摘要：《科技与金融》高端访谈栏目将连续多期对多位高层次外国专家进行专访，为产业的技术升级、产业转型把脉献策，探讨产业发展及国际合作等方面的机遇和挑战，为读者带来国际合作的经验借鉴与启发。

《科技与金融》高端访谈栏目将连续多期对多位高层次外国专家进行专访，为产业的技术升级、产业转型把脉献策，探讨产业发展及国际合作等方面的机遇和挑战，为读者带来国际合作的经验借鉴与启发。

在科学发展的浪潮中，跨学科研究已成为推动前沿技术突破和创新的关键力量。暨南大学药学院的青年学者Kamel Meguellati教授正是这一趋势的践行者，他的研究跨越了化学、生物学、纳米技术、人工智能等多个前沿领域，充分展现了跨学科研究的创新潜力。

具体而言，他带领团队开发的人工智能软件SciLearnia结合了深度学习和图神经网络技术，未来还将引入量子计算，探索在生物、化学及物理数据库中的应用。此外，他还致力于3D量子纳米打印技术的研究，探索如何利用量子纳米器件打印出具有特定功能的生物细胞和网络。

在他看来，传统方法、基于AI的统计方法和量子计算方法在药物发现中各有优势：传统方法注重精确性和可靠性，AI和量子计算则在速度和效率上表现突出。然而，AI在制药领域的应用仍面临数据质量、模型可解释性和技术成熟度等挑战。因此，药物设计不应过度依赖任何一种方法，而是根据具体需求，灵活结合传统方法、AI技术和量子计算，以实现最优研发效果。

本文首发于《科技与金融》2025年3月刊

采写丨张孟月 校对丨吴政希

图丨张成渝

Q 《科技与金融》记者

A Kamel Meguellati

从跨文化科研到跨学科创新

Q：您为何来到中国从事科研工作，又因何与暨南大学结缘？

A：在法国，我结识了一些中国朋友，他们热情地向我介绍了中国悠久的历史和灿烂的文化。后来，在美国斯克里普斯研究所（Scripps Research）工作期间，我遇到了许多中国同事，并与他们建立了深厚的友谊。他们坚信中国将在科研领域持续引领全球，并极力推荐我来中国亲身感受一番。

于是，在2015年，我带着好奇与期待，第一次踏上了中国的土地，抵达了北京。随着对中国了解的不断加深，我愈发感受到这是一个充满活力与潜力的国家。这里不仅拥有世界领先的技术，更有着一群热爱创新的人们——他们积极探索前沿技术，展现出强大的进取精神和创造力，营造出浓厚的创新氛围。这一切都让我看到了在中国从事科学研究的巨大可能性，也促使我毅然留在这里。

也是在2015年，我加入吉林大学纳微构筑化学（NMAC）国际合作联合实验室，开启在中国的科研生涯。2021年，为了追求更国际化的学术平台，我来到了暨南大学药学院。时任校领导和药学院院长建议我将研究重点从天然产物全合成转向遗传学，我接受了这一提议，并在新的研究方向上不断探索。

Q：您当前在暨南大学药学院开展了哪些领域的研究？

A：我们团队目前有7个人，主要专注于研究用于癌症和糖尿病治疗的DNA，并将多种方法应用于药物研发。DNA是细胞的大脑，它是理解细胞的核心，并在推进药物精准设计方面发挥关键作用。当前，尽管有像纳米孔测序这样的技术进步，但在分子水平上完全掌握DNA的动态和复杂性方面仍存在局限性。因此，我们有必要开发跨学科的创新工具，例如人工智能（Artificial Intelligence，简称AI）、量子计算、3D纳米打印等，以捕获DNA结构和功能的细微差别，掌握DNA如何决定细胞行为和功能的更多知识，从而精进药物开发的手段。

Q：为什么开发跨学科的创新工具是有必要的？

A：作为药物化学合成领域的研究者，我专注于逆合成分析策略。这一方法通过从目标分子出发，逆向拆解其结构，设计出高效、可行的合成路线，为药物研发提供关键理论支持，加速新药的合成与开发进程。然而，早期采用逆合成分析法设计分子合成路径的最大难点在于——人脑记忆能力有限，纵使是具有丰富经验的化学家也无法完全掌握多不胜数的化学反应。但计算机不同，若计算机能拥有人类化学家的经验和知识，再结合超大容量的文献数据库，就能实现分子合成路线的完美设计。

2012年，全球首款AI驱动的化学逆合成软件——Chematica发布，该软件由Gryzbowski教授及其团队开发，构建了一个包含约700万个有机分子的超大数据库。我曾于2013年在美国西北大学担任Gryzbowski教授的研究助理，负责Chematica逆合成模块的开发，主要工作是编写代码并输入1000个有机反应规则。

当时，由于深度学习等先进算法的能力尚未成熟，许多人对AI在化学领域的应用前景持怀疑态度，Chematica也面临诸多质疑。然而，随着技术的不断发展，AI在化学领域的潜力逐渐显现，Chematica不仅成功应用于实际研究，还被德国制药巨头默克收购并更名为Synthia。这一过程也证明了AI与化学领域的深度融合不仅可行，还能为科学研究带来巨大价值。

