1. 引言当AI开始“画靶”我们该如何审视“射箭”最近几年AI驱动的分子生成领域可谓风生水起。从早期的基于规则和片段拼接到如今基于深度生成模型如VAE、GAN、流模型、扩散模型的“从头设计”我们似乎已经站在了药物发现的“奇点”边缘。打开任何一篇顶刊论文你都能看到令人惊叹的指标生成分子的新颖性高达99%与靶标蛋白的结合亲和力预测值如docking score远超已知活性分子ADMET吸收、分布、代谢、排泄、毒性性质预测一片飘绿。标题中提到的“基于靶标的从头分子生成”正是这个领域的皇冠明珠——给定一个靶标蛋白的三维结构或序列AI模型就能像一位不知疲倦的超级化学家源源不断地“构想”出全新的、理论上能与之完美结合的候选药物分子。这听起来无比美好不是吗但作为一名在这个交叉领域摸爬滚打了多年的从业者我越来越频繁地听到一个灵魂拷问它也正是这篇博文标题所隐喻的我们引以为傲的“理性设计”究竟是在进行一场严谨的科学探索还是在玩一场“先射箭后画靶”的游戏所谓“射箭画靶”指的是先有了一个预设的、漂亮的“结果”比如一个生成模型产出的、各项计算指标都完美的分子然后我们再去为这个结果寻找合理性甚至调整“靶心”评价标准来确保箭矢命中。在分子生成中这可能表现为我们精心优化模型使其在某个特定的、有缺陷的评估体系下比如单一的对接打分函数产出“高分”分子然后宣称我们实现了“理性设计”。然而这些在虚拟世界中光芒万丈的分子一旦进入湿实验验证往往黯然失色成功率远低于预期。这篇博文我想和你一起暂时抛开那些令人眼花缭乱的模型架构和SOTA指标沉下心来从第一性原理和实践经验出发系统地审视“基于靶标的从头分子生成”这一范式。我们将深入探讨其背后的技术逻辑、评估体系的潜在陷阱、以及从“虚拟分子”到“真实药物”之间那道看似很近、实则遥远的鸿沟。这不是要否定这项技术的价值恰恰相反是为了让它走得更稳、更远。2. “理性设计”的技术基石我们究竟在优化什么要理解“射箭画靶”的风险首先得明白当前主流技术是如何“射箭”的。基于靶标的从头分子生成其技术栈通常可以分解为三个核心环节靶标表征、分子生成模型、以及驱动生成的优化目标即“靶心”。问题往往就埋藏在这第三个环节。2.1 靶标表征从静态结构到动态画像绝大多数生成模型依赖于靶标蛋白的静态三维结构通常来自蛋白质数据库PDB中的晶体结构或AlphaFold2等工具的预测结构。我们将这个结构转化为模型可读的输入常见方法包括网格化Grid-based将结合口袋划分为三维网格每个网格点用特征如原子类型、电荷、疏水性填充形成一种3D图像。图表示Graph-based将蛋白质视为图残基或原子是节点相互作用是边并附上丰富的化学和物理特征。表面描述符计算结合口袋的几何形状、静电势、疏水斑块等。注意这里埋下了第一个隐患。蛋白质是动态的存在构象变化构象异构。一个静态的“快照”能否代表其在生理状态下的真实形态尤其是对于某些柔性较大的靶点依赖单一静态结构进行设计无异于“刻舟求剑”。2.2 分子生成模型从随机噪声到候选分子这是AI大显身手的舞台。主流模型都在学习一个从随机噪声或潜在空间到满足特定条件的分子结构的映射。近年来扩散模型Diffusion Model因其强大的生成质量和稳定性已成为该领域的首选。前向过程加噪将一个真实的分子或它的3D坐标与特征逐步添加高斯噪声最终变成纯随机噪声。反向过程去噪模型学习从噪声中逐步恢复出分子结构。关键在于这个去噪过程可以被“条件”所引导。条件控制我们将靶标口袋的特征作为条件输入到去噪模型中。这样在生成过程的每一步模型都在问自己“在当前噪声状态下如何向既符合化学规律、又能与旁边这个靶标口袋相匹配的分子结构去演变”这个过程本质上是在化学空间和几何空间中进行的一次极其复杂的、受控的采样。2.3 优化目标“靶心”是如何被定义的这是所有问题的焦点。