这几年AI药物发现的热度一直没降，但很多人一上来就在“追模型”，追着追着反而忘了这个领域真正难的是把计算、数据、实验三条线咬合在一起。我见过不少团队，深度学习部分做得花团锦簇，一到湿实验验证就露馅，最后项目整个卡在“算得出来但做不出来”的尴尬阶段。这篇文章不打算给你罗列一百个工具，而是用一个尽量贴近真实研发的视角，把这套体系拆开讲：分子怎么表示、模型怎么选、流水线怎么搭、从候选分子到临床还要解决哪些计算问题。里面会穿插一些我做项目时踩过的坑和实测下来的处理方式，希望对你真正上手有点用。

1. 打通链路：AI药物发现的整体架构与分工

1.1 药物研发的核心痛点在哪里

先建立一个共同认知：一款药物从靶点确认到最终上市，平均周期和投入大家都听过，十几亿美金的数字不是吓唬人的。这么长的链条里，最大的问题不是某个环节不够快，而是环节与环节之间反复试错、返工、推到重来。

传统流程大致是这样的：先确认一个和疾病相关的靶点蛋白，然后靠高通量筛选从几十万个分子里找能和靶点结合的先导化合物，接着做一轮轮的化学修饰提高活性、降低毒性，再进入动物实验、临床试验。每一步的失败率都很高，尤其临床阶段，大量分子倒在了安全性或有效性的验证上。

AI在这里面的角色，不是把化学家或者临床专家取代掉，而是把计算前置。用模型在早期就过滤掉大概率会失败的分子，把有限的资源集中到更有希望的候选物上。我以前有个项目，组里一半人做实验，一半人做计算，计算组每天输出一批打分靠前的分子，实验组加班做合成和活性测试——这种配合方式，比过去纯粹靠历史数据拍脑袋选分子要高效得多。

1.2 从计算到湿实验：AI能在哪些环节真正发力

用一个表格来梳理药物研发不同阶段和AI任务的对应关系会比较清晰：

从这个表能看出来，AI不是某一段的“银弹”，而是镶嵌在整条链路里的辅助决策引擎。我个人的经验是：越早介入，对后续省的成本越大。比如在靶点阶段就算清楚某种副作用信号强，就不该让这个分子继续往后走了。算得不够准没关系，能粗筛掉一部分高危项，就已经值回票价。

1.3 这个领域的学习路径建议

如果你刚入行，先不要急着啃最前沿的扩散模型或大语言模型。最好的起点是把分子表征、图神经网络的基础吃透，再动手跑一个完整的虚拟筛选流程，最后再往上叠加生成式方法和多目标优化。道理很简单：不理解分子是怎么“被模型看见”的，后面替换再花哨的网络结构都是空中楼阁。

2. 核心技术拆解：分子表征、模型选型与训练要义

2.1 分子长什么样，模型才看得懂？——SMILES、分子图与3D构象的选择

AI没法直接读化学结构式，它需要先把分子转化成计算机能处理的数据形态。这个转化方式，直接决定了你能用什么样的模型、能学到什么样的特征。目前主流有三种分子表征：

第一种叫SMILES（简化分子线性输入规范），本质上是用一串字符把分子结构编码起来。比如苯环可以写成c1ccccc1。它的好处是方便用处理自然语言的办法来处理，Transformer这类模型可以直接上。但SMILES有一个天生缺陷：同一个分子有不同的写法，虽然现在有标准化工具可以统一，但字符序列里并没有显式把原子之间的连接关系表示出来，模型只能隐式地去学。

第二种叫分子图，把原子当成节点、化学键当成边。这种表示最接近化学家的直觉，图神经网络天然就适合在这个结构上做消息传递——每个原子聚合邻近原子的信息，逐层更新自己的状态。这也是目前虚拟筛选和药物性质预测的主流做法。

第三种是3D构象，连原子在空间里的坐标也一起保留。对于手性、静电效应这类立体化学敏感的问题，3D表示能提供更丰富的信息，但计算成本更高，需要先做构象生成和优化，不然输入本身就是噪声。

