2026年智慧医疗AI药物研发技术知识考察试题及答案解析

2026年智慧医疗AI药物研发技术知识考察试题及答案解析一、单项选择题（每题2分，共40分）1.在AI药物研发中，分子表示学习的主要目的是将化合物转化为适合机器学习模型处理的什么形式？A.化学结构式图片B.数值向量表示C.药物商品名D.临床试验方案答案B解析分子表示学习旨在将化合物的结构信息编码为连续向量表示，使机器学习模型能够对分子进行性质预测、相似性比较等下游任务。2.以下哪种深度学习架构在药物分子性质预测中，能够直接对分子图结构进行卷积操作？A.卷积神经网络（CNN）B.循环神经网络（RNN）C.图神经网络（GNN）D.生成对抗网络（GAN）答案C解析图神经网络专门处理图结构数据，药物分子可被建模为原子为节点、化学键为边的分子图，GNN通过消息传递机制聚合邻域信息实现性质预测。3.在药物虚拟筛选中，基于配体的药效团模型构建的核心依据是什么？A.靶点蛋白的三维晶体结构B.已知活性化合物的共同化学特征及空间排列C.药物在体内的代谢半衰期D.药物与血浆蛋白的结合率答案B解析基于配体的药效团模型通过分析一组已知活性分子的共同结构特征（如氢键供体、受体、疏水中心等）及其空间排布来构建。4.AlphaFold系列模型在药物研发中的主要贡献是解决了什么问题？A.药物分子的逆合成路线设计B.蛋白质三维结构的高精度预测C.药物毒性的临床前评价D.药物剂型的优化设计答案B解析AlphaFold通过深度学习方法从氨基酸序列高精度预测蛋白质三维结构，为基于结构的药物设计提供了关键的结构基础。5.在药物研发数据集中，SMILES字符串的作用是什么？A.描述药物的临床不良反应B.以线性文本形式表示分子结构C.标记药物专利的申请号D.编码药物在人体内的转运路径答案B解析SMILES（SimplifiedMolecularInputLineEntrySystem）是一种用ASCII字符串描述分子结构的线性表示方法，广泛应用于化学信息学和AI药物研发的数据处理中。6.在药物重定位中，AI技术的主要任务是从已批准药物或候选药物中发现新的什么？A.化学合成路径B.治疗适应症C.药物包装材料D.不良反应答案B解析药物重定位（drugrepurposing）是指对已有药物进行重新评估，发现其原批准适应症之外的新治疗用途，AI技术能够加速这一过程。7.下列哪一项是分子对接的主要目的？A.预测药物分子与靶点蛋白的结合模式和亲和力B.测定药物的熔点C.分析药物的晶型结构D.评估药物的生产成本答案A解析分子对接通过计算模拟预测小分子配体与靶点蛋白之间的结合构象和结合强度，是虚拟筛选的核心技术之一。8.在机器学习模型中，用于评估二分类模型在药物活性预测中区分正负样本能力的常用指标是？A.均方误差（MSE）B.决定系数（R2C.ROC曲线下面积（AUC）D.平均绝对误差（MAE）答案C解析ROC曲线下面积（AUC）反映二分类模型对正负样本的排序能力，在药物活性预测中广泛用于评价模型性能。MSE、R29.在AI辅助药物研发中，ADMET预测模型主要预测的是药物的什么性质？A.合成难度与成本B.吸收、分布、代谢、排泄和毒性C.靶点蛋白的表达水平D.药物分子的旋光性答案B解析ADMET是药物吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、排泄（Excretion）和毒性（Toxicity）的统称，是药物成药性评价的核心内容。10.迁移学习在药物研发中的一个典型应用场景是？A.用大语言模型写病历B.将在大规模化学数据上预训练的模型迁移到小样本药物活性预测任务中C.把CT图像识别模型直接用于病理切片诊断D.通过强化学习控制药物生产车间的温度答案B解析药物研发中常见小样本问题，迁移学习利用在大规模通用化学数据上预训练的模型，在特定的小样本药物活性数据上微调，可有效提升预测性能。11.在生成式AI用于全新药物分子设计时，变分自编码器（VAE）的作用机制是什么？A.将分子编码到连续隐空间，并在隐空间中采样生成新分子B.对分子进行物理动力学模拟C.计算分子的量子力学能量D.