Ensitrelvir Fumaric Acid

在生物语义AI制药第2课：跑通了RDKit，却看不懂输出结果？一篇讲透AI制药的四层生化语义，彻底告别黑盒炼丹篇中，我们学会了"读懂"生命——基因、蛋白...这些药物研发的语言基础。在工具篇AI 制药工具篇：工欲善其事，必先利其器-从 RDKit到DiffDock，搭好你的第一个 AIDD工作台中，我们熟悉了"武器库"——大语言模型、分子生成模型、对接引擎、ADMET 预测器、实验自动化平台，这些是执行任务的手段。 生物语义懂了、作战武器有了，仗怎么打？我知道 RDKit 能算 logP，DiffDock 能跑对接，可这些动作在整个研发流程里，到底站在哪一格？上一格交给我的东西是什么，我该往下交什么？我们需要跑通一个MVP来掌握AIDD的全局地图，避免只见树木不见森林。 这篇不是为了“发现新药”，而是让学习者在正式深入 GNN、Transformer、3D、Docking、Diffusion 之前，先亲手跑通一次完整 AIDD Pipeline，通过MVP建立真正的全局地图。篇幅原因，实践篇需要拆分多篇（导论篇、MCP程序实战篇...），本篇属于实践导论篇，动手之前先认识到AIDD Pipeline的脉络。 适合人群：已跑通 RDKit / DeepChem 基本操作，准备进入分站细节，但还没在脑子里装下全程地图的学习者 本文环境：MacBook Pro 14″（Apple M1 Pro）/ conda 环境 aidd（Python 3.11.14 / RDKit 2026.03.5 / PyTDC 0.4.1 / scikit-learn 1.9.0），分子结构来自 PubChem，全部代码与数字均为本机实测 📑 本文目录 引子 一、先装地图再上路：七站与七份交接物（不是瀑布流，是闭环） 二～三、上游两站：疾病机制与靶点验证（病从哪来，动谁能好） 四～五、中游两站：蛋白结构与苗头发现（长什么样，谁能结合） 六～七、下游两站：命中优化与 ADMET（值得做吗，活得下来吗） 八、第七站干湿闭环：DMTA 循环，以及"什么时候才值得更新模型"（附两组实测） 九、接缝：六道接缝里，项目是怎么漏掉的 十、总结回顾：项目骨架（环境 / 目录 / 工具链 / 故障手册）引子：我们为什么有必要通过MVP先理解AIDD全局地图 在动手之前，先回答一个很容易被跳过的问题：我们为什么要花力气学这条流水线？药物研发不是一次性的翻译或预测任务，而是一条有严格逻辑顺序、且允许反复回环的工程流水线。 本篇将这条流水线拆解为七个环节，让你先看见森林，再走进每一棵树。进入所有细节之前的一次全程导览：把「从疾病到药物」拆成七站，每一站只回答一个问题、产出一份交接物。文中每一个数字都是真的——要么来自公开文献，要么是我在本机 aidd 环境里实跑出来的。 结合AI制药政策篇：《医药工业发展"十五五"规划》给中国创新药出了两道题，AI擅长回答第一道题，却无法独立回答第二道题提到的药物研发的前半程，展开来就是本文的七站。 规划里的说法 翻译成研发动作 对应本文的哪几站找新靶点、新机制 从疾病机制里挖出可干预节点，并证明它值得打① 疾病机制 → ② 靶点发现与验证设计候选分子 拿到靶点结构与口袋，找到起点分子，再把它调成"值得做"③ 蛋白结构 → ④ 苗头发现 → ⑤ 命中优化证明它像个药 活性之外，还要能在人体里活下来⑥ ADMET 与成药性提高产出概率 让每一轮实验都变成下一轮更好的起点⑦ 干湿闭环做成全球重磅产品 临床、监管、生产、准入、商业化 不在本文范围（见文末"还隔着五道关"） 顺手把行业里被用得最滥的一个词说清楚，因为它直接决定了第②站（靶点）值多少钱： 类型 核心问题 特点 AI 能帮到哪FIC 有没有开辟一条新路？ 新靶点或新机制，原创性强、风险高主战场（①②⑦）BIC 在已有路上能不能做得更好？ 疗效、安全性或使用便利性更优 主战场（④⑤⑥）Me-too 能不能做出同类产品？ 机制相近，差异化相对有限 提速但不改变格局 注意 FIC 的两层含义：科学上的首创（发现新靶点/新机制）+ 医学上的验证（证明这一机制在患者身上安全有效）。AI 最擅长第一层，无法单独完成第二层。这正好解释了本文为什么把第七站（干湿闭环）看得和前六站一样重——因为从"AI 觉得它有效"到"人体真的有效"，中间的每一步都得靠实验说话。 还有一句更冷静的话值得先放在这里：AI 的影响力，是沿着研发链条递减的。越靠上游（靶点发现、分子设计），AI 越能改变游戏规则；越靠下游（临床、监管、商业化），AI 越是辅助工具。明白这一点，你就不会在学第七站的时候，误以为"把模型再调好一点"能解决临床失败的问题。 好，地图的边界划清楚了。下面进正题。一、先装地图再上路：七站与七份交接物 第 1 课给过一张「四大环节」表：分子性质预测、蛋白结构、分子生成、虚拟筛选。那是按技术分的。真实研发是按流程走的，一个候选分子要依次过七站： 注意最后那条回头的箭头——药物研发不是瀑布流，而是螺旋上升的闭环。每一次湿实验的结果，都可能推翻上游假设，把你打回更早的一步重新迭代：靶点排错了就回②，构象选错了就回③，库选错了就回④。 但"回环"不是无脑重跑。它有三条纪律（第七站会展开）：数据回传要快、失败归因要准、每轮必须明确"本轮验证什么假设"。否则回环就退化成"换个分子再试一次"，那是最贵的浪费。 我给每一站定了一个统一的「五问」框架。这一篇你只需要记住这五个问题，细节全部留给后面的分站课： 五问 为什么是它① 这一站回答什么问题？ 问题错了，后面全白做② 它吃什么输入？ 输入的上游，决定你能做什么③ 它吐什么输出？ 这就是交给下一站的交接物④ 怎么判断做得对？ 每一站的"考试卷"不一样⑤ 最大的坑是什么？ 每站都有自己最经典的死法 如果嫌五问太长，还有个更短的记法——七个动词，一句话装下整条流水线： 疾病机制找因果，靶点找可干预节点，结构找口袋，苗头找起点，优化找平衡，ADMET找风险，闭环找证据。 但光有主线还不够。