这里面的选型逻辑，我用一句夸张但准确的话来总结：如果你想快速跑通流程，优先SMILES；如果你要追求性质的预测精度，优先分子图；如果你特别关注立体化学细节，再看3D构象。三个层次不是互斥的，很多项目其实是多模态一起用。

2.2 图神经网络：在原子连接关系上做推理

要说AI药物发现里最核心的基础设施，非图神经网络莫属。它的工作方式有点像“让每个原子去问邻居要信息”，而且可以叠好几层，让信息越传越远。对于一个分子来说，第一层消息传递能让原子看到自己的直接键连邻居，第二层就能看到邻居的邻居，相当于扩展了每个原子的“视野半径”。

值得留意的是，图神经网络的表达能力不能盲目追求层数。我在实际测试中发现，不是层数越多越好——对于大多数类药分子，3到5层消息传递已经足够覆盖整个分子的拓扑范围，再加深很容易让所有节点的表征趋于一致，反而损害区分度。业内戏称这种现象叫“过度平滑”，本质是节点信息都混成一锅粥了。这个点新手特别容易踩。

实操中还有一个容易被忽略的细节：节点特征和边特征的构造。原子特征至少应该包含原子类型、度数、形式电荷、手性、杂化方式；边特征包含键型、共轭、是否在环内。这些特征不是越多越好，但核心的几项一定得有理有据，不能拍脑袋乱塞。

2.3 生成模型：从随机噪声到类药分子

分子生成的目标不是随机吐出一堆乱七八糟的结构，而是生成有意义的、可合成的、能和靶点结合的分子。天然适合这个任务的思路是变分自编码器（VAE）、对抗网络（GAN）和当下的扩散模型。

以基于SMILES的变分自编码器为例，它的工作原理是先把字符串编码成潜在空间里的一个向量，再从这个向量解码出新的分子字符串。潜在空间有一个很好的性质：化学结构相似的分子在空间里通常靠得近，所以可以在空间里做插值或移动，得到“介于两个分子之间”的新结构。

但纯粹这样生成出来的分子往往不满足实际需求。所以主流方案会接上强化学习或多目标优化，用额外的奖励函数来引导生成方向——比如一边生成一边评价“这个分子的合成难度高不高”“这个分子的溶解度行不行”，分数低就往回纠偏。

扩散模型的思路则是从噪声出发，逐步去噪还原出一个分子图。它在生成质量和多样性上表现突出，但训练成本高、收敛慢，对数据量的要求也更高。我的建议是：如果项目数据量只有几万条，安心用VAE或自回归生成；如果数据量特别充足，再去上扩散模型，收益会更明显。

2.4 属性预测：ADMET不能只靠一张表

很多做AI药物发现的人有个思维惯性，觉得预测活性是最重要的，其他性质后面再说。但实际上，一个分子的吸收、分布、代谢、排泄和毒性（ADMET）问题，比活性问题更容易让项目死掉。活性可以靠化学修饰一点点调上去，但如果是代谢太快、有毒性警报或者溶解性太差，那就是牵一发动全身的长期拉锯战。

ADMET预测本质上是一个多任务学习问题：有的任务是分类（比如判断有没有血脑屏障穿透能力），有的是回归（比如预测CYP酶的抑制活性）。现实的难点是不同数据之间质量差异很大，来自不同实验室的数据可能不一致，合并起来噪声很大。

我处理这类问题的一个有效手段是分层建模：先单独做一个毒性过滤器，规则优先、模型辅助，把明显有问题的结构在一开始就排除掉；然后再用模型预测更细致的性质指标。规则引擎加机器学习模型结合，比纯粹端到端要稳得多。另外，对预测置信度要采取保守态度，低置信度的预测结果宁可标成“待实验验证”，也不要直接输出一个让化学家白忙一通的结论。

3. 从0到1搭建一个AI分子发现流水线

3.1 目标定义与数据准备

搭建一个靠谱的AI分子发现流水线，第一步不是写代码，而是定义问题。你得把“要发现什么”落到一个具体的、可度量的目标上。比如“找到对某激酶靶点有抑制活性、且没有已知毒性警报的化合物”，这就比“找到一种治癌症的新分子”要清晰得多。