我们如何告诉模型什么是“好”分子通常这个“靶心”由一系列计算预测指标构成它们被组合成一个复合的奖励函数Reward或条件用于训练或微调生成模型。一个典型的“靶心”可能包括结合亲和力Docking Score通过分子对接软件如AutoDock Vina, Glide快速估算生成分子与靶标的结合强度。这是最核心、最常用的指标。类药性Drug-likeness如Lipinski五规则Ro5、定量估算QED分数确保分子具有成为口服药物的基本潜质。合成可行性Synthesizability如SA Score合成可及性分数评估分子在实验室中被化学合成的难易程度。新颖性Novelty与已知分子数据库如ChEMBL的相似度鼓励模型发现全新骨架。其他性质如预测的溶解度、代谢稳定性、毒性等。“射箭画靶”的苗头就此出现我们整个生成系统的“理性”完全依赖于这些计算预测指标的准确性和完整性。如果这些指标本身存在偏差或者它们与最终的真实目标体外/体内活性、成药性关联性不强那么无论我们的模型多么强大优化过程多么精巧都只是在完美地命中一个“错误的靶心”。3. “画靶”的诱惑评估体系中的陷阱与循环论证让我们深入看看在追求高分的过程中我们是如何不知不觉地“画靶”的。3.1 对接打分的“暴政”与过拟合分子对接是虚拟筛选的基石但其局限性在生成任务中被急剧放大。打分函数的局限性对接打分函数如Vina, Glide SP是经验性或基于力场的快速估算工具并非精确的自由能计算。它们对某些相互作用如氢键、π-π堆积的权重可能失真且无法很好地处理溶剂化效应、蛋白质柔性等复杂因素。生成模型对打分函数的过拟合这是一个致命问题。如果生成模型在训练或强化学习过程中唯一或主要的优化目标就是降低某个特定对接程序的打分比如Vina score那么模型会迅速学会“欺骗”这个打分函数。它可能生成一些在Vina计算框架下能产生异常高分低能量的分子但这些“优势”可能源于打分函数自身的漏洞或简化假设而非真实的生物物理相互作用。案例模型可能学会生成一些具有特殊构象或官能团的分子这些官能团恰好与打分函数中某个项的权重强烈耦合从而获得高分但这些基团在现实中可能不稳定、有毒性或根本不适合合成。这就好比学生不是通过学习知识来取得好成绩而是通过深入研究某位出题老师的个人偏好和历年真题的固定套路来“优化”自己的答案。最终考试成绩对接打分很高但真实能力结合活性未必强。3.2 数据偏差与“内卷”式生成生成模型的训练数据通常来源于已知的活性分子-靶标对如PDBbind, BindingDB。这些数据存在天然偏差化学空间覆盖不全数据库中的分子多是已被合成和测试的它们只代表了浩瀚化学空间中极小、且有偏的一部分更偏向于“可合成”“已报道”。靶标偏好性某些热门靶点如激酶、GPCR数据极多而许多重要但难啃的靶点数据稀少。在这种有偏的数据上训练模型会倾向于生成与训练集分子“相似”的新分子尽管它们可能具有新颖的SMILES字符串但核心骨架和相互作用模式可能并未跳出原有窠臼。为了追求“新颖性”指标模型又可能被推向生成一些极其怪异、合成路线未知的分子。这种在“模仿已知”和“追求怪异”之间的摇摆并不是真正的理性探索。3.3 多目标优化的“纸面平衡”为了获得“完美”分子我们会设置多目标优化高结合力、高类药性、高合成可行性、高新颖性。在计算中我们可以通过加权求和或帕累托前沿等方法找到一系列“最优折衷”的分子。然而这种平衡是“纸面上”的。每个指标都是一个预测模型都有误差。当这些带有误差的预测值被组合时误差会被叠加甚至放大。一个在各项预测指标上都“均衡优秀”的分子可能在实际中因为某一项预测的微小偏差比如毒性被低估而彻底失败。我们优化的是一个由不完美代理指标构成的“完美幻象”。4. 从“虚拟靶心”到“真实命中”缺失的验证环节“射箭画靶”最直接的后果就是虚拟世界与真实世界的脱节。一个在计算评估中全面胜出的分子需要经历怎样的考验才能证明其价值4.1 湿实验验证照妖镜与第一道坎计算生成的分子必须进行化学合成与生物活性测试这是无可替代的验证。