AI与量子技术驱动的药物设计革命

Q：据了解，您及团队研发了AI软件SciLearnia。请问该软件是如何运作的，研发过程中遇到了怎样的困难？

A：SciLearnia是由我们团队开发的一款一体化软件套件，旨在支持化学、化学生物学和药物设计等领域的应用。它利用深度学习算法整合来自不同数据库的数据，并利用这些数据训练模型以优化逆合成分析的性能。目前，该软件的开发进度已完成了介于50%至60%之间。虽然现阶段我们主要使用经典的深度学习算法，但计划在未来五年内引入量子计算，以进一步提升计算效率和模型精度。

这款软件延续了我在处理Chematica工作时的核心逻辑，其关键优势在于能够并行运行多种算法，从而在同等硬件条件下显著提升计算效率和任务处理能力，特别适用于大规模分子库的快速筛选。然而，当前面临的三大主要挑战制约了其更快速的进展：

一是缺乏熟练的编程人员；

二是科研资金的不足限制了项目的扩展；

三是技术本身的复杂性。

Q：SciLearnia软件如何与3D量子纳米打印共同发挥作用？

A：SciLearnia软件利用深度学习技术，特别是对抗算法来预测和设计复杂的纳米结构。这种算法起源于国际象棋，如今已被广泛应用于许多领域，也包括指导纳米打印。SciLearnia软件会生成精确的设计方案，然后通过3D量子纳米打印硬件将这些设计转化为实际的纳米结构，比如新的分子网络。

这虽然听起来很酷，但实际操作中有很多挑战。比如，如何确保软件的指令能被硬件精准执行，以及如何在纳米级别进行编码、解码和加密信息。这些难题需要我们不断探索和改进。总体而言，这种结合了AI和先进硬件的技术，虽然难度很大，但未来潜力无限。

Q：使用AI和量子计算等方法进行药物设计，与传统的制药方式相比，有哪些优势与局限性？

A：传统药物设计方法主要依赖于实验化学和试错法，这种方法虽然耗时且成本较高，但经过长期验证，具有较高的可靠性和精确性。相比之下，现代药物设计方法，尤其是利用AI和量子计算技术，能够显著缩短研发周期并降低成本。

AI在药物设计中能通过从大量的数据集中学习规律和模式，快速生成预测结果。这种方法的优势在于能够快速处理海量数据，并在短时间内提供多种可能性的预测。例如，AI可以通过生成对抗网络（GAN）和变分自编码器（VAE）自主设计和优化分子结构，大幅缩短药物发现周期。此外，AI还能在电脑中模拟药物在人体内的作用机制，预测药物的脱靶效应和毒性，降低后期临床失败的风险。然而，AI的局限性在于其十分依赖数据的质量和数量，且预测结果可能缺乏传统方法所具有的精确性和可靠性。使用AI辅助药物设计的最大挑战在于数据质量的不可控性，这主要体现在数据的有限性以及高质量数据的稀缺性。由于制药公司通常将最有价值的数据视为核心机密，难以公开共享，这进一步加剧了数据获取的难度。此外，AI的算法开发和算力支持需要大量投入，包括购买昂贵的硬件设备和聘请专业人才等，这也限制了其广泛应用。

量子计算则提供了一种全新的计算方式，它能够高效地处理复杂的量子系统，从而加速药物分子的筛选和设计。例如，量子算法（如Grover算法或量子全局优化算法）在解决某些特定问题时，相比传统计算机具有指数级的加速优势，能够更高效地探索化学空间和优化分子结构。然而，量子计算目前仍处于发展阶段，其应用场景相对有限，且在实际应用中可能会出现数据丢失的风险。

从整体来看，传统方法、基于AI的统计方法和量子计算方法虽然在具体操作中存在差异，但其目标都是加速药物发现的进程。传统方法更注重精确性和可靠性，而AI和量子计算则在速度和效率上具有优势。尽管AI能够快速地学习人类知识并生成预测，但其在制药行业中的应用仍面临数据质量、模型可解释性以及技术成熟度等挑战，仍需进一步探索和优化。因此，在药物设计中，我们不应过度依赖任何一种方法，而是根据具体需求，灵活结合传统方法、AI技术和量子计算，以实现最优研发效果。

Q：在您看来，AI在药物化学中的应用前景如何？未来药物化学领域将面临哪些新的挑战和机遇？

A：我认为AI和量子技术的结合潜力无限，尤其是用于药物设计领域，将有望彻底改变药物发现的格局，带来前所未有的突破。

AI主要在下述三个方面发挥作用：

第一，提升创造力和效率。在药物设计领域，AI凭借其强大的数据处理能力和模式识别优势，能够显著提升药物分子的预测准确性和设计效率。未来，随着更强大的算法和量子计算机的出现，AI也许能实现难以想象的突破。

