AI药物设计：从虚拟筛选到湿实验闭环的落地与学术社交

1. 会前判断：这场研讨会到底值不值得你排出两天时间

药学前沿学术研讨会这几年肉眼可见地多了起来，主题里带"AI药物设计"的场次尤其密集。我一年大概会挑三到四场参加，剩下的时间靠会议摘要和会后流出的报告材料补课。原因很现实：一场会两三天，路上加住宿，成本不低，而真正能带走的东西往往集中在少数几个环节。所以第一步不是抢早鸟票，而是把议程拆开看，判断这场会的信息密度够不够支撑你走一趟。这篇文章想聊的就是两件事——AI药物设计这条链上到底哪些环节已经能干活、哪些还在讲故事，以及在一个几十人、几百人的会场里，学术社交策略该怎么落地，才能让一次偶遇变成半年后真的能推进的合作。无论你是刚进实验室、只会跑现成流程的学生，还是已经在工业界负责立项、需要判断技术路线的从业者，下面这些判断框架和操作细节都应该用得上。

我踩过的最大一个坑，是把会议当成"听课"。第一年参加这种会，我全程坐在后排记笔记，两天记了十几页，回来发现七成内容在我的项目里根本用不上——因为讲者的体系和我手上的数据规模、靶点类型、算力条件完全不是一回事。后来我改了打法，把会议当成"信息采样 + 人脉建线"的组合任务，效率才起来。

1.1 议程里其实有三层信息，读法完全不同

拿到议程，我会先把所有报告分成三类。第一类是方法学进展报告，讲者通常来自做算法或计算化学的团队，内容偏模型结构、损失函数、基准测试。这类报告的价值在于告诉你"现在的技术上限在哪"，但要警惕他们选用的数据集往往偏干净、偏小，和你手上的真实数据差距很大。第二类是案例复盘，多来自有湿实验配合的团队，讲的是某个靶点从筛选到体内验证的完整链条。这类报告信息密度最高，因为能听到失败环节——哪个化合物在哪个阶段掉了、为什么掉。第三类是墙报和圆桌，看起来最"水"，其实是唯一能一对一提问、试探对方是否愿意合作的场合。

读议程时我会特别看两个信号：工业界讲者和学术界讲者的比例，以及有没有安排"失败经验"或"未解决问题"这类专场。全是成功案例的会，通常学不到真东西；肯把失败摆出来讲的场次，往往能省掉你三个月的试错。

提醒：议程上的标题和实际内容经常对不上。有些报告标题写"生成式模型赋能新药发现"，现场讲的全是两年前已经发表的对接口径，这种场次可以中途溜出去准备墙报提问。

1.2 出发前必须写好的一张问题清单

我现在的习惯是随身带一张 A4 纸，上面只写三类问题，每类不超过五条。第一类是技术卡点，比如"我的靶点没有实验解析结构，只有预测模型给出的构象，用这种结构做虚拟筛选，假阳性率大概会高多少，有没有人做过对照"。第二类是数据需求，比如"活性数据只有百来条、还跨越多个测定体系，这种规模下建 ADMET 模型是不是根本没意义"。第三类是合作方向，比如"我这边能做分子生成和排序，缺合成和体外验证，对方实验室有没有意愿做联合课题"。

这张纸的作用不只是备忘。你在茶歇时能直接问出具体问题，对方立刻就知道你不是来混的。我见过太多人在会场里寒暄十分钟，最后只换来一句"回头加个联系方式"，然后就没有然后了。带着具体问题去，对话质量完全不一样。

2. AI药物设计在研发链条上的真实坐标

先把大图景摆清楚。一个新药从立项到上市，粗略分下去是：靶点发现与验证、结构和口袋确认、苗头化合物发现、先导化合物优化、候选分子确定、临床前研究、临床一期到三期、注册上市。AI 在这条链上并不是均匀分布的，它在某些环节已经成了常规工具，在另一些环节还只能做辅助参考，还有几个环节基本是营销话术的重灾区。搞不清这个分布，你在会上听到任何"AI 让研发周期缩短一半"的说法都没法判断真假。