合成可行性陷阱SA Score等指标仅是基于反应规则的粗略估计。一个SA Score尚可的分子其合成路线可能长达十几步总产率极低成本高昂根本不具备开发价值。我经历过多次计算化学家兴高采烈地送来一个“完美”分子有机合成同事看了直摇头表示关键步骤没有已知方法或需要用到极其昂贵、不稳定的试剂。生物活性测试的复杂性测定方法常见的测试包括酶活性抑制实验、细胞增殖抑制实验等。但计算预测的结合亲和力dG与实验测得的IC50/Ki值并非线性关系还受到测试体系、底物浓度等多种因素影响。假阳性分子可能因在溶液中聚集、与测定体系中的组分发生非特异性结合、或自身发生化学降解而导致假阳性信号。选择性对目标靶点的高活性可能伴随着对相关同源蛋白的交叉反应导致脱靶毒性这在计算阶段很难充分评估。4.2 早期ADMET评估被忽略的“隐形靶心”即使一个分子在简单的生化水平上有活性它要成为药物还必须跨越ADMET这座大山。计算预测在这方面同样力有不逮渗透性与代谢细胞渗透性Caco-2, PAMPA预测、代谢稳定性肝微粒体稳定性预测是早期淘汰率极高的环节。许多分子因为透膜性差或首过代谢太快而失败。当前的生成模型很少将这类复杂、噪声更大的预测模型深度整合到优化循环中。毒性预测药物毒性是计算化学中最具挑战性的任务之一。常见的致突变性Ames、心脏毒性hERG预测模型特异性虽有一定提升但远未达到可靠的程度。依赖这些预测来“过滤”分子风险极高。真正的“理性设计”应该从一开始就将这些关键的成药性因素作为“硬约束”或“核心优化目标”之一而不是事后过滤的筛子。但目前的技术框架往往更擅长优化一个清晰、易计算但可能失真的目标如对接打分而非一系列模糊、嘈杂但更真实的目标。5. 走向更坚实的理性技术反思与未来路径认识到问题所在是为了寻求解决之道。要避免“射箭画靶”我们需要在技术路径和评估哲学上进行革新。5.1 构建更接近真实的评估体系采用更精确的计算方法在关键环节用更耗时但更准确的方法替代快速预测。例如对于最终筛选出的少量顶级虚拟分子使用分子动力学模拟MD来评估结合模式的稳定性、计算结合自由能如MM/PBSA, MM/GBSA这比静态对接能提供更丰富的动态信息和更可靠的能量估计。集成多构象受体不要只用一个静态晶体结构。可以采集来自MD模拟的多个代表性构象或直接使用AlphaFold2预测的多条状态结构让生成模型面对一个“靶标集合”从而设计出对靶标微小构象变化不敏感的、更具鲁棒性的分子。发展并审慎使用多参数优化MPO设计更智能的MPO策略不仅考虑指标的加权和更考虑指标的可靠性权重和阶段优先级。在早期生成阶段可以更注重新颖性和合成可行性在后期优化阶段则需引入更可靠的物化性质和初步毒性预测。5.2 改进生成模型本身物理信息嵌入将基本的物理原理和力场项作为模型训练的约束或正则化项而不仅仅是事后的过滤条件。例如在扩散模型的训练中引入分子力场计算的能量项作为辅助损失引导模型生成构象能更低的分子。融合实验反馈的主动学习循环这是打破虚拟循环的关键。建立“计算生成 - 合成与测试 - 数据反馈 - 模型更新”的闭环。即使初期湿实验失败的数据哪些分子没有活性、哪些难以合成对于模型来说也是极其宝贵的负样本可以用于修正模型对有偏数据集的依赖使其学习到更接近真实世界的化学与生物学边界。分阶段、分层次的生成策略模仿药物化学家的思维不要试图一步到位生成“完美”分子。可以先让模型生成满足核心药效团和初步结合模式的分子骨架Scaffold再通过后续的优化模型如基于图的修饰模型来逐步添加侧链、优化性质每一步都有更聚焦、更可靠的评估。5.3 调整社区的评价标准与文化最后也是最难的一点是改变我们评价工作的“靶心”。从“SOTA指标”到“实验验证”一篇论文的价值不应仅仅体现在它生成的分子在某个标准测试集上的对接打分比前人高了多少或者新颖性达到了99%。