近日，我校材料与化学工程学院、大健康学院联合研究团队在药物筛选方法上取得了重要进展，该团队首次提出了最大似药性(Maximum Drug-likeness, MDL)的概念，并成功建立五维最大似药性(five-fold MDL，5FMDL)智能筛选体系，有望从根本上改变沿用数十年的药物发现逻辑，实现从“简单规则筛选”到“全景定量成药性对齐”的跨越，为创新药物高效研发提供了新的技术路线。相关成果先后发表于国际预刊印平台arxiv (https://arxiv.org/abs/2512.21895)和SCI期刊《酶抑制与药物化学杂志》(Journal of Enzyme Inhibition and Medicinal Chemistry,2026, 41(1):2640719), 论文的第一作者是材料与化工专业硕士研究生朱浩宇和于贝贝，通讯作者是大健康学院徐路教授和材料与化学工程学院石维教授。

（相关论文先后发表于国际预刊印平台和SCI期刊）

（相关论文先后发表于国际预刊印平台和SCI期刊）

长期以来，制药行业数据显示，平均每10000个候选化合物中，仅有1个最终有望成为上市药物。其中，大量候选分子往往并非活性不足，而是在临床试验阶段因溶解度差、吸收不佳、代谢过快、毒性风险、稳定性不足等成药性缺陷被淘汰，造成巨大时间、资金与人力浪费。因此在药物研发领域有“十年十亿美元”的说法，可见新药研发是一个高风险、高投入、成功率很低的复杂过程。

全球制药业巨头辉瑞公司的药物化学家Lipinski总结现有上市药物的共同点，提出了类药五规则(Ro5)，通过分子量、脂溶性、氢键供体/受体等少数理化指标对候选分子作初步过滤，相关方法提高了药物筛选的效率。近年来，计算机辅助药物设计(CADD)作为多学科融合的技术体系，已深度应用于新药研发全流程，形成包含分子对接、定量构效关系(QSAR)、分子模拟、虚拟高通量筛选及人工智能预测等方法的高维度技术矩阵。但是，CADD与临床成药转化的需求仍存在明显断层：一是“重活性、轻成药”导向偏差，优先关注体外活性，忽视理化性质、药代动力学、安全性等关键属性；二是似药性评价体系不完善，传统规则难以覆盖全维度成药特征，筛选易产生假阳性，且忽视骨架多样性。

（五维最大似药性(5F-MDL)的新概念）

针对行业痛点，我校团队首次提出了最大似药性(MDL)理念，并构建可工程化实施的5FMDL体系。MDL的内涵是“候选分子应在最广泛的化学空间上与已上市药物具有最大相似性”。5FMDL范式深度整合理化性质、ADME（药代动力学）、药效、安全性（Tox）、稳定性等五大核心维度，覆盖33项关键成药属性，将传统“单点经验判断”升级为大数据驱动的全景定量评价，既能充分融合ADMET 与理化先验知识，又能为分子优化提供清晰、可执行的指引，从源头提升候选分子的成药性与临床转化率。

（ 5F-MDL药物筛选的实现流程）

我校团队与四川大学、湖南大学、长江大学等研究团队合作，从公共数据库和海量文献中整合数百万分子的结构-已知活性/性质数据，基于深度学习构建了33个关键成药性质预测的QSAR子模型，在高维性质空间定量刻画候选分子与已成功上市药物的整体相似性，突破传统似药性规则刚性、评分片面、维度缺失等局限。依托该范式从百万级化合物库中筛选获得的高成药性分子，经体外验证与分子动力学模拟证实，多项关键指标逼近或达到临床对照药物水平，展现出优良的研发转化潜力。

（5F-MDL候选分子的33维成药性质谱与真实上市药物的相似性）

为加速原创成果的产业转化，团队与上海真药科技有限公司联合开发了5F-MDL Screener商业化智能筛选软件，该软件以5FMDL为核心，是首款集成五大成药维度、33个关键成药性质图谱的一站式成药性筛选工具，已实现超大规模化合物库的高速评分、精准排序与风险预警，有望在大幅缩短研发周期、降低研发成本的同时，显著提升先导化合物的成药性与临床转化成功率。5F-MDL范式与 5F-MDL Screener软件的研发，标志着我校在AI辅助药物设计、成药性优化领域取得了重要突破。该成果不仅为解决新药研发“高损耗、低转化”难题提供了新方案，更为我校深化产学研协同创新、服务医药产业高质量发展注入强劲动能。

（供稿：大健康学院  一审：张东方  二审：张朝飞  三审：周永雄）