澳門理工大學應用科學學院人工智能藥物發現中心教授姚小軍、劉煥香、博士研究生李婧及研究團隊開發出一個全新的多任務深度生成框架“FlowDock”。該框架基於貝葉斯流網絡，為蛋白質—配體柔性分子對接及結合親和力預測提供了統一且高效的解决方案，為加速藥物研發提供了強而有力的技術支撑。

傳統的分子對接方法依賴搜索算法和能量評分函數來模擬結合過程，計算成本高昂且極度耗時。近年來，基於深度學習的方法提供了更具成本效益的替代方案，但它們通常忽略了蛋白質在與配體結合過程中的柔性構象變化。此外，這些方法生成的分子構象往往缺乏物理化學的合理性。面對上述挑戰，澳理大科研團隊研發的“FlowDock”方法實現了技術突破。該方法在整合蛋白質構象柔性的同時，能夠同步精準生成蛋白質—配體複合物的配體結合姿勢並預測其結合親和力。

“FlowDock”結合了多模態分子特徵與深度等變生成模型，在隱空間中迭代優化複合物結構，確保了生成過程的快速與穩定。有別於依賴已知結合口袋的傳統方法，“FlowDock”支持靈活的盲對接，為探索動態蛋白質—配體相互作用提供了新的思路，是加速合理化治療藥物開發的有效新工具。相關研究成果以“FlowDock: A unified flow-based framework for flexible protein-ligand docking and binding affinity prediction”（“FlowDock”：用於柔性蛋白質—配體對接與結合親和力預測的統一流模型框架）為題，在國際權威期刊《Acta Pharmaceutica Sinica B》（《藥學學報》）中發表。

《藥學學報》為中科院一區TOP期刊，在JCR SCIE藥學領域排名前1.6%（影響因子14.6；CiteScore 24.3），專注於藥物科學與技術的前沿研究，涵蓋藥物發現、藥理學及藥學等領域，多次入選“中國最具國際影響力學術期刊”。本研究項目受澳門科學技術發展基金（0030/2024/RIA1）及澳門理工大學（RP/FCA-15/2023）資助，研究內容全文可瀏覽：https://www.sciencedirect.com/science/article/pii/S2211383526002492。