社区应更看重工作是否包含了切实的合成与活性验证哪怕只有几个分子。即使验证结果不理想对失败原因的分析也具有极高的价值。公开与共享鼓励研究者公开其生成分子的详细列表、计算评估结果以及最重要的——后续的实验测试数据无论成功与否。这能帮助整个社区更准确地评估不同生成方法和评估流程的真实有效性避免大家在各自封闭的“画靶”体系中内卷。拥抱不确定性在报告中不仅展示生成的“最佳”分子也应坦诚地说明整个生成过程的不确定性。例如展示分子在多次生成中的出现频率、其对打分函数微小变化的敏感性、以及不同评估指标之间的冲突情况。一个对扰动不敏感、各项指标一致的分子通常比一个各项指标顶尖但极其脆弱的分子更可靠。在我个人的项目经历中曾耗费数月优化一个生成模型使其在内部测试集上的对接打分和类药性分数达到极致。我们满怀信心地将排名前10的分子交给合作方合成结果仅有1个被成功合成出来且该分子在最初的细胞活性测试中毫无信号。这次挫折让我们彻底反思将大量精力投入到了如何将合成路线预测基于逆合成分析工具和初步的细胞毒性预测更紧密地耦合到生成循环的早期阶段。虽然这增加了计算开销也使得生成分子的“纸面数据”不再那么惊艳但后续批次分子的合成成功率和初步活性筛选的“命中率”有了实实在在的提升。生成式AI为药物发现带来了前所未有的可能性但它不是点石成金的魔术。“基于靶标的从头分子生成”要想从一项炫技的研究成长为一种可靠的药物设计工具我们必须时刻保持警惕避免陷入“射箭画靶”的自娱自乐。这要求我们不仅追求模型的“智能”更要追求评估体系的“真实”和科学验证的“严谨”。理性设计的灵魂不在于算法的复杂而在于我们对化学、生物学复杂性的敬畏以及将虚拟与现实反复对照、迭代修正的耐心。这条路很长但每一步都值得踏稳。
1. 引言当AI开始“画靶”我们该如何审视“射箭”最近几年AI驱动的分子生成领域可谓风生水起。从早期的基于规则和片段拼接到如今基于深度生成模型如VAE、GAN、流模型、扩散模型的“从头设计”我们似乎已经站在了药物发现的“奇点”边缘。打开任何一篇顶刊论文你都能看到令人惊叹的指标生成分子的新颖性高达99%与靶标蛋白的结合亲和力预测值如docking score远超已知活性分子ADMET吸收、分布、代谢、排泄、毒性性质预测一片飘绿。标题中提到的“基于靶标的从头分子生成”正是这个领域的皇冠明珠——给定一个靶标蛋白的三维结构或序列AI模型就能像一位不知疲倦的超级化学家源源不断地“构想”出全新的、理论上能与之完美结合的候选药物分子。这听起来无比美好不是吗但作为一名在这个交叉领域摸爬滚打了多年的从业者我越来越频繁地听到一个灵魂拷问它也正是这篇博文标题所隐喻的我们引以为傲的“理性设计”究竟是在进行一场严谨的科学探索还是在玩一场“先射箭后画靶”的游戏所谓“射箭画靶”指的是先有了一个预设的、漂亮的“结果”比如一个生成模型产出的、各项计算指标都完美的分子然后我们再去为这个结果寻找合理性甚至调整“靶心”评价标准来确保箭矢命中。在分子生成中这可能表现为我们精心优化模型使其在某个特定的、有缺陷的评估体系下比如单一的对接打分函数产出“高分”分子然后宣称我们实现了“理性设计”。然而这些在虚拟世界中光芒万丈的分子一旦进入湿实验验证往往黯然失色成功率远低于预期。这篇博文我想和你一起暂时抛开那些令人眼花缭乱的模型架构和SOTA指标沉下心来从第一性原理和实践经验出发系统地审视“基于靶标的从头分子生成”这一范式。我们将深入探讨其背后的技术逻辑、评估体系的潜在陷阱、以及从“虚拟分子”到“真实药物”之间那道看似很近、实则遥远的鸿沟。这不是要否定这项技术的价值恰恰相反是为了让它走得更稳、更远。2. “理性设计”的技术基石我们究竟在优化什么要理解“射箭画靶”的风险首先得明白当前主流技术是如何“射箭”的。基于靶标的从头分子生成其技术栈通常可以分解为三个核心环节靶标表征、分子生成模型、以及驱动生成的优化目标即“靶心”。