七站之所以能跑起来，是因为下面垫着三层能力——这也是这个系列的骨架：生物语义篇解决第一层，工具篇解决第二层，实践篇把三层串成一条能跑的链。 图 1｜一条主线，三层支撑：生物语义层负责"连接"，工具算法层负责"执行"，实验决策层负责"裁判与回流" 三层里最容易被忽略的是生物语义层：疾病要有统一编码（MONDO / HPO），基因和蛋白要有统一标识符（UniProt / Ensembl / ChEMBL），否则你的模型、你的数据、别人的数据永远接不上——这也是第六课反复讲的"标识符是数据世界的经纬度"。而最容易被高估的是第二层：工具再好，没有第三层（实验）的校准，它就只是一个昂贵的预测器。 最后，每站还有一个"刹车"——Go / No-Go 决策门。证据不够就停下，比带着误差往前冲便宜一百倍： 站 继续（Go）需要什么 停下（No-Go）的信号① 机制 有因果证据（干预可逆转表型），有可干预分子节点 只有相关性；假说无法被证伪② 靶点 可成药 + 安全窗口 + 遗传学证据支持 敲除致死 / 证据全靠单一来源③ 结构 口袋明确，置信度足够支撑对接或生成 pLDDT 低且无实验结构；无序蛋白④ 苗头 有活性、可验证、结构多样、可获得 只有一种骨架；活性测不出来⑤ 优化 活性与理化性质同步改善（LE/LipE 不掉） 活性上去了、选择性或溶解度崩了⑥ ADMET 风险清单明确且可通过结构解决 hERG / 肝毒等硬伤无解⑦ 闭环 预测误差在收敛，数据在回流 实验只做验证、从不修正模型 整张地图先存在手机里，我们出发： 图 2｜七站流水线：每站一个核心动作（绿色胶囊）；左侧红色虚线是回环——第七站的真实数据可以打回 ②~⑥ 任意一站二、第一站 疾病致病机制分析：病，到底是哪一步坏了？ 所有药的故事，都从一个机制问题开始。最好的例子是人类征服慢性粒细胞白血病（CML）的前半场： 1960 年，两位美国病理学家在 CML 患者的细胞里发现了一条异常的小染色体——后来的「费城染色体」；1973 年，罗利（Janet Rowley）用染色体染色技术证明它是 9 号和 22 号染色体易位的结果；1984 年前后，学界确认这条易位产生的融合基因 BCR-ABL 编码了一个持续开机的酪氨酸激酶——这就是 CML 的病因。 从「发现异常染色体」到「锁定驱动基因」，人类花了二十多年。这就是第一站的全部工作：把"这个病人病了"压缩成"这个分子步骤坏了"。 AI 在这一站做什么？四个字：找信号、排因果。具体拆开是三类活： AI 的活 吃什么 典型工具 / 数据文献与文本挖掘 数百万篇文献、专利、临床试验记录 LLM / 知识图谱组学差异分析 转录组、蛋白组、单细胞数据（病人 vs 健康） GEO / TCGA / PandaOmics网络与通路推理 基因互作网络、通路数据库 STRING / KEGG / GO 先感受一下数据的量级。UniProt 蛋白数据库 2026_01 版收录了约 6750 万条蛋白序列，但其中经过人工审阅注释的 Swiss-Prot 只有约 56.7 万条——不到 1%。也就是说，绝大多数蛋白我们连"它是干什么的"都还没弄清，更别说它在疾病里扮演什么角色。第一站的贫瘠，是整条流水线所有不确定性的源头。 AI 在这一站真正的价值，是帮你不遗漏、不偏倚地拼出全貌：一个人一周读 20 篇文献，一年 1000 篇；LLM + RAG（检索增强生成）一小时能综述两万篇摘要，并把分散的证据拼成一张通路网络。但请注意它拼出来的是"文献里的共识"，而共识有可能是错的。 这一站最大的坑：相关 ≠ 因果。 某个基因在病人组高表达，可能它是病因，可能是结果，也可能只是混淆变量。机制假说必须能被干预实验证伪——这正是下一站存在的理由。三、第二站 靶点发现与验证：动哪个蛋白，病能好？ 第一站给你一堆「嫌疑人」，第二站要找出「真凶」，并且拿出证据。这个证据有个专门的名字：靶点验证（Target Validation）。 证据分两个等级。遗传学证据是金标准：敲除/敲低这个基因，病表型是否逆转？人群里天然携带该基因功能缺失突变的人，是不是确实更健康（或更病）？药理学证据是第二级：用工具化合物抑制它，是否有效？有没有脱靶效应混淆？ 顺便要回答一个工程问题：这个靶点可成药吗？它表面有没有能装小分子的口袋？属于哪个蛋白家族？人类基因组约两万个蛋白编码基因里，历史上被药物成功命中的靶点只有几百个的量级——大部分蛋白根本没有合适的口袋。 这一站 AI 的角色是排序与打分，不是拍板。Open Targets 把遗传学证据、组学证据、药物信息、动物模型证据加权成一个靶点关联分；DepMap 用几百株癌细胞系的基因敲除数据回答"哪些肿瘤真的依赖这个基因"。它们做得再好，最后的验证也必须是湿实验：CRISPR 敲除、类器官、动物模型。 CML 的后半场故事就发生在这里：BCR-ABL 这个靶点，从机制确认到药物上市，又走了近二十年——但它的验证链条极硬：几乎每个 CML 病人都携带同一个融合基因，敲掉它细胞就恢复正常。这种「一个病一个明确驱动靶点」的干净局面，在常见病里非常罕见。更多疾病的现实是：没有单一真凶，只有一张失衡的通路网。 这一站最大的坑：热门靶点拥挤，冷门靶点缺证。 大家都在做的靶点，意味着成药路线被反复验证（风险低），也意味着红海竞争（差异化难）；AI 挑出的全新靶点，往往证据链单薄，验证成本极高。第二站的真实工作量，常常被严重低估。四、第三站 蛋白质结构预测与分析：靶点长什么样？口袋在哪？ 靶点定了，接下来要"看"它。看结构是为了回答一个具体问题：药从小分子的世界里飞过去，会停在哪？ 这一站是过去五年被 AI 改变最彻底的一站。半个世纪的实验结构生物学，给 PDB 库攒下了约 25.5 万条实验结构（截至 2026 年年中）；而 AlphaFold 在 2022 年一次性发布了约 2 亿条预测结构，如今 AlphaFold DB 的规模已到 2.41 亿条（2025 年 9 月与 UniProt 同步后的官方计数）。CASP14 评测里，AlphaFold2 的中位 GDT 得分 92.4，首次把"预测"做到了与实验结构相当的量级。 