数据准备是这个领域最脏最累也最重要的一环。你可以从公开数据库下载活性和分子结构数据，但要非常小心数据质量。以下是我每次都会做的几个动作：

• 对SMILES做标准化和去重，统一芳香性和手性表示；
• 剔除包含无机盐、混合物或明显异常结构的条目；
• 看活性值的分布，如果极不均匀，要考虑分层采样而不是直接切训练集、验证集；
• 检查同一分子在不同文献中的重复记录，避免数据冲突导致模型混乱。

这些动作做完，才能进入建模环节。千万不要跳过这一步，我见过太多团队用没清洗的数据训出一个看起来挺准、实际上一上线就崩的模型。

3.2 构建第一代模型：以虚拟筛选为例

虚拟筛选的目标很直接：在一个很大的化合物库里，筛出最可能对靶点有活性的分子。标准做法大致分几步：

1. 准备靶点蛋白的三维结构（如果有实验结构就直接用，没有就靠同源建模或AlphaFold预测）；
2. 对化合物库做标准化、去盐、去重复；
3. 生成每个分子的三维构象；
4. 用分子对接计算每个分子与靶点蛋白的结合能得分。

然而分子对接得分和真实活性之间的相关性并不完美。一个更稳的做法是把对接得分、2D指纹相似度、基于图神经网络的活性预测分数综合起来，做一个排序融合。我在项目里常用加权投票式的策略，让不同模型互相制衡，而不是单一模型说了算。这样可以避免某类模型特有的偏差，比如对接软件对某些官能团有偏向性。

此外还有个非常重要的细节：虚拟筛选结束后一定要做聚类分析。如果你筛出来的前100个分子都来自同一个化学骨架，这不算你找到了100个候选分子，只算找到1个骨架，而且后续一旦这个骨架的实测活性不理想，整条线就断了。按骨架聚类后，从每一类里各取几个代表分子去做测试，是控制风险的关键操作。

3.3 分子生成与多目标优化

拿到第一批有初步活性的分子之后，会希望在这个基础上生成结构相近但性质更好的类似物。这时候生成模型的角色就出来了。这里我给一段简化版的伪代码，用来表示基于SMILES自回归生成的流程：

# 伪代码：基于SMILES的分子生成与属性过滤 from molecular_model import SMILESGenerator, PropertyPredictor gen = SMILESGenerator.load("pretrained_model.pt") property_model = PropertyPredictor.load("admet_model.pt") samples = [] gibbs_rounds = 8 for i in range(gibbs_rounds): seed = random.choice(starting_molecules) generated = gen.generate(seed=seed, max_length=120, temperature=0.8) # 逐一打分 for smi in generated: activity_score = property_model.predict("activity", smi) toxicity_flag = property_model.predict("toxicity", smi) synthesizability = calculate_synthesizability(smi) if activity_score > threshold and toxicity_flag < safe_limit and synthesizability > 0.6: samples.append(smi) # 最终去重 + 骨架聚类 samples = deduplicate_and_cluster(samples, similarity=0.7)

这段代码里面的温度参数temperature=0.8决定了生成时的随机性，太高会生成一堆没有意义的废分子，太低则只会机械复读训练集里的结构。0.7到0.9这个区间通常比较合适，具体可以按生成结果的多样性调整。

生成出来的分子还要过一遍“可合成性”评估。我的经验是，一个看起来完美但合成不了的分子，在实际项目里价值等于零。所以要么用规则评估器打一个可合成性分数，要么让经验丰富的化学家看图给意见。后者虽然费人，但却是最可靠的。

3.4 湿实验验证与失败处理

计算完之后就到了最见真章的环节：湿实验验证。这里最大的认知偏差是期待模型预测能百分之百准确。但实际上的命中率，视项目难度和数据量不同，可能只有10%到40%。“命中率不高”不等于模型没用，关键是看你能不能建立“预测-验证-再训练”的闭环。

