澳門理工大學應用科學學院教授劉煥香團隊和教授姚小軍團隊合作在化學信息學和人工智能研究領域的國際權威學術期刊“Journal of Chemical Information and Modeling”上發表了題為“Deep Generation Model Guided by the Docking Score for Active Molecular Design”的研究論文，提出了一種新的分子生成模型COMG，該方法將對接打分和藥效團信息作為分子生成的約束條件，可以生成具有所需性質的新分子。作者也將所發展的模型用於幾個靶點的候選活性分子生成，證明該模型的有效性。該模型可以大大提高生成分子的質量（包括活性和類藥性），進而提升藥物發現的效率，縮短藥物研發週期，降低研發成本。

該方法使用與活性化合物藥效團相匹配的配體為中心的生成模型在整個化學空間中進行迭代搜索，選擇與靶點有較高親和力的化合物。分子生成的模型主要基於多目標的條件變分自編碼器進行構建，在化學空間的搜索過程中同時約束可合成性、類藥性以及其它相關的物理化學性質，增加生成分子的潛力。利用分子對接指導化合物優化，將對接打分與貝葉斯優化相結合，用於對模型進行微調，從而獲得高概率與特定靶點親和的潛在候選分子。模型在微調的過程中還引入了相似性骨架過濾器，有助於模型在化學空間探索中進一步得到更加多樣化的分子結構。

與主要以對接打分引導的生成模型對比，生成的分子在多種分子性質上都得到了顯著的提升。同時作者基於COMG模型，針對DRD3、HPK1 、PPARγ三種不同類型的靶點生成了多個具有潛在活性的藥物分子，在多項評價指標上都表現出很好的性能，具有進一步研究的潛力。

澳門理工大學應用科學學院人工智能藥物發現中心積極推動人工智能技術與藥學、化學、生物等多學科的交叉融合，開設澳門首個人工智能藥物發現博士學位課程，大力培養應用人工智能技術開展新藥研發的跨學科人才，為大健康醫藥產業做貢獻。