但我在这里必须泼第一盆冷水，也是这一站的五问之⑤： 预测结构 ≠ 实验结构，三件事 AlphaFold 帮不了你： ① 构象是动态的。同一个激酶，活性态和非活性态的口袋形状完全不同——伊马替尼之所以能精准抑制 BCR-ABL，正是因为它识别的是 DFG-out 这个非活性构象，而静态预测结构未必给出这种姿态； ② pLDDT 分数低于 70 的区域（尤其无序片段）不要拿来设计； ③ 没有口袋 ≠ 没有药。变构位点、蛋白-蛋白相互作用的浅口袋，是另一套玩法。 第三个坑值得单独说，因为它既是难点也是机会：隐性口袋（cryptic pocket）。有些蛋白在静态结构里看不出任何口袋，但它会在热运动中短暂"张开"一个深腔——只在构象系综里出现，不在晶体结构里出现。抓它的标准做法是：分子动力学（MD）长时间模拟 → 用 t-ICA / VAMPnet 这类降维方法找出慢自由度 → 聚类提取代表性构象 → 再用 fpocket 扫描。第十节的 KRAS 案例，就是靠这一招翻盘的。 实操上，这一站的动作是：从 PDB 找同源实验结构 → 没有就用 ColabFold 跑预测 → 用 fpocket / DoGSiteScorer 找口袋、算体积和疏水性 → 用 pLDDT 和实验残基突变数据交叉检查口袋是否可信 → 关键项目再加一轮 MD 看构象柔性。2024 年的 AlphaFold 3 把预测范围扩展到了蛋白-配体、蛋白-核酸复合物，但物理化学细节（尤其共价结合）仍要以实验结构为准。五、第四站 苗头化合物发现：从百亿库里捞几百个 有了口袋，终于可以请分子登场了。第四站的问题听起来简单：谁能结合上去？难的是分母。 类药化学空间的文献估计在 10^60 这个量级——这个数大到宇宙里的原子都不够分。而如今"可按需合成"的化合物库已经多大？Enamine 的 REAL Space 在 2026 年的版本里有约 945 亿个结构（全部来自已验证的合成路线，下单后 3–4 周交付，合成成功率约八成）；ZINC-22 收录了约 549 亿个可检索结构。第四站就是把 945 亿压缩到几百个——压缩比接近一亿分之一。 压缩的手段分层，成本从低到高： 真实项目里这五层是漏斗关系：先用便宜的方法把 945 亿砍到百万，再用对接砍到千，最后人工挑几百个进湿实验。 这一层的工具这几年换得很快，可以粗分三条路： 1）基于结构的虚拟化筛选（口袋已知，用对接 + 深度学习打分函数，或直接让 GNN 端到端预测亲和力）； 2）基于配体的虚拟化筛选（口袋未知但有几个已知活性分子，用分子指纹 / 语义表征做相似度检索）； 3）从头生成（什么都不用给，让扩散模型或 Transformer 在口袋里"长"分子）。三条路可以并行跑，最后合并去重。 本机实测：只按分数"掐尖"，化学多样性会坍缩 第四站有一条容易被忽略的要求：苗头名单要够杂。理由很实际——如果 top 100 全是同一个骨架，第五站一旦撞墙（活性上不去、或者出现毒性），你就没有替补了。 我用一次真实的取值模拟了这个现象：拿上面那个在历史系列上预训练的模型，对一个 408 个分子的候选池（骨架与训练集不相交）打分，像虚拟筛选那样按分数从上往下取： 取法 名单规模 名单里的 Murcko 骨架数 只按预测分数掐尖 20 个6 种 同批候选 + 多样性重排 20 个20 种（100%） 只按预测分数掐尖 50 个15 种 同批候选 + 多样性重排 50 个37 种 只按预测分数掐尖 100 个24 种 同批候选 + 多样性重排 100 个40 种 同一个候选池、同一份榜单，只多做一步"同骨架去重"的动作，一份名单的骨架数就能翻倍。原因是打分模型会系统性地偏爱某一类分子，头部天然聚集。记住这条：虚拟筛选的最后一步永远是重排，而不是排序。本机实测：相似性搜索的直觉，有时候是反的 我从 PubChem 拉了六个真实分子的结构，在本机算了一张 Morgan 指纹（半径 2，2048 位）Tanimoto 相似度矩阵。先看一行最有趣的： 相似度对 Tanimoto 说明 Nirmatrelvir ↔ PF-00835231（它自己的前体） 0.224 同一个药的"上一步" Nirmatrelvir ↔ Boceprevir（一个 HCV 药）0.425 隔着一个物种的"亲戚" Nirmatrelvir ↔ Imatinib（抗 CML，无关药） 0.083 对照 一个分子和它的"亲儿子"相似度只有 0.22，和一个丙肝药反而有 0.42。这背后是第五站要讲的骨架跃迁——奈玛特韦直接借用了博赛泼维（boceprevir）的双环脯氨酸片段来模拟亮氨酸残基。但放在第四站，它先教会我们一件事：相似性搜索找到的是"长得像"的分子，不是"能治病"的分子。你的 query 长什么样，决定了你会捞到什么样的世界。本机实测：过滤器会误杀真药 捞上来的分子要过三道体检：Lipinski 五规则（类药五原则）、Veber 规则（柔性与极性）、结构警报（PAINS / BRENK——专抓"频繁假阳性"的反应性基团）。我用 RDKit 的 FilterCatalog 给六个真实分子跑了 PAINS + BRENK，结果： 分子 身份 Lipinski 违规 结构警报 PF-00835231 苗头（未上市） 0 通过 Nirmatrelvir已上市（Paxlovid） 0 通过 Boceprevir已上市（HCV） 1（MW>500）命中 diketo_group Ensitrelvir已上市（日本） 1（MW>500）命中 halogenated_ring_1 Imatinib已上市（格列卫） 0 通过 Ritonavir已上市（Paxlovid 组分之一） 2（MW、logP） 通过 六个分子里有三个是上市药，其中两个被结构警报命中。过滤器是统计学经验，不是物理定律。它们的正确用法是"命中了要人工多看一眼"，而不是"命中了直接扔"。 