AI-Drug-Discovery-Assistant：基于智能体调用的AI驱动分子对接药物发现平台

AI-Drug-Discovery-Assistant是基于Spring Boot构建的AI驱动分子对接药物发现平台，整合AutoDock Vina分子对接引擎与RDKit化学信息学工具包，通过智能工具调用代理支持受体准备、配体生成等药物发现工作流，旨在降低药物研发技术门槛，实现流程智能化自动化。

传统药物研发耗时漫长（十余年）、成本高昂（数十亿美元），分子对接作为基于结构药物设计的核心技术，是虚拟筛选和先导化合物优化的关键步骤，但现有工作流涉及复杂计算流程，对研究人员专业技能要求高。

核心组件包括：

1. Spring Boot后端框架：提供RESTful API、任务调度和数据管理，保障可扩展性与稳定性；
2. AutoDock Vina对接引擎：开源分子对接程序，采用优化评分函数与搜索算法；
3. RDKit化学信息学工具包：Python编写，支持分子描述符计算、子结构搜索等功能；
4. 智能工具调用代理：平台核心创新点，协调各组件完成复杂工作流。

受体准备模块

自动处理PDB结构文件（缺失原子补充、氢原子添加等），智能代理推荐最优参数减少人工试错。

配体生成与管理

支持数据库导入、SMILES解析、骨架生成等输入方式，集成ADMET性质预测识别成药性风险。

智能工作流编排

通过AI代理理解自然语言指令，自动规划多步骤工作流（如ACE2受体抑制剂筛选）。

结果可视化与分析

交互式3D展示对接结果，支持结合模式分析、SAR分析工具。

基于大语言模型构建，具备：

• 意图理解：解析用户自然语言查询；
• 工具选择：动态选择计算工具；
• 参数优化：基于历史数据设置最佳参数；
• 错误恢复：诊断问题并尝试替代方案；
• 结果综合：生成结构化研究报告。

可服务场景：

• 虚拟筛选：快速识别潜在hit化合物；
• 先导优化：指导化学修饰提升亲和力；
• 靶点验证：评估新靶点可成药性；
• 药物重定位：发现现有药物新适应症；
• 教学培训：计算生物学实践平台。 该平台体现AI与科学计算融合趋势，降低技术门槛加速研发。

路线图包括：

1. 集成分子动力学模拟工具评估结合稳定性；
2. 引入生成式AI模型进行de novo分子设计；
3. 构建药物发现知识图谱支持智能推理；
4. 深度整合ChEMBL、PubChem等公共数据库。