问题往往就埋藏在这第三个环节。2.1 靶标表征从静态结构到动态画像绝大多数生成模型依赖于靶标蛋白的静态三维结构通常来自蛋白质数据库PDB中的晶体结构或AlphaFold2等工具的预测结构。我们将这个结构转化为模型可读的输入常见方法包括网格化Grid-based将结合口袋划分为三维网格每个网格点用特征如原子类型、电荷、疏水性填充形成一种3D图像。图表示Graph-based将蛋白质视为图残基或原子是节点相互作用是边并附上丰富的化学和物理特征。表面描述符计算结合口袋的几何形状、静电势、疏水斑块等。注意这里埋下了第一个隐患。蛋白质是动态的存在构象变化构象异构。一个静态的“快照”能否代表其在生理状态下的真实形态尤其是对于某些柔性较大的靶点依赖单一静态结构进行设计无异于“刻舟求剑”。2.2 分子生成模型从随机噪声到候选分子这是AI大显身手的舞台。主流模型都在学习一个从随机噪声或潜在空间到满足特定条件的分子结构的映射。近年来扩散模型Diffusion Model因其强大的生成质量和稳定性已成为该领域的首选。前向过程加噪将一个真实的分子或它的3D坐标与特征逐步添加高斯噪声最终变成纯随机噪声。反向过程去噪模型学习从噪声中逐步恢复出分子结构。关键在于这个去噪过程可以被“条件”所引导。条件控制我们将靶标口袋的特征作为条件输入到去噪模型中。这样在生成过程的每一步模型都在问自己“在当前噪声状态下如何向既符合化学规律、又能与旁边这个靶标口袋相匹配的分子结构去演变”这个过程本质上是在化学空间和几何空间中进行的一次极其复杂的、受控的采样。2.3 优化目标“靶心”是如何被定义的这是所有问题的焦点。我们如何告诉模型什么是“好”分子通常这个“靶心”由一系列计算预测指标构成它们被组合成一个复合的奖励函数Reward或条件用于训练或微调生成模型。一个典型的“靶心”可能包括结合亲和力Docking Score通过分子对接软件如AutoDock Vina, Glide快速估算生成分子与靶标的结合强度。这是最核心、最常用的指标。类药性Drug-likeness如Lipinski五规则Ro5、定量估算QED分数确保分子具有成为口服药物的基本潜质。合成可行性Synthesizability如SA Score合成可及性分数评估分子在实验室中被化学合成的难易程度。新颖性Novelty与已知分子数据库如ChEMBL的相似度鼓励模型发现全新骨架。其他性质如预测的溶解度、代谢稳定性、毒性等。“射箭画靶”的苗头就此出现我们整个生成系统的“理性”完全依赖于这些计算预测指标的准确性和完整性。如果这些指标本身存在偏差或者它们与最终的真实目标体外/体内活性、成药性关联性不强那么无论我们的模型多么强大优化过程多么精巧都只是在完美地命中一个“错误的靶心”。3. “画靶”的诱惑评估体系中的陷阱与循环论证让我们深入看看在追求高分的过程中我们是如何不知不觉地“画靶”的。3.1 对接打分的“暴政”与过拟合分子对接是虚拟筛选的基石但其局限性在生成任务中被急剧放大。打分函数的局限性对接打分函数如Vina, Glide SP是经验性或基于力场的快速估算工具并非精确的自由能计算。它们对某些相互作用如氢键、π-π堆积的权重可能失真且无法很好地处理溶剂化效应、蛋白质柔性等复杂因素。生成模型对打分函数的过拟合这是一个致命问题。如果生成模型在训练或强化学习过程中唯一或主要的优化目标就是降低某个特定对接程序的打分比如Vina score那么模型会迅速学会“欺骗”这个打分函数。它可能生成一些在Vina计算框架下能产生异常高分低能量的分子但这些“优势”可能源于打分函数自身的漏洞或简化假设而非真实的生物物理相互作用。案例模型可能学会生成一些具有特殊构象或官能团的分子这些官能团恰好与打分函数中某个项的权重强烈耦合从而获得高分但这些基团在现实中可能不稳定、有毒性或根本不适合合成。