复现这几张表只需要十几行代码（完整脚本：aidd_practice/pipeline_demo.py）： 生成模型给出的分子，必须过"能不能造出来"这一关 这一站现在多了一种玩法：不再只从库里筛，而是用 3D 生成模型（DiffSBDD、TargetDiff 一类）在口袋里"长"出新分子，或者用 REINVENT 这类强化学习模型按目标函数造分子。但生成模型的输出有一个必踩的坑——幻觉分子：打分漂亮，物理上却不合理，或者根本合成不出来。 所以输出端必须有硬过滤三件套：合成可及性 SA score（1 分好合成、10 分极难）、结构警报（PAINS/BRENK）、构象应变能（用 RDKit 的 MMFF/UFF 力场做能量最小化，剔除应变能过大的"张力环/高能构象"）。SA score 我在本机给这六个分子都算了： 分子 SA score 说明（1=易合成，10=极难） Imatinib2.33 结构规整，易合成 Ensitrelvir 3.30 — PF-00835231 3.72 优化后 SA 反而从 3.72 升到 4.58：引入刚性双环片段让分子更好用，也更难造——这就是第五站必须做的取舍之一Nirmatrelvir4.58 Boceprevir 4.14 — Ritonavir 4.19 手性中心多，仍能量产上市 这一站最大的坑：假阳性比假阴性更贵。 一个 PAINS 类分子会污染你之后所有的 SAR 数据、烧掉几轮合成预算，还会让团队对一个本该放弃的系列恋恋不舍；一个不可合成的"幻觉分子"则会白白消耗掉化学家两周时间。所以宁可错杀一千的警报，也要配上人工复核这一步。六、第五站 命中化合物优化：把"能结合"变成"值得做" 苗头化合物（Hit）只是"能结合"，离"值得做成药"还差得远。第五站是整条流水线上最烧钱、最依赖 medicinal chemistry 手艺的一站，也是 AI 最想介入的一站。 先看一个教科书级的手工优化案例——伊马替尼。药化团队从 PKC 筛选得到的苯氨基嘧啶苗头出发，一步步： 结构改动 换来了什么 加 3′-吡啶基 细胞活性增强 苯环上加酰胺 获得酪氨酸激酶抑制活性 氨基苯环 6 位加甲基 失去对 PKC 的活性 → 选择性提升（副作用下降） 引入 N-甲基哌嗪 水溶性与口服生物利用度大幅改善 加酰胺连接子 + 苯环隔开苯胺 消除苯胺结构的致突变隐患 → 安全性 五步改动，一步提活性、一步提选择性、一步提口服吸收、一步保安全——没有一步是在"提升结合强度"。这就是第五站的真相：苗头到先导，是多目标取舍的艺术。再看一个"AI 时代"的版本：奈玛特韦的三次手术 该案例主要向大家展示：辉瑞团队如何将一个在试管里堪称完美、但在人体内毫无用处的“废柴分子”，通过三次精准的“外科手术”，改造成拯救了无数人的新冠神药 Paxlovid（奈玛特韦）。奈玛特韦的原理不是“把抑制病毒的能力做得更猛”，而是把一个“活性超强但进不了人体”的分子，改造成“活性稍弱、但能口服进入人体并达到足够血药浓度”的药。核心矛盾：试管里的“战神”，人体内的“废柴”故事的主角 PF-00835231 是一把在实验室里打造的“超级重型钥匙”。PF-00835231 是辉瑞在 2002–2003 年 SARS 疫情期间留下的苗头化合物，对 SARS-CoV-2 主蛋白酶（Mpro）的 Ki 达到亚纳摩尔级（0.27 nM，Hoffman 等 2020）——但它的口服生物利用度只有约 1.4%（大鼠），只能静脉注射。优点（活性极高）：它和病毒蛋白酶（锁）的匹配度极高，结合力达到 0.27 nM（Ki 值越小越好，相当于 100 分满分）。致命缺点（口服不吸收）：它的口服生物利用度只有 1.4%。意思是，你吞下 100 毫克药，只有 1.4 毫克能进入血液到达战场，剩下的 98.6% 都在肠道里被浪费或排泄了。它只能打吊瓶（静脉注射），这在居家抗疫时根本行不通。 为什么进不了血液？ 因为它犯了药物化学的“三大忌”：太粘人（氢键多）、太胖（分子大）、太软（可旋转键多）。 2020 年，Owen 团队（辉瑞（Pfizer）全球研发部门的高级科学总监（Senior Scientific Director）和资深药物化学家）对它动了三次手术，最终得到奈玛特韦 Nirmatrelvir。 手术 理由 ① 羟甲基酮弹头 → 腈基 可逆共价仍然保住，但减少氢键供体、降低反应性、改善口服暴露 ② 吲哚封端 → 三氟乙酰胺 去掉大块疏水基团，减小分子、减少可旋转键 ③ P2 位换 6,6-二甲基双环脯氨酸 直接借鉴已上市 HCV 药 boceprevir 的片段，刚性模拟亮氨酸口袋 我在本机把这两个分子（PF-00835231 vs Nirmatrelvir）放在一起算了完整画像（结构来自 PubChem，RDKit 2026.03.5 实测）：实测代码篇幅原因放在下一篇，欢迎关注、留言、私信交流。 指标 PF-00835231 Nirmatrelvir 变化 分子量 MW 472.5 499.5 +27.0，稍微变大，但不是关键 氢键供体 HBD 53 −2，去掉了 2 个“魔术贴”（羟基），换成了光滑的腈基。分子变得“不那么粘水”了，从而大幅提升了肠道穿透力（口服吸收率）。 氢键受体 HBA 6 5 −1 可旋转键 RotB 116 −5，可旋转键决定了分子的“柔软度”。11 个旋转键意味着这个分子像一根 “软趴趴的面条”，在血液中扭来扭去，不仅很难精准卡进病毒的锁孔，还极易被肝脏的代谢酶“咔嚓”剪断。代谢稳定性大幅提升。 TPSA（极性表面积） 149.6131.4 −18.2，TPSA 是衡量分子“亲水外壳”大小的指标。通常口服药的 TPSA 建议在 140 以下，成功拿到了进入血液的“安检通行证”。 Fsp3（三维性） 0.500.78 +0.28，引入双环结构后，奈玛特韦从一个“半扁平”分子变成了一个 “饱满的 3D 球体”。这不仅让它更精准地契合病毒口袋，还大大降低了毒副作用 QED（成药性评分） 0.3280.504 +0.18，分子的综合体检分。从 0.328（偏科的废柴）跃升到 0.504（各项指标均衡的优等生）。 