “CCF走进高校”中南大学专场活动中，三位专家从不同切面展示了上述趋势。活动由中南大学计算机学院负责人主持，中南大学、湖南大学等高校师生参与交流，现场针对算法创新与可验证性、工程落地与合规边界等关键议题。 影响：从研究路径看，曾坚阳围绕“药物发现中的智能方法”系统阐释了以网络表示学习和序列建模为代表的思路：其团队通过构建面向药物与靶标的异构关系网络，尝试在统一框架下融合多来源特征，并利用端到端学习提升预测效果；在蛋白序列建模上，则借鉴预训练与微调范式，通过更高效的参数初始化与迁移机制降低训练成本。这类方法的直接价值于提高候选靶标与候选分子的优先级排序能力，为后续实验验证节省时间与资源。 从临床安全看，施建宇将重点放在联合用药中潜在风险更高、却容易被忽视的药物—药物相互作用问题上。他提出可在相互作用网络上进行结构化学习：一上通过矩阵分解等方式提炼潜结构并与外部特征结合，以缓解新药或新组合“冷启动”情形下的信息不足；另一上利用图卷积等方法捕捉网络拓扑关系，提升对复杂相互作用模式的识别能力。业内普遍认为，若相互作用评估不足，即便早期筛选表现优异，也可能在临床阶段遭遇安全性壁垒。涉及的研究为减少不良反应、提升用药安全提供了更可计算的路径。 从精准医疗看，苏苒围绕抗癌药物敏感性预测，讨论了在海量细胞系筛选数据背景下，如何构建稳健、可比较的计算模型。其团队提出基于级联结构的深度森林类方法，通过多粒度特征处理提升对高维分子表征的利用效率，并在与传统分类方法对比中体现出一定优势。她同时强调，模型性能之外，更关键的是对生物学意义的解释与可验证性，只有把“为什么有效”讲清楚，才能支撑后续的机制研究与临床转化。 对策：围绕“算得准”与“落得下”，现场交流集中在三类现实问题上。 其一是泛化能力与数据偏差。多位师生关注模型在不同数据来源、不同实验平台、不同疾病亚型之间的迁移效果。专家建议通过数据增强、域自适应等策略提升跨域稳定性，同时以公开基准与挑战赛推动可重复评测，避免“只在自家数据上好看”。 其二是样本稀缺与冷启动。药物发现领域普遍存在“正样本少、负样本难定义”问题，尤其在新靶点、新适应症、新组合情境下更为突出。专家指出，可通过网络结构信息、先验知识与多源数据融合缓解稀缺矛盾，并在研究设计中重视样本构造与评价指标，减少虚假阳性带来的研发资源浪费。 其三是临床部署与合规边界。对“如何把模型引入医疗机构内网”问题，专家结合实践经验提出，需在伦理审查、数据脱敏、权限管理与科研协作机制上建立规范流程，推动科研在合法合规框架内高效开展，实现从算法到临床场景的闭环验证。 前景：当前，计算药物发现正在从“单点工具”走向“系统工程”。可以预期，未来一段时期内，跨模态数据融合、可解释建模、因果推断与真实世界数据利用，将成为提升模型可信度与临床可用性的重点方向；同时，随着高校、医院与企业协同机制更加成熟，算法—实验—临床的迭代速度有望加快，推动药物研发从“高成本试错”向“数据驱动决策”转变。对高校来说，持续建设交叉学科人才培养体系、完善开放共享与合规治理能力，将是抢占前沿的重要支撑。
药物研发是与不确定性的较量；计算方法要真正服务生命健康，需要可信的数据、可解释的模型、可验证的流程和规范的协作。此次高校交流表明，面向人民健康需求的科技创新正在加速推进，将为提升医药研发效率和安全水平提供新动力。