这就好比学生不是通过学习知识来取得好成绩而是通过深入研究某位出题老师的个人偏好和历年真题的固定套路来“优化”自己的答案。最终考试成绩对接打分很高但真实能力结合活性未必强。3.2 数据偏差与“内卷”式生成生成模型的训练数据通常来源于已知的活性分子-靶标对如PDBbind, BindingDB。这些数据存在天然偏差化学空间覆盖不全数据库中的分子多是已被合成和测试的它们只代表了浩瀚化学空间中极小、且有偏的一部分更偏向于“可合成”“已报道”。靶标偏好性某些热门靶点如激酶、GPCR数据极多而许多重要但难啃的靶点数据稀少。在这种有偏的数据上训练模型会倾向于生成与训练集分子“相似”的新分子尽管它们可能具有新颖的SMILES字符串但核心骨架和相互作用模式可能并未跳出原有窠臼。为了追求“新颖性”指标模型又可能被推向生成一些极其怪异、合成路线未知的分子。这种在“模仿已知”和“追求怪异”之间的摇摆并不是真正的理性探索。3.3 多目标优化的“纸面平衡”为了获得“完美”分子我们会设置多目标优化高结合力、高类药性、高合成可行性、高新颖性。在计算中我们可以通过加权求和或帕累托前沿等方法找到一系列“最优折衷”的分子。然而这种平衡是“纸面上”的。每个指标都是一个预测模型都有误差。当这些带有误差的预测值被组合时误差会被叠加甚至放大。一个在各项预测指标上都“均衡优秀”的分子可能在实际中因为某一项预测的微小偏差比如毒性被低估而彻底失败。我们优化的是一个由不完美代理指标构成的“完美幻象”。4. 从“虚拟靶心”到“真实命中”缺失的验证环节“射箭画靶”最直接的后果就是虚拟世界与真实世界的脱节。一个在计算评估中全面胜出的分子需要经历怎样的考验才能证明其价值4.1 湿实验验证照妖镜与第一道坎计算生成的分子必须进行化学合成与生物活性测试这是无可替代的验证。合成可行性陷阱SA Score等指标仅是基于反应规则的粗略估计。一个SA Score尚可的分子其合成路线可能长达十几步总产率极低成本高昂根本不具备开发价值。我经历过多次计算化学家兴高采烈地送来一个“完美”分子有机合成同事看了直摇头表示关键步骤没有已知方法或需要用到极其昂贵、不稳定的试剂。生物活性测试的复杂性测定方法常见的测试包括酶活性抑制实验、细胞增殖抑制实验等。但计算预测的结合亲和力dG与实验测得的IC50/Ki值并非线性关系还受到测试体系、底物浓度等多种因素影响。假阳性分子可能因在溶液中聚集、与测定体系中的组分发生非特异性结合、或自身发生化学降解而导致假阳性信号。选择性对目标靶点的高活性可能伴随着对相关同源蛋白的交叉反应导致脱靶毒性这在计算阶段很难充分评估。4.2 早期ADMET评估被忽略的“隐形靶心”即使一个分子在简单的生化水平上有活性它要成为药物还必须跨越ADMET这座大山。计算预测在这方面同样力有不逮渗透性与代谢细胞渗透性Caco-2, PAMPA预测、代谢稳定性肝微粒体稳定性预测是早期淘汰率极高的环节。许多分子因为透膜性差或首过代谢太快而失败。当前的生成模型很少将这类复杂、噪声更大的预测模型深度整合到优化循环中。毒性预测药物毒性是计算化学中最具挑战性的任务之一。常见的致突变性Ames、心脏毒性hERG预测模型特异性虽有一定提升但远未达到可靠的程度。依赖这些预测来“过滤”分子风险极高。真正的“理性设计”应该从一开始就将这些关键的成药性因素作为“硬约束”或“核心优化目标”之一而不是事后过滤的筛子。但目前的技术框架往往更擅长优化一个清晰、易计算但可能失真的目标如对接打分而非一系列模糊、嘈杂但更真实的目标。5. 走向更坚实的理性技术反思与未来路径认识到问题所在是为了寻求解决之道。要避免“射箭画靶”我们需要在技术路径和评估哲学上进行革新。5.1 构建更接近真实的评估体系采用更精确的计算方法在关键环节用更耗时但更准确的方法替代快速预测。