代价与收益放在一起看，才看得懂这次优化： 活性：Ki 0.27 nM → 3.11 nM（弱了约 11 倍）口服生物利用度（大鼠）：1.4% → 约 50% 图 3｜PF-00835231 → Nirmatrelvir：氢键供体 −2、可旋转键 −5、TPSA −18.2，换来口服暴露 36 倍的提升 主动弱化 11 倍的结合力，换 36 倍的口服暴露——一个进不了人体的 0.27 nM，和一个能口服的 3.11 nM，后者才是药。2021 年 12 月 22 日，FDA 紧急授权了奈玛特韦/利托那韦（Paxlovid）；III 期 EPIC-HR 试验显示它把高危患者的住院/死亡风险降低了 89%。衡量"值不值"的两把尺子 药化圈为此发明了效率指标，最常用的是配体效率 LE（= 1.37 × pKi ÷ 重原子数）和脂质效率 LipE（= pKi − cLogP）。本机实算： 分子 Ki / IC50 LE LipE 解读 PF-00835231 0.27 nM (Ki) 0.3868.68 同一个分子，两把尺子给出相反的排序——指标本身就是取舍的一部分 Nirmatrelvir 3.11 nM (Ki) 0.333 7.41 Ensitrelvir 13 nM (IC50) 0.292 5.55 注意这行结论：LE 眼里 Nirmatrelvir 更"划算"（原子更少、单位原子产出的活性更高），LipE 眼里反而是前体更好（它更亲水）。连"效率"都不是一个客观标准。通常经验值 LE > 0.3 值得继续，但最终说什么算数，得回到人体。优化的本质：在多目标约束下找帕累托前沿 第五站不是"爬活性梯度"，而是在多维约束里找帕累托前沿——活性、选择性、溶解度、代谢稳定性、合成容易度，任何一维都不能单独决定胜负。用强化学习（REINVENT）时，这一步就写进 Reward 函数里，比如：亲和力 ×0.4 + 选择性 ×0.3 + 溶解度 ×0.2 + 合成容易度 ×0.1。多目标贝叶斯优化（MOBO）和 Matched Molecular Pair（MMP）分析则负责"系统性地枚举改造"而不是靠灵感。 至于自由能微扰（FEP+ / 开源 OpenFE），它最擅长的其实很窄：同一个骨架上的小基团局部微扰（−H→−F、−CH₃→−CF₃、−OCH₃→−CN）带来的 ΔΔG。加一个苯环这种大改动，误差会大到不可信——这种情况请交给对接 + MM-GBSA。第十节会给出一个 FEP 最经典的用法：算选择性窗口。 这一站最大的坑：SAR 数据是"自家的"，模型却想学"全世界的"。 公开数据集的活性测法五花八门，自家系列的数据高度相关且稀少。用公开数据训模型直接指导自家优化，经常水土不服。别忘了一个更朴素的约束：AI 提议的分子，化学家得造得出来——逆合成可行性（AiZynthFinder 一类工具）应该和活性打分一样，写进这一站的硬条件。七、第六站 ADMET 与成药性评估：它能在人体里活下来吗？ 第 1 课讲过「药性五问」：吸收、分布、代谢、排泄、毒性。这一站就是给先导化合物做全面体检。体检分两档：便宜的计算预测（RDKit 描述符、TDC 的 ADMET 基准、各类 hERG / CYP / Caco-2 预测模型），和昂贵的湿实验（肝微粒体稳定性、Caco-2 跨膜、hERG 心脏毒性、动物 PK）。 本机把六个分子的完整画像算了一遍，请你先只看 Ritonavir 那一行： 分子 MW cLogP TPSA HBD RotB QED 本机体检结果 PF-00835231 472.5 0.89 149.6 5 11 0.328 Lipinski 通过；Veber 超标 Nirmatrelvir 499.5 1.10 131.4 3 6 0.504 全部通过 Boceprevir 519.7 1.71 150.7 4 8 0.360 1 项违规；警报命中 Ensitrelvir 531.9 2.33 117.5 1 6 0.334 1 项违规；警报命中 Imatinib 493.6 4.59 86.3 2 7 0.389 全部通过Ritonavir721.05.91 145.8 4170.1062 项违规，QED 全场最低 Ritonavir——分子量 721、cLogP 5.91、可旋转键 17、QED 只有 0.106，六分子里"最不成药"的一个。但它就躺在 Paxlovid 的药盒里。 因为 Paxlovid 的设计逻辑根本不是"两个都成药"，而是分工：奈玛特韦是 CYP3A4 的底物，会被肝脏快速代谢；利托那韦恰好是强力 CYP3A4 抑制剂，把它摁住，让奈玛特韦的血药浓度撑过治疗窗口。这个"增效剂（booster）"策略在 HIV 治疗里用了二十多年，被辉瑞原样搬了过来。 具体查什么？常见清单长这样：吸收（Caco-2 渗透性、P-gp 外排）、分布（血浆蛋白结合、血脑屏障穿透）、代谢（CYP450 抑制与代谢软点）、排泄、毒性（hERG 心脏毒性、肝毒性、遗传毒性）。常用工具包括 ADMETlab、SwissADME、各类 hERG / DDI 预测器；共价抑制剂还要额外查弹头反应性（比如谷胱甘肽 GSH 捕获实验，评估亲电弹头是否会在血液里被非特异性消耗）。 所以第六站教的是三件事： ① 规则是统计经验，不是物理定律。Lipinski 违规的药一大把，QED 最低的分子照样上市。规则的价值是"提示风险"，不是"一票否决"。 ② ADMET 问题常常要靠"设计方案"解决，而不是靠"换分子"解决。前药、增效剂、缓释、联用，都是绕过 ADMET 限速步骤的工程手段。 ③ 别把 ADMET 放到第六站才做。它应该从第四站就作为筛选约束嵌进去——越晚发现毒性/代谢问题，代价越高。低置信度的 AI 预测也不该直接放行，而应该触发实验复核。八、第七站 干湿闭环验证：模型说的对吗？ 前六站一路走完，你以为终点是药。其实终点是一个循环： 为什么循环是灵魂？因为所有前六站的模型，都是"旧数据上的考试"，真正的新知识只能从实验里来。