我的经验是，判断一个 AI 药物设计工作靠不靠谱，先看它有没有闭环。什么叫闭环？就是模型给出的预测，有没有被后续的湿实验验证回来，验证结果有没有反馈到下一轮设计里。只有计算没有实验的，只能叫方法研究；只有实验没有计算的，那是传统药物化学；两头都通、中间有迭代的，才是真正在解决实际问题。开会时听到一个漂亮的结果，我第一个问题几乎总是"这批分子后来合成出来了多少，实测活性和预测的相关性如何"。

2.1 从靶点到可合成分子，中间到底有几步

很多初学者以为流程是"输入靶点结构，输出候选分子"，实际远比这个复杂。我把它拆成六步，每一步都有坑。

第一步，靶点结构获取。有实验解析结构的优先用实验结构，注意分辨率、配体共晶信息、缺失残基。没有实验结构的，用预测模型补，但必须清楚：预测出来的侧链构象误差在几埃量级，直接拿来做精细对接会引入系统性偏差。我的做法是用预测结构做口袋定位和粗筛，精细打分阶段再用同源结构或者分子动力学松弛后的构象复核。

第二步，口袋定义。这是最容易被忽略却影响最大的一步。口袋选错了，后面所有计算都是在优化一个错误的目标。要看的指标包括口袋体积、疏水/极性分布、关键氢键残基、以及有没有结合水的信息。

第三步，苗头发现。主流两条路：基于结构的虚拟筛选（大规模对接 + 打分排序），和基于配体的相似性搜索/药效团匹配。近几年多了一条生成式路线，直接从口袋条件生成分子。

第四步，可合成性过滤。这一步是把计算和现实连起来的关口。生成出来的分子再漂亮，合成不出来就是零。要有逆合成可行性评估和构建块可得性检查。

第五步，先导优化。活性、选择性、代谢稳定性、溶解性、透膜性，这几个指标经常互相打架，这就是多目标优化问题。AI 在这里的价值是建代理模型，减少湿实验轮次。

第六步，候选分子确定。要看体内药代、毒理、安全窗，这一步 AI 的话语权最小，主要还是靠实验数据说话。

2.2 各环节的成熟度分级与合理预期

下面这张表是我自己整理的口径，用来在听报告时快速定位"这个工作处在什么位置"。

看懂这张表，你就能识别出哪些报告是"把成熟工具包装成新突破"，哪些是真的在啃硬骨头。比如一个报告如果没有湿实验验证、只在公开数据集上刷指标，那它大概率属于方法研究，离能用还有距离；而一个报告如果展示了"生成三百个分子、合成八十个、命中十二个"这样的数字，哪怕指标不惊艳，可信度也高得多。

3. 虚拟筛选与分子生成的落地流程

这一节讲具体怎么做。我用一个虚构的模拟项目来说明流程，靶点设定为一个酪氨酸激酶类的口袋，手上有两百来条已知活性数据，没有自己的实验解析结构。这个配置在真实项目里非常典型。

3.1 数据清洗这一步决定了后面所有结果

我见过太多人跳过清洗直接建模，然后困惑为什么模型在测试集上 0.9、在真实化合物上完全不准。问题八成出在数据上。活性数据常见的脏法包括：盐型没去掉、互变异构体不统一、电荷状态混乱、同一化合物在不同测定体系下重复出现且数值冲突、活性单位混用（IC50、Ki、EC50 混在一起）。

清洗的操作顺序我固定为：结构标准化 → 去盐去溶剂 → 电荷与互变异构归一 → 重复化合物聚合 → 活性单位统一到同一量纲 → 按测定体系分层。其中"重复化合物聚合"要做决策：取均值、取最优值还是取最差值？我的经验是，如果重复数据来自同一测定体系，取均值；如果跨体系，优先保留最严格那个体系的数据，把其他体系的数据作为外部验证集，不要混进训练集。这一条能显著降低虚高的指标。