我的操作方式通常是这样的：第一批先合成10到20个分子，快速拿到活性数据，然后用来校验和改进模型，而不是盲目追求一次性大批量验证。这里有一个经济账：单次做50个分子的实验成本比做20个高二倍还多，但你能从中获取的改进信号，并没有等比增长。

失败处理上，我给出三个原则：

• 如果模型预测高活性但实测没活性，优先查实验条件是否匹配（浓度、溶剂、缓冲液可能完全不同）；
• 如果同一个系列分子高低活性都符合预测，说明模型学到了一些东西，可以从失败样本里找共性特征做负面训练数据；
• 如果完全无序，大概率是数据泄漏或模型特征选择出了问题，回到起点检查。

3.5 一个完整的实操流程表格

下面这张表是我在一个内部项目里常用的流水线总览，方便你对照自身项目做调整。

4. 核心细节解析与实操要点

4.1 分子表征细节：构象生成为什么容易被忽略

在真正搭建流水线时，2D和3D的差距常常会体现为验证阶段的巨大落差。很多模块默认用2D结构，但当你需要做药效团映射、形状相似性比对时，3D构象是绕不开的。我在实操中发现，构象生成的质量直接决定了后续对接和形状筛选的命中率。

构象生成必须注意两点：一是要涵盖足够的构象多样性，二是要保证生成的构象能量上合理。有些工具默认只生成少数几个低能态构象，这会导致分子里柔性链的折叠方式被固定成一种，错过真正能结合靶点的活性构象。我习惯把每个分子生成的构象数量调高，再按能量窗口去掉冗余，这样对接的覆盖度会明显改善。

4.2 训练技巧：批次采样、不平衡处理与早停

训练属性预测模型时，最常见的问题是数据不平衡。比如毒性阳性样本可能只占全部数据的5%以下，如果直接训练，模型会把所有样本都预测成阴性，因为这样“准确率”很高。这不是模型聪明，是大模型在偷懒。

对策有两种：一种是采用加权的损失函数，让少数类样本在训练时获得更高权重；另一种是过采样阳性样本、欠采样阴性样本，但要注意别在验证集上引入样本复制导致的数据泄漏。更稳妥的方案是直接用ROC-AUC或PR-AUC做早停标准，而不用accuracy。我每次跑模型都会同时查看这两个指标，一旦在验证集上出现明显背离，就说明要么指标选择不对，要么模型过拟合了。

4.3 多目标优化的两个常用模式

当你要同时优化活性、溶解度、穿透性和安全性时，不可能靠单一模型搞定。目前我常用的多目标优化方法有两种思路：

• 加权求和：把不同性质分数线性加权成总分数，简单、直观、可控，但需要人工设定权重，且对帕累托前沿不同区域的探索较弱；
• 多目标贝叶斯优化：把不同目标真实地当作多个目标函数，去寻找帕累托前沿上的一组最优解，信息量更大，但计算复杂，需要在每次迭代里权衡样本获取和模型更新的开销。

实操建议是：第一阶段用加权求和快速收敛方向，等到有了一批有希望的区域之后，再切换到多目标贝叶斯优化去探索边界分子。纯靠单一模式，要么方向偏，要么效率低。

4.4 可解释性：让化学家愿意相信你的结果

模型再准，化学家不相信，等于白搭。因此可解释性不是锦上添花，而是落地必需的。我常用的可解释性手段是子结构分析：把预测结果归因到分子里的某个药效团或风险片段上。例如模型预测某个分子有肝毒性高概率，最好能指出是哪个取代基诱导了这一判断。这样化学家就可以针对性地换基团，而不是把整分子推倒重来。

一种轻量级的做法是枚举所有可能的分子片段，用SHAP值或注意力权重分析每个片段对预测的贡献。把它做成一个可视化报告，每次给化学家看的不是一串得分，而是“这个分子哪里有问题、动了哪里能改善”。

5. 实操过程与核心环节实现

5.1 场景：某靶向抗癌项目A85的完整过程

我带过的一个内部代号模拟项目A85的口袋目标是一个激酶家族成员的结构域。公开数据里有一些抑制剂活性和不良反应标注，但来源混杂，需要花大力气清洗。这里完整记录一下当时的处理过程。