而实验是整个行业最贵的资源，每一轮做哪些分子，比做多少个重要得多。 业内给这个循环起了个名字，叫 DMTA——Design（设计）→ Make（合成）→ Test（测试）→ Analyze（分析）。请注意这个缩写里藏着一个残酷事实：AI 只直接参与四个字母里的一个半。计算（D）可能只要几小时，而排队合成、检测等待、数据整理（M、T、A）往往要几周。所以第七站真正的瓶颈通常不在模型精度，而在一圈要转多久。 第七站用到的"尺子"也和前面完全不同——前面是算力尺子，这里是物理尺子： 实验 测的是什么 为什么非做不可生化 assay （HTRF / 荧光偏振） 酶活层面的 IC50 最便宜的第一道闸SPR / BLI / ITC 结合动力学 kon / koff 驻留时间（residence time）往往比 IC50 更能预测体内药效LC-MS 质谱 分子量是否增加 共价结合的唯一"实锤"细胞 assay 真实细胞里的增殖抑制 把"渗透不进去"和"被外排泵泵出"这两类问题暴露出来动物模型 PK / 药效 / 毒性 进入人体前最后一道 AI 药物研发中“干湿闭环（Active Learning & Model Updating）”最容易踩坑的两个核心问题：“实验预算有限时，该挑哪些分子做？” 以及 “湿实验数据拿回来后，该怎么喂给 AI？”。我可以拿本机实验证明。我用 TDC 的 Caco-2 渗透性数据集（910 个真实分子）做了一个对照：初始 100 个已标注分子，每轮加做 50 个，一共 6 轮。一条线随机挑分子，另一条用主动学习——让随机森林挑"模型最拿不准"的分子先做实验。三个随机种子平均后的结果： 已完成"实验"数 随机选样 R² 主动学习 R² R² 差值 100 0.397 0.397 0.000 200 0.471 0.515 +0.044 250 0.495 0.545 +0.050 300 0.5050.572+0.068 350 0.545 0.589 +0.044 400 0.594 0.611 +0.017 R² 可以先粗略理解成： 模型能解释多少真实数据里的变化。简单说，R² 越接近 1，模型预测越准。0.5 左右说明模型已经能抓住一半左右的规律。 图 4｜同样的实验预算，会挑分子的一方精度更高；但预算充足后，差距会收敛 两个结论，一正一反，都很重要： 正：在研发早期（预算紧张），用“错题本”策略（主动学习），达到同样的 R²≈0.545，随机选样要做 350 个实验，主动学习 250 个就够——省下 100 次实验，约 29% 的预算。 反：如果经费无限，样本充足后（400 个），差距缩到 0.017。闭环的价值在预算紧张时最大，而预算紧张恰恰是真实研发的常态。 核心循环只有十来行（完整脚本：aidd_practice/al_loop.py）： 把数据喂回模型：十几个数据就急着微调，多半是在灌噪声 上一个实验解决的是"挑哪些分子去做"。这一小节解决后半段——实验数据回来了，怎么用？直觉答案是"拿去微调模型"，但这里藏着一个反直觉的坑，值得用数据说话。全参微调 vs LoRA（数据拿回来怎么用？） 我搭了一个尽量贴近真实的对照：用 TDC 的 Lipophilicity 数据集（4200 个真实分子，标签是实验测定的 logD7.4），按 Bemis-Murcko 骨架做切分——历史系列 3092 个分子用于预训练，"自家新系列"的 408 个候选分子与训练集骨架完全不相交（现实中新项目的新系列大概率长这样）。然后模拟一轮轮累积回传：每轮用累计到手的那批数据更新模型，考核两件事——新系列学会了没有，以及旧知识被破坏了多少（3 个随机种子平均）： 累计回传 全参微调新系列 RMSE Δ 全参微调历史 Δ 始终在 +0.002 到 +0.026 之间，旧知识基本没被破坏太多。 LoRA 适配器新系列 RMSE Δ，LoRA 通常被认为能防止灾难性遗忘，但在这个实验里，它反而两边都输给了全参微调。 LoRA历史 Δ 8 个 −0.002，数据太少，学了等于没学 +0.002 +0.029 +0.068 20 个 +0.031，十几个数据就急着微调，多半是在灌噪声 −0.007 +0.029 +0.039 50 个 −0.020 +0.009 +0.018 +0.053 120 个−0.123，终于开始明显变好 +0.011−0.074 +0.048 250 个−0.208，新系列学得不错 +0.026−0.145 +0.053 Δ = 该策略的 RMSE −「完全不更新」的 RMSE（负值代表改善）。不更新基线：新系列 1.029 / 历史系列 0.961。三种方式使用完全相同的学习率（1e-3）与迭代轮数（40），唯一差别是"哪些参数能动"。 RMSE 是什么？均方根误差，越小越好。Δ 是变化量： 负数 Δ = RMSE 下降 = 变好了，表示误差降低（模型变好） 正数 Δ = RMSE 上升 = 变差了，为正数表示误差升高（模型变差或遗忘）。 全参微调 vs. LoRA 的博弈 新系列学习能力：全参微调（$-0.208$）大于 LoRA（$-0.145$）。因为全参微调解锁了所有权重，对全新化学空间的拟合上限更高、适应更快。 历史知识保护：LoRA 在极小样本（如 8–20 个）时对历史知识的扰动相对平缓，但当样本量足够时，两者都会对旧骨架产生一定的适应性牺牲（灾难性遗忘）。 图 5｜上：第七站的真实形态是一圈 DMTA；下：累计回传多少个分子，才值得更新模型（本机实测） 三条结论，每一条都能直接指导你的第一周： ① 回传 8~50 个分子时，别急着动模型。三种做法的表现都落在噪声里，全参微调在 20 个数据点时甚至把新系列 RMSE 变坏了 0.031。十几个数据点不足以移动一个在三千分子上训过的模型，你喂进去的多半是噪声。 ② 收益在累计到 120 个之后才稳定出现。全参微调 −0.123 → −0.208，LoRA −0.074 → −0.145。