# 分子数据清洗的骨架流程（函数名为示意，实际用任意化学信息学工具包的等价接口） records = load_assay_table("assay.csv") clean = [] for rec in records: mol = parse_structure(rec.structure) if mol is None: continue mol = strip_salts_and_solvents(mol) # 去盐、去溶剂 mol = normalize_tautomer(mol) # 互变异构归一 mol = neutralize_charges(mol) # 电荷归一 if atom_count(mol) < 8 or atom_count(mol) > 60: continue # 过滤明显不合理的小分子/大分子 clean.append((canonical_key(mol), rec.value, rec.unit, rec.assay_id)) # 按标准化后的结构键聚合，冲突数据分层处理 grouped = group_by_structure(clean) train, holdout = split_by_assay(grouped, primary_assay="assay_A")

注意：标准化之后一定要重新生成结构键再聚合。我吃过一次亏，用原始字符串去重，结果同一分子因为书写顺序不同被当成两个样本，训练集和测试集之间发生泄漏，指标虚高了一大截，白高兴两周。

3.2 口袋定义与搜索盒参数怎么算

用预测结构做对接，口袋定义要格外保守。我的流程是：先跑口袋检测拿到候选位点，然后和已知的同源家族配体结合位置做比对，确认位点一致后才继续。如果预测结构里几个候选口袋得分接近，宁可多选一个位点分别筛，也不要把宝押在一个上。

搜索盒的尺寸有经验算法：先估算配体的回转半径，再留出余量。一个三十来个重原子的类药分子，回转半径大约 5 埃，考虑构象伸展和口袋壁的柔性，各方向留 8 埃余量比较稳妥，也就是每个维度大约 26 到 30 埃的边长。盒子太小会漏掉伸展构象，太大则计算量暴涨且假阳性增加。对接的穷举程度参数（决定采样充分性）我一般先用低档做初筛，把命中前 5% 的分子再用高档重跑，这样算力分配最划算。

还有一个常被忽略的点：打分结果要做归一化。不同分子大小、不同电荷状态下原始打分不可直接比较，简单做法是按重原子数做线性校正，或者干脆用"同一靶点内排序 + 与已知阳性对照的相对排名"来解读。我现在的做法是每个批次都放一组已知活性的阳性对照，看它们的排名分布，如果对照组掉出前 10%，这一批结果直接作废重跑。

3.3 生成模型的约束设计与评估口径

生成分子的诱惑力很大，但从我实际跑下来的感受，约束设计比模型选型重要十倍。无约束的生成模型产出的分子，八成以上在化学家眼里是"看着像分子但没法做"。必须加的约束至少有四条：一是分子量与脂溶性控制在类药区间；二是可旋转键数量限制，太柔的分子熵损失大、亲和力上不去；三是合成可行性评分过滤，把明显难做的骨架剔掉；四是构建块可得性检查，确认市售原料能不能拼出来。

生成之后的评估，我坚持三个口径同时看。第一是新颖性，和训练集的最大相似度分布如何，太接近说明只是记忆，太远说明跳出了合理化学空间。第二是内部一致性，用多个独立的打分器交叉评估，如果几个打分器结论严重分歧，说明这个分子处在模型的不确定区，不能当真。第三是湿实验命中率，这是唯一算数的指标。我之前的模拟项目里，从生成池挑了四十个分子送合成，最终拿到可测样品的三十一个，实测有活性的六个，命中率接近 20%。这个数字谈不上惊艳，但比纯随机筛选好得多，而且从这六个里能看出模型的偏好——它倾向于生成含特定含氮杂环的骨架，这个信息反过来可以指导下一轮设计。

心得：不要一次性把生成池里排名最高的分子全送出去。我通常会按"打分 + 骨架多样性聚类"分层抽样，每轮二十到四十个，轮次之间根据结果调整约束权重。一次性梭哈最大的问题是，如果模型有系统性偏差，你会用几十个合成名额去验证同一个错误。

4. ADMET预测：最容易自我欺骗的环节

如果说虚拟筛选的坑主要在口袋和打分，那 ADMET 预测的坑几乎全在评估方法上。这个领域的论文指标动不动就 R² 0.85、AUC 0.92，但真正拿到新化学空间里用，效果经常断崖式下跌。原因不神秘，就是数据泄漏和适用域外推。