第二，加速药物发现。AI可以帮助我们快速筛选和优化药物候选分子，大大缩短研发时间和成本。

第三，实现精准医疗。AI能够根据患者的基因信息和病史，设计出更个性化的药物，提高治疗效果。

然而，机遇与挑战往往并存，AI可能会带来工作岗位变化、技术依赖性、伦理和监管问题等新的复杂局面。具体而言，随着AI技术的发展，一些重复性的工作岗位可能会减少，但同时也会创造出新的就业机会，比如AI工程师、数据科学家和生物信息学家等；人类的计算能力无法与AI和量子算法相比，未来，我们可能会越来越依赖AI和量子技术；AI在药物设计中的应用可能会引发伦理和监管问题，比如如何确保AI设计的药物安全可靠，以及如何防止数据滥用。

尽管如此，我并不认为AI会取代人类，AI是人类的助手，而非替代品，只有在人类的指导和监督下，它才能发挥最大作用。以药物设计而言，AI无法一次性预测出完美的药物结构，而是必须与人类合作，逐步优化设计。因此，未来很长一段时间内，人类和AI的合作将是药物化学领域的主流模式，将推动药物发现进入一个全新的时代。

新药研发的靶点设计与高效优化路径

Q：请您介绍研发新药的方法，您主要采用基于靶点的药物设计，还是基于表型的药物发现？

A：我们主要采用基于靶点的药物设计方法，包括基于结构和基于片段的策略。这些方法帮助我们筛选出潜在的先导化合物，在初步筛选阶段非常高效。然而，当推进到临床试验阶段时，还需要进一步优化和修饰化合物。例如，我们需要改善药代动力学参数，提高溶解性和渗透性，尤其是针对人体的生物屏障（如血脑屏障）进行优化。此外，我们还会深入研究药物的代谢过程，了解代谢产物及其在细胞色素P450等酶的作用下如何变化，从而优化药物的化学结构，提高靶向性和效率。

目前，我们专注于基于靶点的方法，一方面是因为我们对这种技术更有经验，另一方面是因为这种方法在我们团队中更容易实施。我们计划在未来引入基于表型的药物发现方法，但这需要对学生进行专门培训，目前我们团队规模较小，精力有限。因此，我们选择在一个领域深耕，积累专业知识，然后再逐步扩展。此外，我们也在探索一些创新方法，比如纯化学方法，未来可能会开发和测试相关技术。

Q：据了解，基于靶点设计化学结构需要测试很多分子，才能做成一个成功的药物，且实验室中设计的分子通常在细胞和动物上有效，但在人体中却未必有效。那么，有什么方法可以提高发现新药的效率和成功率？

A：提高新药开发效率和成功率的关键在于开发更精准的预测模型，并在药物设计过程中解决三个核心问题：第一是精准靶向，设计能够准确靶向目标的分子。

第二是结构优化，通过异构体设计或改变分子的水溶性、稳定性和靶向性来优化药物结构。例如，蛋白质药物虽然前景广阔，但在人体中的稳定性较差，需要通过聚乙二醇或其他聚合物修饰来增强其稳定性和溶解性。

第三是高效递送，改善药物的环境修饰，确保其能够穿透生理屏障，精准到达目标部位。这可能需要借助载体或对药物本身进行修饰，以实现高精度递送。这种研究虽然常被低估，但对连接基础研究和临床试验至关重要。

此外，对药物代谢和降解过程的研究也非常关键。我们需要深入了解药物及其代谢产物的毒性，尤其是那些经过细胞色素P450酶代谢的药物，因为这种酶在许多器官和细胞中都有表达。毒性问题是药物开发的主要障碍之一，虽然现有的模型可以预测一些问题，但它们并不能涵盖所有情况，我们需要针对特定疾病进行更深入的专项研究，开发更好的模型来预测药物的代谢、毒性和靶向性。

跨文化合作的价值与挑战

Q：请以您的经历说明，跨文化合作在药物研发中有何重要性？您在跨文化合作中遇到的最大挑战是什么？

A：跨文化合作的本质在于融合不同文化的独特优势，激发创新与突破，从而实现资源共享、优势互补和共同发展。以中国文化为例，其精髓在于勤奋、专注与敬业，这种持之以恒的精神为实现长期目标奠定了坚实基础。若将这种特质与美国文化中“天马行空”的创造力相结合，便能激发出突破传统思维框架的灵感，再融入德国文化中严谨的科学方法论，则能通过系统化验证将创意转化为科学成果。这种多元文化的融合在药物研发中尤为重要，因为它既需要严谨的实验设计来保障科学性，又需要大胆的假设来拓展可能性，同时依靠持续投入实现科学领域的突破。

跨文化合作在教学过程中确实存在诸多挑战，其中思维方式的差异尤为显著。中国学生往往习惯于单一的思维方式，难以在大胆创新和严谨方法之间找到平衡。例如，许多学生在面对诸如毕业等现实问题时会变得保守，而在面对创新挑战时则显得犹豫。因此，我需要通过灵活的教学方法，帮助学生适应不同思维方式的切换，并理解跨文化合作的价值。

总之，跨文化合作的核心在于尊重差异、整合优势，并通过多元思维的碰撞形成创新的解决方案。虽然这需要时间和耐心，但最终能够推动科学领域的突破与进步。

来源：科技与金融杂志