在此之前，"更多数据"比"更好的更新算法"重要得多。 ③ 进步一定有代价，账要两边算。全参微调学得最多（−0.208），但历史系列的 RMSE 退化 +0.026；表格右边两列提醒我们——学新东西的同时，旧本事正在悄悄变差。LoRA 不是"防遗忘护身符" 近两年流行用 LoRA（低秩适配器）做增量微调：冻住预训练主干，只训练旁路那一小组低秩矩阵。常见的宣传是"它不会灾难性遗忘"。我把适配器自己的学习率也拉出来做了对照，结果并不支持这个说法： 更新方式（累计 250 个分子） 学习率 新系列 RMSE Δ 历史系列 RMSE Δ 全参微调 1e-3−0.195 +0.023 LoRA r=8 1e-3 −0.168+0.090 LoRA r=8 3e-4 −0.098−0.011 LoRA r=8 1e-4 −0.040 −0.014 看明白了吗：学习率 1e-3 的适配器，对历史知识的破坏（+0.090）比全参微调（+0.023）还要大三倍。低秩只限制了"改动的方向数量"，没限制"改动的幅度"。真正让它既学到东西（−0.098）又不伤旧本事（−0.011）的，是把学习率调到 3e-4——起作用的是保守的更新幅度，不是那个 r 参数本身。 图 6｜左：同样的数据，不同更新方式的"收益 / 代价"双账本；右：参数隔离才是 LoRA 的硬优势 但 LoRA 有一项优势是我实测确认、且无法用调参替代的——参数隔离。同一份冻结底座（1342.1 KB），给三个系列各挂一个 57.3 KB 的适配器，三个系列互不干扰，而底座权重前后逐位一致。它的真实价值不是"不忘 refugee 知识"，而是：一个底座服务多条管线：A 项目的银屑病系列、B 项目的实体瘤系列各挂各的插件，不必为每个项目维护一份完整模型副本；更新可逆、可回溯：哪一轮 wet-lab 数据出了问题，拔掉那个适配器就回到上一版，训练成本低到可以每周跑一次；审计友好：可训练参数只占总量的 4.18%（14336 / 342785），"这次模型改动的范围"是可以向自己和团队交代清楚的。 完整脚本在 aidd_practice/lora_loop.py，改一个 r、一个学习率，你可以自己复现这张账本。闭环跑到临床：rentosertib 走到了哪一步 把这套闭环放到真实世界里，目前走得最远的是英矽智能（Insilico Medicine）的 rentosertib（原代号 ISM001-055），用于特发性肺纤维化（IPF）： 环节 事实靶点（第一、二站） PandaOmics 从公开组学数据中识别 TNIK 激酶——此前从未被作为 IPF 靶点开发分子（第四、五站） Chemistry42 生成化学平台设计并优化小分子；从靶点到临床前候选约 18 个月（传统路线通常 4–6 年，Insilico 口径）IIa 期（Nature Medicine 2025） 71 名患者、22 个中心、双盲随机安慰剂对照；60 mg 每日一次组 FVC（用力肺活量）平均 +98.4 mL，安慰剂组为下降III 期 2026 年 7 月首例患者给药（GENESIS-IPF-3）：320 人、47 个中心、52 周监管状态 2023 年 2 月获 FDA 孤儿药资格；尚未获批 同时把行业大盘也如实摆出来：截至 2026 年年中，全球约有 173 个AI 参与发现的药物项目在临床开发中（约 94 个 I 期、56 个 II 期、15 个 III 期），但还没有任何一个完全由 AI 设计的药物获得 FDA 或同等监管机构的批准。有些被媒体称作"AI 设计的药"的项目（如 zasocitinib/TAK-279），业内也认为更准确的说法是"计算方法辅助优化的已验证靶点分子"，而不是"AI 发现的靶点 + AI 设计的分子"。 我特意把这段话放在这篇"导览"里。因为你以后一定会刷到"AI 一年设计出新药"的标题——现在的诚实答案是：AI 已经能缩短前六站的探索时间，但第七站的判决权，仍然在人体和时间里。闭环好不好，只看三件事 ① 数据回传的速度：实验结果能否在小时/天级别结构化地进入数据库，而不是躺在某台仪器的 Excel 里。这决定了你的模型多久能"学到"。 ② 归因的精度：一次失败，到底是因为分子设计错了、模型预测偏了，还是实验操作出问题？归因错了，下一轮就是在错误的方向上加预算。最典型的案例：生化活性很好但细胞活性很差，先别急着改结构——先做 Caco-2 渗透性和 P-gp 外排实验，真正的瓶颈常常是"进不去"或"被泵出来"。 ③ 迭代的纪律：每轮开题时必须写清楚"本轮验证什么假设"。否则闭环会退化成最贵的浪费——盲目地换个分子再试。九、接缝：六道接缝里，项目是怎么漏掉的 每一站单独看都能做对，项目照样会失败——因为失败大多发生在站与站的接缝处。七站之间有六道接缝，加上从⑦回到①的那条回流，一共七条最常见的漏法，本质上都是同一件事："上一站交出来的东西，下一站其实没法直接用"。 图 7｜七站之间的六道接缝（红色虚线）——每一步的输出，都是下一步的输入 接缝 典型的漏法 补救动作①→② 机制假说太宽，列了二十个"潜在靶点"却排不出优先级 强制排序：给每个靶点写清证据等级与证伪实验②→③ 靶点定了才发现没有可用结构，或结构质量撑不起对接 定靶点前先查 PDB/AlphaFold，把"有没有结构"写进打分③→④ 对接打分与真实亲和力相关性差，Hit 列表噪声极大 用已知活性分子做回顾性验证，先确认打分函数能用④→⑤ Hit 骨架过于集中，优化时很快撞墙 刻意保留 3 个以上不同骨架，别把预算压在一个系列⑤→⑥只优化了活性，忽视溶解度/渗透性，Lead 在 ADMET 阶段集体阵亡 把 ADMET 约束写进优化目标，而不是留到最后体检⑥→⑦ 预测置信度很低却没安排实验验证，直接推进 低置信 = 必做实验，这是规则不是建议⑦→① 结果与预期不符，却只是"换个分子再试"，从不修订机制假说 不符必回退：先重审假说，再动分子 一句话记住：每一步交出去的东西，都要问一句"下一站真的能直接拿来用吗"。接缝处的信息损耗，是项目失败的头号原因。 