夜雨聆风
天然产物研究策略与工具进展|基于人工智能策略与工具在促进天然产物及药物开发中的进展
🤖 AI颠覆天然产物药物发现！最新综述揭示智能工具如何加速新药研发
深度学习×基因组×代谢组——从基因到活性的全链条智能突破
✨ 亮点展示
- 多维度AI整合
– 深度学习与机器学习打通基因组-化学结构-生物活性关联，构建全景式发现网络 - 智能去重复
– MS/NMR结合神经网络快速识别已知化合物，避免重复发现，效率提升百倍 - 精准代谢调控
– AI优化生物合成途径，产物产量提升高达74% (violacein/番茄红素案例) - 全景式药物重定位
– 从海量数据中挖掘天然产物新用途，海洋NP抗SARS-CoV-2、阿尔茨海默NP模拟物 - 开放平台与工具
– GNPS、antiSMASH 7.0、CANOPUS等AI增强工具推动全球数据共享与自动化注释 - 多模态数据融合
– 基因组/代谢组/蛋白质组共解析，发现全新RiPPs、硫肽类化合物
🔬 研究背景
天然产物（NPs）及其衍生物一直是抗生素、抗肿瘤药、免疫抑制剂的核心来源。然而传统“分离-筛选-鉴定”模式周期长、重复率高、暗物质难以挖掘。1990年代后，由于技术瓶颈，大药企一度冷落天然产物。但近年来，人工智能（AI）尤其是深度学习的崛起，彻底改变了这一局面。从基因组挖掘、代谢通路设计，到结构去重复、靶点预测，AI将海量多组学数据转化为可操作的知识。2025年《Critical Reviews in Biotechnology》重磅综述全面盘点了AI驱动的策略与工具，本文带你深度解读这一变革。
📊 图1 / 示意图AI在天然产物发现中的五大核心领域(基因组关联 · 药物重定位 · 代谢通路设计 · 结构去重复 · 生物活性预测)
图1 基于原文Figure 1重构：AI工具流程与数据源
🧪 研究方法与AI算法框架
综述系统梳理了监督学习、无监督学习、深度学习（CNN/RNN/LSTM）、强化学习在天然产物研发中的应用。主要数据来源包括：公共数据库（GNPS、antiSMASH、MIBiG、NPAtlas）、质谱（MS）、核磁共振（NMR）及基因组数据。AI模型通过特征提取、分子图神经网络、自编码器等实现化学空间的高通量筛选和模式识别。代表性算法集成于表1（原文表1），例如支持向量机（SVM）、随机森林（RF）、多层感知器（MLP）被广泛应用于分类与回归任务。
📊 研究结果
1. 基因组挖掘 · 连接BGC与化学结构
AI工具如antiSMASH 7.0、DeepRiPP、RODEO、GECCO利用隐马尔可夫模型（HMM）和深度神经网络，从微生物/植物基因组中精准识别生物合成基因簇（BGC）。例如通过DeepRiPP发现新型林可酰胺类抗生素，NeuRiPP预测未知核糖体肽。结合分子网络（GNPS）与基因组 mining，成功发现了cilagicin、geobacillin等新骨架。图2列举了代表性实例：包括linaridins、tambromycin、thiovarsolin等。
🧬 图2 / 实例集锦AI工具发现的新型天然产物：imiditides, 硫肽类, 深部黄酮等
图2 改编自原文Figure 2：五大领域代表性分子
2. 药物重定位 · 老药新用与靶点预测
基于深度学习的QSAR、虚拟筛选、药物-靶点相互作用预测（DTI）极大加速重定位。DECRyPT（随机森林）识别出β-拉帕醌为5-脂氧合酶别构调节剂；TIGER/SPIDER算法从海洋天然产物库中筛选出SARS-CoV-2 Mpro抑制剂（如bryostatin类似物）。此外，DeepVS、PlayMolecule BindScope等将对接打分与深度卷积结合，使超大规模虚拟筛选成为可能。
3. 代谢通路预测、优化与再设计
RetroPath RL（强化学习）、BioNavi-NP（深度学习）可90%准确预测生物合成路线。ML模型如DeepRF、高斯过程优化番茄红素、青蒿酸产量；MiYA模型使violacein产量提高2.5倍。METIS工作流优化CETCH循环，大大提升体外代谢效率。下表列举了部分AI驱动的代谢工程工具：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4. 生物活性预测与安全性评估
AI工具可快速预测靶点、毒性、ADME性质。CODD-Pred、SwissADME、DeepTox、DeepCYP等深度学习模型在IC50预测、细胞色素抑制、肝毒性等方面表现出色。例如DeepTox在Tox21挑战赛中击败传统方法。NP类特异性工具InflamNat预测抗炎天然产物，精度超过90%。
5. 结构去重复与智能解析 (MS/NMR)
质谱分子网络（GNPS）结合AI：CANOPUS（深度神经网络）无需数据库即可分类未知化合物；MS2Query、MSNovelist可根据MS/MS谱图直接生成分子结构。NMR方面，SMART 2.0（卷积神经网络）使用HSQC谱快速识别化合物类别，DeepSAT从2D NMR预测骨架。图4展示了典型的分子网络工作流和去重复案例。
⚗️ 图4 / 分子网络与去重GNPS分子网络+DEREPLICATOR+ 发现新型肽类 rivulariapeptolides
图4 源自原文Figure 3及引用[203]
其他工具亮点： VarQuest发现新型肽类NP；MS2LDA挖掘亚结构；Dereplication数据库DREP-NP结合NMR/MS快速筛选。表2（原文）汇总了2014-2023年30余种AI赋能的去重工具（如SNAP-MS、MAW、MetDNA等），此处不一一列举。
🧠 讨论与意义
AI已深度融入天然产物药物发现全流程：从基因簇挖掘到结构鉴定，从生物活性预测到合成途径优化。特别是深度学习（CNN/RNN/图神经网络）解决了传统方法难以处理的非线性关系和超高维数据。例如DeepRiPP整合多组学自动发现新型核糖体肽，避免了繁琐的异源表达。此外，多模态融合（如MS+基因组+NMR）正成为趋势，XCMS Online、GNPS2.0等平台支持跨平台协作。这些工具不仅加速了先导化合物的发现，也降低了试错成本。
⚠️ 研究局限性
尽管AI工具发展迅猛，仍面临挑战：• 数据质量与标准化不足（公共数据库注释错误、偏倚）；• 模型可解释性差（黑箱问题）；• 计算资源需求高，部分工具需付费或特定平台；• 对全新骨架预测能力有限，假阳性/假阴性仍普遍；• 缺乏多模态一站式工具，数据整合困难。未来需要联邦学习、标准化数据共享及更鲁棒的验证策略。
📌 结论
AI赋能的天然产物研发已从“辅助”走向“核心驱动”。2025年综述显示：深度学习与经典算法协同，在基因组挖掘、重定位、代谢工程、去重复等领域带来革命性突破。随着多模态大模型和自动化平台成熟，我们有理由相信，天然产物药物发现将进入智能、高效、精准的新纪元。
🧩 图5 / 总览机制AI多靶点协同作用：从BGC → 化学结构 → 生物活性全景
图5 整合原文Graphical Abstract理念
数据来源 / 核心数据库： GNPS, antiSMASH 7.0, MIBiG 3.0, NPAtlas, METLIN, HMDB, KEGG, Pfam. 主要工具引用详见原文(Basnet et al., 2025)。
点击蓝字
关注我们
科研猫猫猫
微信号丨x17585577064
可私信合作
扫码私信我进学术交流讨论群
关注我，分子网络/代谢组学不迷路！