数据处理阶段，我先从下载的数据里筛出活性明确标注IC50值且小于10微摩尔的分子，剔除实验条件不清的样本。随后按骨架聚类，发现现有数据主要分布在三个核心骨架上，另外还有一大批是快速翻版的类似物，覆盖度非常有限。这一步让我提前认识到，原始数据经过聚类后化学空间的多样性并没有表面看起来那么丰富。

虚拟筛选阶段，我们从外部化合物库抽取了约80万个分子，用了对接加图神经网络打分融合的策略。最终每一轮从排名前500的分子里挑选50个做人工审阅，人工审阅后剩下25个进入合成与活性测试。第一次实验测下来，命中率大约28%，对于一个结构多样的筛选任务来说，已经算是不错的成绩。

随后用第一轮实测数据作为训练集扩充，重新校准了模型权重，第二轮命中率提升到了接近四成。整个项目最大的收获，不是模型有多强，而是验证数据的回灌闭环在飞快地提升模型质量。如果一开始追求“一步到位”，可能还在原地打转。

5.2 强化学习与奖励函数设计要点

在分子生成环节，我用过一段强化学习驱动优化的方案。核心是对生成器输出的分子做实时打分，基于打分结果更新策略。这里最关键的设计是奖励函数的形状。

奖励函数不应该只有一个“活性得分”，而是至少包含三个部分：

• 目标活性得分（越大越好）；
• 惩罚项（合成难度高、毒性警报、存在不稳定片段都扣分）；
• 多样性奖励（鼓励探索新颖骨架，避免所有样本都堆在同一骨架里）。

这里有个技巧：多样性奖励不能用“当前分子和上一批分子的差异”来实现，那样容易导致模型在批次间剧烈震荡。更稳的单分子多样性度量是与“已生成并确认优质分子集合”的相似度负相关，鼓励去补集里探索。

这个细节看着不重要，实则是稳定性的关键。我早期就走过弯路，奖励函数太激进，导致生成分子在活性和可合成性之间剧烈摇摆，隔几个批次就塌出一种奇怪的化学结构。后来把三项奖励改成对数线性组合，收敛情况才稳定下来。

5.3 临床前的安全性与毒性预测细节

临床前阶段我特别关注三类风险：

• 遗传毒性（Ames试验阳性信号）；
• 肝胆毒性（CYP抑制、转运体相互作用）；
• 心血管毒性（hERG抑制，表现为QT间期延长风险）。

这些风险预测模型的数据来源大多是历史试验数据和公开数据库，存在严重的报告偏倚：被测试过的分子本身就已经偏向“潜在风险较高”的类别。因此直接用这些数据训出来的模型，会对很多结构给出过于悲观的预测。我的对策是引入背景化学空间补偿：在训练时将分子结构相似度纳入协变量，让模型学会区分“这个分子本来就在高风险空间”和“模型对这个分子看走了眼”。

5.4 样本量与统计验证方法

无论多么高级的AI模型，最终的上线都绕不开统计学验证。对于一轮性质预测任务，如果你想验证A模型比B模型在某个指标上显著更优，不能只给一个对比折线图，需要做配对统计检验。一个快速概念示例：

假设两组活性预测误差分别为16个和21个分子（约25%差距），用配对t检验时，P值是否显著取决于样本量和方差。如果样本量太小，哪怕均值差看着大，也可能不显著。实操里我习惯至少准备30个以上独立测试分子，才启动正式对比验证。

这里要特别提醒别用同一批数据反复做检验，那会让显著性变得虚高。根本思路是保留一个从未参与调参的盲测集，所有定论都在这套集上落锤。

5.5 数字孪生与虚拟临床试验的备选思路

虽然“虚拟临床试验”这个说法现在听起来还很前沿，但它代表的思路在临床上已有雏形：用既往对照数据和外部真实世界数据构造虚拟对照组，从而减少实验组所需患者数。这背后依赖高质量的遗传数据、电子健康记录和生物标志物图谱。AI在里面承担的任务是做因果推断，而不是简单预测相关性——比如“这个患者在这条通路上有异常信号，所以对某抑制剂可能有响应”。这一步做扎实了，临床方案就能设计得更聪明。