4.1 数据划分方式决定指标可信度

同一份数据集，三种划分方式能给出天差地别的指标。随机划分最乐观，因为同一骨架的类似物会同时出现在训练集和测试集，模型只要记住骨架就能拿高分。骨架划分把同一骨架的分子全部放到一侧，指标会掉一大截，但更接近真实使用场景。时间划分按文献发表年份切分，最能反映"用过去预测未来"的能力，通常指标最低。

我在会上听 ADMET 报告，如果对方只报随机划分的结果，我基本会把结论打五折。更值得关注的是他们有没有报告适用域分析——也就是模型在什么化学空间内可信。简单做法是计算测试分子与训练集的相似度，按相似度分箱看误差分布；如果误差随相似度下降而急剧上升，那这个模型就只能内插不能外推。

4.2 适用域之外要敢于说"不知道"

工程上我强制模型输出一个不确定度，超出阈值就直接标记"不预测"，而不是给一个看起来很确定的数字。这个设计在项目里救过我好几次。具体做法可以用集成模型的分歧度、也可以用相似度距离，两个指标任一超阈值就拒答。虽然这样会让"预测覆盖率"下降，但剩下那部分预测的可信度大幅提升，团队里做合成和实验的同事也更愿意相信输出结果。

还有一点值得提醒：不同 ADMET 端点的可预测性差别很大。溶解度、透膜性这类由相对简单的物化性质主导的端点，模型表现通常不错；而代谢稳定性、肝毒性这类涉及具体酶和通路机制的端点，模型经常只能学到相关性而非因果，换个化学系列就失效。开会时听到有人把毒性预测说得跟查表一样确定，我心里会默默打个问号。

4.3 前瞻验证怎么排才不浪费合成资源

我的做法是每季度留出一批"盲测分子"，在模型训练时完全不碰，等湿实验数据回来再统一评估。这批分子要满足两个条件：一是覆盖至少三个不同骨架系列，二是性质分布要有意超出训练集的中心区域，这样才能测出外推能力。数量不用多，每批十五到二十个就够，关键是持续做、形成时间序列。

跑上三四个季度，你就能画出自己的"预测-实测"散点图和随时间的误差趋势。这份内部数据比任何公开基准都值钱，因为它是你自己化学空间的真实表现。我在会上认识的一位做计算的同行，就是靠两年积累的盲测数据说服了合作方继续投入，因为那些数据清楚地显示了模型在哪个性质上可靠、在哪个性质上需要人工复核。

5. 学术社交：把两天会场变成三条长期合作线

技术聊完，说说很多人不好意思承认但确实头疼的部分：学术社交。我个人不太喜欢"社交"这个词，它听起来像任务。实际上会场里有效的人际互动，本质是带着具体问题的信息交换，而不是攒名片。我的目标是每场会结束时，手上能有三条真正能推进的线索，而不是三十个再也不会联系的账号。

5.1 墙报前的十五分钟怎么讲

墙报环节是整个会议性价比最高的时段。你的墙报前站的人流，取决于你前三十秒能不能让人停下。我固定的讲法是三段式：十五秒版本讲清"我解决了什么问题、用什么方法、结果是什么"；如果对方有兴趣，进入三分钟版本，补上技术路线和关键数据；如果对方是做相关方向的，才展开到十分钟版本，聊失败案例和后续计划。

排版上我做减法。一张墙报只留一条主线，图不超过六张，字号保证一米外能读。右下角留固定位置放联系方式和一个二维码，指向补充材料和详细数据。我还会在墙报上故意留一个"待解决问题"的小框，这招很管用——很多人会主动就那个问题跟你聊，对话就这么起来了。

避坑：不要在墙报前抓着一个听众讲二十分钟。旁边想听的人插不进来会直接走掉。我的习惯是讲完三分钟版本就停下来问一句"您更关心哪部分"，把话语权交回去，效率反而高。

5.2 提问环节的三句话结构

提问是最低成本的曝光机会，但很多人要么问得太空泛，要么问成了挑刺。我用三句话结构：第一句复述对方的核心贡献，证明你认真听了；第二句提出具体的、可回答的技术问题，最好是关于方法边界或数据条件的；第三句给一个自己的观察或经验作为交换，比如"我们在类似体系里试过，发现另一类做法在数据量小的时候更稳，不知道您怎么看"。