例如对于最终筛选出的少量顶级虚拟分子使用分子动力学模拟MD来评估结合模式的稳定性、计算结合自由能如MM/PBSA, MM/GBSA这比静态对接能提供更丰富的动态信息和更可靠的能量估计。集成多构象受体不要只用一个静态晶体结构。可以采集来自MD模拟的多个代表性构象或直接使用AlphaFold2预测的多条状态结构让生成模型面对一个“靶标集合”从而设计出对靶标微小构象变化不敏感的、更具鲁棒性的分子。发展并审慎使用多参数优化MPO设计更智能的MPO策略不仅考虑指标的加权和更考虑指标的可靠性权重和阶段优先级。在早期生成阶段可以更注重新颖性和合成可行性在后期优化阶段则需引入更可靠的物化性质和初步毒性预测。5.2 改进生成模型本身物理信息嵌入将基本的物理原理和力场项作为模型训练的约束或正则化项而不仅仅是事后的过滤条件。例如在扩散模型的训练中引入分子力场计算的能量项作为辅助损失引导模型生成构象能更低的分子。融合实验反馈的主动学习循环这是打破虚拟循环的关键。建立“计算生成 - 合成与测试 - 数据反馈 - 模型更新”的闭环。即使初期湿实验失败的数据哪些分子没有活性、哪些难以合成对于模型来说也是极其宝贵的负样本可以用于修正模型对有偏数据集的依赖使其学习到更接近真实世界的化学与生物学边界。分阶段、分层次的生成策略模仿药物化学家的思维不要试图一步到位生成“完美”分子。可以先让模型生成满足核心药效团和初步结合模式的分子骨架Scaffold再通过后续的优化模型如基于图的修饰模型来逐步添加侧链、优化性质每一步都有更聚焦、更可靠的评估。5.3 调整社区的评价标准与文化最后也是最难的一点是改变我们评价工作的“靶心”。从“SOTA指标”到“实验验证”一篇论文的价值不应仅仅体现在它生成的分子在某个标准测试集上的对接打分比前人高了多少或者新颖性达到了99%。社区应更看重工作是否包含了切实的合成与活性验证哪怕只有几个分子。即使验证结果不理想对失败原因的分析也具有极高的价值。公开与共享鼓励研究者公开其生成分子的详细列表、计算评估结果以及最重要的——后续的实验测试数据无论成功与否。这能帮助整个社区更准确地评估不同生成方法和评估流程的真实有效性避免大家在各自封闭的“画靶”体系中内卷。拥抱不确定性在报告中不仅展示生成的“最佳”分子也应坦诚地说明整个生成过程的不确定性。例如展示分子在多次生成中的出现频率、其对打分函数微小变化的敏感性、以及不同评估指标之间的冲突情况。一个对扰动不敏感、各项指标一致的分子通常比一个各项指标顶尖但极其脆弱的分子更可靠。在我个人的项目经历中曾耗费数月优化一个生成模型使其在内部测试集上的对接打分和类药性分数达到极致。我们满怀信心地将排名前10的分子交给合作方合成结果仅有1个被成功合成出来且该分子在最初的细胞活性测试中毫无信号。这次挫折让我们彻底反思将大量精力投入到了如何将合成路线预测基于逆合成分析工具和初步的细胞毒性预测更紧密地耦合到生成循环的早期阶段。虽然这增加了计算开销也使得生成分子的“纸面数据”不再那么惊艳但后续批次分子的合成成功率和初步活性筛选的“命中率”有了实实在在的提升。生成式AI为药物发现带来了前所未有的可能性但它不是点石成金的魔术。“基于靶标的从头分子生成”要想从一项炫技的研究成长为一种可靠的药物设计工具我们必须时刻保持警惕避免陷入“射箭画靶”的自娱自乐。这要求我们不仅追求模型的“智能”更要追求评估体系的“真实”和科学验证的“严谨”。理性设计的灵魂不在于算法的复杂而在于我们对化学、生物学复杂性的敬畏以及将虚拟与现实反复对照、迭代修正的耐心。这条路很长但每一步都值得踏稳。
![[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构](http://pic.xiahunao.cn/yaotu/[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构)
