AI 药物研发工程师考试试卷及答案

AI药物研发工程师考试试卷及答案AI药物研发工程师考试试卷一、填空题（共10题，每题1分，共10分）1.AI药物研发中常用的分子文本表示方法是______。2.预测化合物与靶点结合亲和力的经典机器学习模型包括______。3.深度学习在药物发现中常用于______预测。4.基于Transformer的分子生成模型代表之一是______。5.药物研发阶段中，先导化合物优化之后是______阶段。6.虚拟筛选的核心技术之一是______。7.存储蛋白质三维结构的常用文件格式是______。8.处理生物序列数据的深度学习模型类型是______。9.AI模型预测药物代谢动力学性质常关注______参数。10.GAN在药物研发中可用于______。二、单项选择题（共10题，每题2分，共20分）1.下列哪种模型最适合处理分子图结构数据？（）A.线性回归B.图神经网络（GNN）C.支持向量机D.决策树2.基于靶点三维结构的虚拟筛选方法属于？（）A.ligand-basedB.structure-basedC.fragment-basedD.phenotype-based3.下列哪项不是AI药物研发的应用场景？（）A.靶点发现B.合成路线设计C.临床招募D.药物定价4.计算分子指纹的常用算法是？（）A.MorganB.BERTC.ResNetD.LSTM5.捕捉序列依赖关系的深度学习模型是？（）A.CNNB.GNNC.RNND.k-means6.先导化合物指的是？（）A.临床实验化合物B.潜在活性早期化合物C.上市药物D.天然产物7.存储分子二维结构的格式是？（）A.PDBB.SMILESC.FASTAD.CSV8.AI药物研发中不常见的问题是？（）A.数据稀疏B.可解释性C.计算限制D.专利申请9.预测化合物毒性属于？（）A.活性预测B.ADMET预测C.分子生成D.虚拟筛选10.常用分子对接软件是？（）A.PyTorchB.TensorFlowC.AutoDockVinaD.Scikit-learn三、多项选择题（共10题，每题2分，共20分）1.AI药物研发常用机器学习算法包括？（）A.随机森林B.GNNC.SVMD.CNN2.ADMET性质包含？（）A.吸收B.分布C.代谢D.排泄E.毒性3.分子生成模型类型有？（）A.GANB.VAEC.TransformerD.随机森林4.蛋白质结构预测AI工具是？（）A.AlphaFoldB.RoseTTAFoldC.PyMOLD.BLAST5.虚拟筛选的优点是？（）A.快速B.低成本C.高准确率D.覆盖广6.AI在药物合成中的应用是？（）A.路线设计B.反应优化C.产率预测D.原料采购7.深度学习训练需注意的问题是？（）A.过拟合B.数据不平衡C.可解释性D.计算效率8.药物靶点类型包括？（）A.酶B.受体C.离子通道D.转运体9.药物研发常用编程语言是？（）A.PythonB.RC.JavaD.C++10.AI药物研发的挑战是？（）A.数据质量B.泛化能力C.监管接受度D.跨学科协作四、判断题（共10题，每题2分，共20分）1.AlphaFold可预测蛋白质三维结构。（）2.SMILES是分子结构的文本表示方法。（）3.虚拟筛选可完全替代实验筛选。（）4.GNN适合处理分子图结构数据。（）5.ADMET预测仅关注药物吸收性质。（）6.分子生成模型能创造全新化合物。（）7.AI模型无需实验验证即可用于药物研发。（）8.随机森林是深度学习模型。（）9.AutoDockVina是分子对接工具。（）10.AI仅用于药物研发早期发现阶段。（）五、简答题（共4题，每题5分，共20分）1.简述AI在药物靶点发现中的应用。2.说明虚拟筛选在AI药物研发中的作用。3.简述AI模型在药物代谢动力学预测中的优势。4.解释分子生成模型在药物研发中的应用价值。六、讨论题（共2题，每题5分，共10分）1.讨论AI药物研发中模型可解释性的重要性及解决方法。2.分析AI药物研发面临的挑战及未来发展方向。AI药物研发工程师考试试卷答案一、填空题答案1.SMILES2.随机森林3.蛋白-配体结合亲和力4.ChemBERTa5.临床前6.分子对接7.PDB8.卷积神经网络（CNN）9.ADME10.新分子设计二、单项选择题答案1.B2.B3.D4.A5.C6.B7.B8.D9.B10.C三、多项选择题答案1.ABCD2.ABCDE3.ABC4.AB5.ABD6.ABC7.ABCD8.ABCD9.AB10.ABCD四、判断题答案1.√2.√3.×4.√5.×6.√7.×8.×9.√10.×五、简答题答案1.AI在靶点发现中通过分析多组学数据挖掘潜在靶点：利用机器学习从疾病相关基因表达数据识别差异基因，预测靶点可能性；通过蛋白相互作用网络发现关键节点蛋白；结合自然语言处理从文献提取靶点与疾病关联。这些方法缩小靶点范围，减少实验成本，加速验证，为药物设计提供方向。2.虚拟筛选是AI药物研发核心环节：基于结构的筛选用分子对接预测结合亲和力；基于配体的筛选通过相似性搜索或机器学习预测活性。它减少实验筛选化合物数量，降低成本和时间，针对难成药靶点设计特异性化合物，为先导化合物发现提供高效途径。3.AI模型在PK预测中优势显著：传统PK预测依赖实验，耗时成本高；AI利用已有PK数据训练模型，快速预测新化合物PK性质。深度学习捕捉复杂结构-性质关系，处理高维数据，提高精度。高通量预测支持大规模筛选，加速研发，减少失败风险。4.分子生成模型生成特定性质的全新化合物：针对靶点需求生成结构新颖、活性高的化合物，解决现有库局限性；通过约束条件（如ADMET、合成可行性）生成符合要求的分子，提高候选质量；对现有化合物优化，改善活性或药代性质。加速先导化合物发现，缩短研发周期。六、讨论题答案1.模型可解释性在AI药物研发中至关重要：监管机构要求透明，可解释性验证预测可靠性；科研人员需理解决策依据指导实验。解决方法：使用可解释模型（如决策树）；用SHAP/LIME分析特征贡献；可视化分子结构与预测关联；结合领域知识验证输出，提升可信度。2