6. 常见问题与排查技巧实录

6.1 为什么模型在本地验证集上表现好，到新数据上就崩了

这是所有AI药物项目里被问得最多的一个问题。根本原因不外乎三大类：数据泄漏、分布偏移、标签噪声。

数据泄漏最常见的来源是分子相似性太高，训练集和测试集里的分子共享了相同的骨架或相似的片段，导致模型预测“过于乐观”。解决办法是在划分数据集时采用骨架分割而非随机分割。按骨架划分训练集和测试集，让测试集的分子骨架在训练集里从未出现过，这才能真正检验模型的泛化能力。

分布偏移则是训练数据的化学空间和你要预测的新分子空间差异太大。比如训练时以某些杂环结构为主，预测时全是新型螺环，模型自然会崩。解决策略是在预测前先做一个“适用域检测”，计算新分子与训练集的相似度分布，超出范围就明确标注“低置信度”。

6.2 湿实验数据和计算结果系统性不一致怎么办

这类问题通常出现在跨物种外推或实验条件不一致的场景。先不要急着改模型，要先去查实验本身。我遇到的多数情况是：计算基于的是一个特定的体系，而实验用的缓冲液、pH、离子强度或温度不同，差距就放大了。比较务实的做法是为计算模型增加一个“体系校准项”，用已有的少量实验数据回归出一个校正因子，而不是重新训练整个模型。

还有一种少见但致命的情况：蛋白质靶点本身存在多个构象，计算时只用了某一个构象，而实验用的是另一个主导构象下完成的。这种情况属于目标定义错误，不是模型能力问题。如果你发现对接打分和实验活性完全不相关，可以先尝试不同靶点构象做一轮再对接。

6.3 训练成本过高，模型效果却没有更好

算力不该是AI药物发现的瓶颈，但很多时候它成了。一个常见陷阱是：数据量只有几万条，却非要去训练一个大型预训练模型。教育行业有一句话叫“模型越大，数据不够时越容易过拟合”，在这个领域同样成立。

我的建议是，根据数据量将模型选型分成三档：

盲目堆模型规模不仅浪费资源，还可能带来维护和可复现性的额外负担。先小规模试错，确认收益后再扩大训练，是更稳健的路线。

6.4 三个值得长期维护的基础设施

最后分享一个经验，不管项目大小，团队里最好长期维护这三样东西：

• 标准化数据管线：能把任何来源的分子数据清洗成统一格式，并记录每一步处理规则。这是所有模型复现的基础；
• 基准测试集：挑一组覆盖多样化骨架、不同难度任务的数据，只用来评估模型能力，绝不参与训练。每一次模型升级都要在这份基准上报告指标；
• 失败案例库：记录所有“计算预测失败”的案例，包括当时输入了什么、模型输出了什么、实验实际测了什么。这个库是团队最有价值的资产，比任何单独的数据集都香。

结尾：一点个人实操体会

做AI药物发现这几年，我最深的体会就一句话：这个领域真正难的不是AI，而是怎么让AI老老实实嵌入药物研发的齿轮里。模型再先进，落不到实验台上就是一堆漂亮的数字。所以如果你准备做这个方向，别急着追最新论文，先把手头的数据管线打扎实、把验证闭环跑通，再去考虑更高级的生成方法。稳定可复现的流程，要比灵光一现的模型可靠得多。

最后再分享一个小技巧：日常实验里的每一次合成结果，即使当时看是走走弯路，也建议全部结构化记录下来。因为这些“失败数据”在整理后，往往能训练出比你精心准备的公开数据集更贴近真实情况的纠错模型。我在多个项目上都有过这种事——模型的第二版提升，靠的主要不是新模型结构，而是把之前积攒的负样本系统地加了进去。数据会越用越值钱，这套思路无论你做到哪一阶段都适用。