分析药物分子与受体的共晶结构答案A解析VAE将分子编码为隐空间中的概率分布，通过在隐空间中采样并解码，可以生成具有新颖结构的候选分子，是分子生成领域的重要方法。12.药物研发中的"泛活性干扰化合物"（PAINS）指的是什么？A.对所有疾病都有治疗作用的化合物B.在多种高通量筛选中均表现出假阳性活性的化合物C.能穿透血脑屏障的化合物D.具有广谱抗菌活性的天然产物答案B解析PAINS化合物在多种不同的筛选实验中均显示出活性，但这种活性往往来自非特异性干扰（如蛋白质反应性、聚集等），而非真实的靶点结合，是AI模型构建中需要重点过滤的数据噪声来源。13.强化学习在AI药物分子设计中的典型应用是？A.优化药物分子的多目标性质（如活性、合成可及性、类药性）B.预测药物分子的核磁共振谱图C.对药物生产设备进行故障诊断D.优化药物临床试验的随机分组方案答案A解析强化学习通过奖励机制引导分子生成过程，可以在保证分子有效性的同时，逐步优化活性、类药性、合成可及性等多维目标。14.在构建药物活性预测模型时，数据不平衡问题通常指的是什么？A.训练集和测试集的数据来源不同B.正样本（活性分子）与负样本（非活性分子）数量差异悬殊C.分子量分布不均匀D.特征维度远大于样本数量答案B解析在高通量筛选数据中，活性分子通常远少于非活性分子，导致类别不平衡。处理策略包括过采样、欠采样、代价敏感学习等。15.基于结构的药物设计（SBDD）与基于配体的药物设计（LBDD）的主要区别在于？A.SBDD依赖靶点结构信息，LBDD依赖已知配体信息B.SBDD只用于抗体药物，LBDD只用于小分子药物C.SBDD不需要计算机，LBDD需要计算机D.SBDD比LBDD出现更早答案A解析SBDD以靶点蛋白的三维结构为基础进行药物设计，LBDD则在靶点结构未知时基于已知活性配体的共同特征进行设计。16.在AI药物研发中，"分子指纹"最核心的用途是？A.描述分子的化学结构特征，用于相似性搜索和机器学习建模B.用于药物制剂中的指纹防伪C.记录药物在人体内的代谢产物D.标记实验动物的个体身份答案A解析分子指纹是将分子结构编码为固定长度的二进制或整数向量，用于计算分子间相似性、构建预测模型等。17.下列哪项不属于AI药物研发中常见的数据预处理步骤？A.去除盐和溶剂B.化合物结构标准化C.手性中心标记D.动物伦理审查答案D解析动物伦理审查是实验研究环节的合规程序，不属于计算化学的数据预处理步骤。数据预处理通常包括去盐、标准化、质子化状态处理、手性标记等。18.多任务学习在药物ADMET预测中的主要优势是？A.通过共享表示同时学习多个相关预测任务，缓解数据不足问题B.每个任务使用完全独立的模型参数C.避免模型过拟合，不需要验证集D.自动完成药物临床试验设计答案A解析ADMET各性质之间相互关联，多任务学习通过共享底层表示联合学习多个任务，可提升各任务的泛化性能，尤其适用于数据量有限的情形。19.在分子生成任务中，"类药性"（drug-likeness）常用的量化指标之一是？A.Lipinski五规则B.Schrödinger方程C.Bayes定理D.Gibbs自由能答案A解析Lipinski五规则（分子量、氢键供体数、氢键受体数、脂水分配系数等）是最常用的类药性评估经验规则。20.在AI辅助临床试验设计中，自适应试验设计与传统固定设计相比的主要优势是？A.可根据中期数据分析结果动态调整后续试验方案B.不需要任何统计学方法C.试验样本量永远固定不变D.完全不需要伦理审查答案A解析自适应试验设计允许在试验进行过程中依据累积数据进行方案调整（如样本量再估计、剂量调整等），以提高试验效率并降低风险。二、多项选择题（每题3分，共15分）1.以下哪些属于AI药物研发中常用的分子表示方法？A.SMILES字符串B.分子指纹C.分子图D.三维构象坐标答案ABCD解析AI药物研发中分子表示方法多样，SMILES字符串为线性文本表示，分子指纹为固定长度向量，分子图以图结构表示原子与键，三维构象坐标用于表示分子空间结构。2.在AI药物研发中，模型可解释性方法的意义包括哪些？A.帮助药物化学家理解模型的决策依据B.