人工智能（AI）正在通过加速关键步骤和提高成功率来改变药物设计和发现的格局。本文提供了对AI技术在药物开发流程中应用的全面概述，从早期靶点识别到临床试验优化。传统药物发现 notoriously 耗时（通常超过十年）且成本高昂（超过10亿美金），失败率超过90%（Dermawan Ocana 等，2025年）。相比之下，基于AI的方法利用大数据和机器学习来识别新药靶点、虚拟筛选大型化学库、从头设计新药分子，并预测如ADMET（吸收、分布、代谢、排泄、毒性）等关键特性，速度和准确性更高。我们讨论了多个子领域，包括基于AI的靶点识别（例如使用网络分析和知识图谱）、虚拟筛选和分子对接、用于从头药物设计的生成模型、ADMET和毒性预测，以及临床试验设计中的AI增强（如患者选择和自适应试验）。值得注意的是，近年来已有多个AI设计的药物候选物进入了临床试验，观察到的I期成功率约为80-90%，显著高于历史平均水平的约40-60%（Sale 等，2025年）。我们强调案例研究，例如AI引导的巴瑞替尼用于COVID-19的再利用，以及新分子的发现（例如在21天内识别的DDR1激酶抑制剂）。我们还审视了一些关键挑战——数据质量、模型可解释性和监管接受度。总体而言，AI展示了加速药物发现时间线、降低成本和产出创新治疗方法的潜力，特别是在肿瘤学、感染性疾病和神经学等领域。AI与人类专业知识的不断进步和谨慎整合将对完全实现其在开发更安全、有效药物方面的益处至关重要。
vig 等（Sat,）研究了这个问题。