这个结构的妙处在于，它把提问变成了对等交流，而不是单方面索取。我靠这个方式在茶歇时被讲者主动找过来聊过好几次，因为对方也需要知道自己的方法在别人的真实场景里表现如何。

5.3 会后四十八小时是黄金窗口

这条我执行得比较严格。会议结束后两天内，给所有有价值接触的人发一封短邮件，结构固定：一行说明我们聊了什么、一行给出我承诺的材料链接、一行提出一个具体的下一步。全文控制在八行以内，附件不超过两个。

我统计过自己的情况，会后发出去的跟进邮件，能收到回应的比例大概三成，最终形成实际合作的大约一成。这个转化率不算高，但考虑到每场会的成本，十条线索出一条合作线已经很划算了。关键在于持续跟进，而不是发完一封邮件就等对方回复。

5.4 弱连接的长期维护别用力过猛

学术圈的关系维护有个反直觉的点：频率低但内容实，比高频寒暄有效得多。我一般半年左右给重要的联系人同步一次进展，内容不是"最近怎么样"，而是"我们上季度那批盲测数据出来了，有个结果可能对你的方向有用，附在这里"。这种带信息的接触，对方通常愿意回。

反过来，最忌讳的是只在需要帮忙的时候出现。我见过有人一年不联系，突然发邮件问能不能帮忙合成化合物，回复率基本为零。关系的本质是长期互惠，你得先在别人的问题上花过时间。

6. 现场高频问题与排查清单

最后整理一批我在会议和项目里反复遇到的具体问题，按技术侧和社交侧分开，做成了速查表，可以直接拿去对照。

6.1 技术侧：这些症状对应的病因

症状一：模型指标很好，实测完全不准。九成是数据泄漏，先查骨架划分、查重复化合物、查测试集是否混入了训练集的类似物。剩下的一成是适用域外推，用相似度分箱看误差分布就能确认。

症状二：对接打分排序和实测活性几乎不相关。先确认口袋定义是否正确，再看打分函数有没有归一化，还要检查阳性对照是否掉出了预期排名区间。如果三项都正常，可能是靶点本身柔性太大，静态结构对接的方法上限就在那里。

症状三：生成分子看着漂亮但没人能合成。检查是否加了合成可行性过滤和构建块可得性约束。另外注意生成模型是否在小数据集上过拟合，导致产出严重偏向训练集的少数骨架。

症状四：多目标优化越优化越差。通常是目标之间权重设置不合理，或者用线性加权处理了强非线性冲突。改用帕累托前沿筛选，把决策交给化学家，比自动加权靠谱。

症状五：不同批次结果无法复现。检查随机种子、数据版本、软件版本是否固定。我现在的规范是所有计算流程都记录环境快照和数据哈希，否则三个月后根本说不清当时跑的是什么。

6.2 社交侧：这些尴尬其实都有解

提醒：会场里最容易被忽略的一类人是墙报作者里的年轻研究者。他们的工作往往最新鲜，也最愿意深入聊，而且几年后可能就是某个课题的负责人。我在早期认识的几位，后来都成了长期的合作对象。

6.3 我个人最看重的三个判断信号

听报告时我会留意三个信号，它们比指标更能说明工作的真实水平。第一是有没有阴性结果，愿意讲"我们试了三种方法都失败"的报告，可信度高。第二是有没有湿实验闭环，计算和实验能对上号的，说明团队协作是真的。第三是有没有数据可得性说明，肯公开数据划分细节、模型适用域的，通常经得起推敲。

这三条筛下来，一场会能留下两三个真正值得跟进的团队，已经是很不错的收获了。

说到底，AI 药物设计这个方向最容易犯的错，是把计算当终点。模型输出一批分子，项目就算完成，剩下的交给运气。而我在实际项目里体会最深的一点是：真正决定成败的环节，往往不在模型本身，而在模型前后那些看起来不"智能"的工作——口袋定义准不准、数据清洗干不干净、合成能不能跟上、验证是否闭环。会场里那些愿意花时间讲这些细节的人，通常才是能一起把项目往前推的人，遇到就别放过。