为分子结构优化提供指导C.提高监管机构对AI辅助决策的信任度D.完全消除模型预测的不确定性答案ABC解析可解释性方法揭示模型关注的结构特征，有助于化学家理解和优化分子，也便于监管沟通。但可解释性不能完全消除预测的不确定性。3.以下哪些数据源通常用于构建药物研发AI模型？A.PubChemB.ChEMBLC.PDB（蛋白质数据库）D.电子病历系统答案ABC解析PubChem和ChEMBL是化合物生物活性数据库，PDB提供蛋白质三维结构数据。电子病历系统属于临床数据，虽然可辅助药物研发，但不是构建分子层面AI模型的常规数据源。4.关于AI药物研发中的分子生成，下列表述正确的有？A.目标之一是生成结构新颖且具有潜在活性的分子B.生成分子必须满足化学价键规则C.生成分子的合成可及性是实际应用中的关键考量D.生成分子无需经过任何过滤即可直接进入临床试验答案ABC解析分子生成旨在探索新的化学空间，生成有效且具活性的分子，同时必须考虑合成可及性。生成的候选分子仍需经过层层过滤和实验验证，不能直接进入临床试验。5.AI药物研发中可能涉及的伦理与合规问题包括？A.训练数据的隐私保护B.模型决策的公平性与透明性C.知识产权归属D.药物不良反应的AI预测准确性责任答案ABCD解析AI药物研发涉及患者数据隐私、模型透明性、AI生成分子的知识产权以及AI预测错误的责任归属等多个伦理与法律议题。三、判断题（每题1.5分，共15分）1.分子对接的评分函数可以精确计算出药物与靶点的真实结合自由能。答案错误解析分子对接评分函数是经验或力场基础上的近似估计，无法达到精确计算结合自由能的水平。精确计算通常需要自由能微扰等更严格的方法。2.图神经网络可以直接处理以原子为节点、化学键为边的分子图。答案正确3.AI药物研发完全取代了传统实验，不再需要任何湿实验验证。答案错误解析AI药物研发加速和优化研发流程，但候选分子仍必须经过实验验证和临床试验，湿实验不可替代。4.SMILES字符串对同一分子只能有唯一一种写法。答案错误解析SMILES对同一分子可能有多种合法写法，但可通过规范化算法生成canonicalSMILES实现唯一表示。5.在药物活性预测模型的训练中，测试集的数据泄露会导致模型性能被高估。答案正确6.AlphaFold预测的蛋白质结构可以完全替代X射线晶体学实验结构。答案错误解析AlphaFold提供高精度结构预测，但在涉及药物结合口袋细节等场景下，实验测定的结构仍具有不可替代的作用。7.数据增强技术在分子图数据中可以通过随机遮蔽原子或边来实现。答案正确8.在ADMET预测中，所有毒性预测模型都不需要实验验证即可直接用于监管申报。答案错误解析AI毒性预测模型的结果需要实验验证，且目前尚不能完全替代法规要求的实验毒理学数据。9.药物重定位利用已批准药物的已知安全性数据，可以缩短药物开发时间。答案正确10.贝叶斯优化在药物研发中只能用于分子对接的参数调优，不能用于分子性质的多目标优化。答案错误解析贝叶斯优化可用于多种黑箱函数优化任务，包括分子性质的实验优化和多目标分子设计。四、简答题（每题10分，共30分）1.简述AI药物研发中，数据标准化与清洗的主要步骤及其重要性。答案(1)去除无机盐、溶剂分子和重复化合物；(2)分子结构规范化处理，包括互变异构体和质子化状态的标准化；(3)去除PAINS及活性异常值；(4)统一分子表示格式（如canonicalSMILES）；(5)标注数据来源和实验条件。数据质量直接决定模型性能。未经清洗的数据会引入系统噪声，导致模型学到虚假规律，影响预测可靠性和可复现性。2.简要说明基于靶点结构的虚拟筛选和基于配体的虚拟筛选各自的核心思路及适用条件。答案基于靶点结构的虚拟筛选以靶点蛋白三维结构为基础，通过分子对接等方法评估候选分子与靶点结合口袋的互补性和亲和力，适用于靶点结构已知的情况。基于配体的虚拟筛选不依赖靶点结构，而是从已知活性配体出发，通过药效团模型、分子相似性搜索或机器学习模型筛选候选分子，适用于靶点结构未知但已有一定活性配体数据的情况。两者可结合使用，互为补充。3.以生成式AI设计药物分子为例，说明如何利用多目标