接缝之外，还有六条更隐蔽的常见误区——它们不出现在任何一站的内部流程里，却是初学者（和很多团队）栽得最多的地方： ① 把相关性当因果，过早锁定错误靶点——第五节的"相关 ≠ 因果"是第一站头号死法； ② 只做计算预测，不做湿实验验证——没有第三层（实验决策层）的校准，模型只是昂贵的猜测； ③ 只优化活性，忽略选择性、代谢稳定性与毒性——第六节的 LE 与 LipE 给出过相反排序，就是提醒你单指标优化必翻车； ④ 标识符不统一，数据无法复用——同一分子在不同库里五个名字，模型学到的"知识"无从追溯； ⑤ 干湿两张皮，实验数据不回流——第八节的三条纪律（回传快、归因准、每轮有假设）就是治这个的； ⑥ 靶点还没验证就大规模优化化合物——把预算烧在还没确认的假设上，是流水线里最贵的一种浪费。十、总结回顾：七站学习路径与课后项目 全文压缩成一张自测表。合上文章，对每一站回答：它回答什么问题、交什么、怎么考试。答得上，这一站你就算"过了"——细节课以后再补： 站 核心问题 交接物 考试怎么考① 机制分析 病是哪一步坏的？ 机制假说 + 关键基因/通路 干预实验能否逆转表型② 靶点验证 动哪个蛋白能好？ 优先靶点 + 验证证据 遗传学 > 药理学证据③ 结构分析 靶点长什么样？ 3D 结构 + 口袋 pLDDT + 实验结构对照④ 苗头发现 谁能结合？ Hit 名单（几百个） 实测 Ki/IC50 + 假阳性排查⑤ 命中优化 值得做吗？ 先导化合物 LE/LipE + 选择性 + PK 同步看⑥ ADMET 活得下来吗？ 成药性画像 + 风险清单 体外→体内外推 + 动物 PK⑦ 干湿闭环 模型对吗？ 更新后的模型 + 下一批分子 实验数据回填后的增益 再补一张"AI 在各站到底干什么"的速查表，方便你以后按图索骥找工具（工具篇讲过的，这里只标注位置）： 站 AI 介入点 代表工具 / 数据① 机制 文献抽取、多组学整合、知识图谱、因果推断 LLM+RAG · STRING/Reactome · GEO/TCGA② 靶点 多证据融合排序、可成药性、突变致病性、脱靶预判 Open Targets · DepMap · AlphaMissense③ 结构 序列→结构、口袋检测、构象系综与隐性口袋 AlphaFold2/3 · ColabFold · fpocket · MD④ 苗头 虚拟筛选、3D 生成、共价对接、相似性检索 Vina/Glide · DiffSBDD · REINVENT · ZINC⑤ 优化 SAR 建模、FEP、多目标优化、逆合成约束 FEP+/OpenFE · MOBO · AiZynthFinder⑥ ADMET 多终点预测、代谢软点、毒性预警、反应性 ADMETlab · SwissADME · RDKit 描述符 · TDC⑦ 闭环 实验设计、在线学习、失败归因、自动化调度 主动学习/ModAL · LIMS/ELN · 自动化平台 把三个真实案例钉进地图里，你就拥有了可反复回访的"足迹"： 案例 路线 时间与结局伊马替尼 （手工优化时代） 费城染色体(1960) → BCR-ABL 融合基因(1984) → 高通量筛选苗头 → 五步结构改造 1998 年 I 期 → 2001 年 5 月 FDA 批准；口服生物利用度约 98%奈玛特韦 （结构导向 + 闭环时代） SARS-CoV-1 苗头库存(2003) → 晶体结构指导 → 三次结构手术 → 利托那韦增效设计 2020 年重启 → 2021 年 12 月 FDA 紧急授权；住院/死亡风险 −89%（III 期）KRAS G12C （不可成药破局） 突变带来的 Cys12 + 隐性口袋 switch-II → 共价锁定失活态 Sotorasib 2021 年 5 月加速批准；难点在第三站EGFR C797S （抓手消失） 共价失效 → 转向非共价/变构 → 死磕野生型选择性窗口 第四代多在早期临床，尚无获批；难点在第五站后面按模块展开，顺序就是流水线 图 9｜后续模块：P1 疾病机制与靶点 → P2 结构 → P3 生成与筛选 → P4 优化 → P5 成药性 → P6 闭环 → P7 端到端实战 每个模块内部遵循统一节奏：原理回顾 → 工具实操 → 案例复现 → 开放练习。建议先跟着 P1 完整走一遍，再回头补自己最弱的模块——不要一上手就跳到"分子生成"，那是整条链上最容易做出漂亮却没用的结果的一站。课后项目：给一个疾病"纸上跑"七站 这一篇的作业不在键盘上，在纸上。选一个你关心的疾病（建议选罕见病或机制明确的病，证据更好查），把七站各写一页： ① 机制：这个病最被认可的致病机制是什么？证据等级如何？ ② 靶点：Open Targets 上关联分最高的三个靶点是什么？各有什么证据？ ③ 结构：首选靶点在 PDB 有实验结构吗？没有的话，AlphaFold 预测的口袋区域 pLDDT 是多少？ ④ 苗头：有没有已知的工具化合物或天然配体？在 ChEMBL 里活性数据最好的是什么？ ⑤ 优化：如果给你这个苗头，你会先改什么？用 LE/LipE 算算"值不值"。 ⑥ ADMET：跑一遍 RDKit 画像（第 1 课的代码就能用），Lipinski 违规几项？ ⑦ 闭环：如果要设计第一轮 20 个分子的实验，你会怎么挑？（提示：这一节的主动学习） 进阶思考题（欢迎留言讨论）：如果你的靶点不是 KRAS 那样"有口袋"，而是一个没有任何已知配体、且 AlphaFold 预测置信度 pLDDT 极低的无序蛋白（IDP）——上述七站里，哪一站会最先崩溃？你会引入什么新技术来救？（提示：想想第三站和第四站的边界条件。）写在最后 这一篇如果只能留下一个结论，我希望是这句： AI 制药不是"用模型取代实验"，而是"让每一份实验预算都花在刀刃上"。 七个站里，AI 真正统治的目前只有第三站（结构预测）；第四、五、六站它是越来越好的副驾驶；第二站是排序参考；而第七站提醒我们：所有模型的分数，最终都要交给湿实验和人体重新打一次。 它真正改变的是三把尺子的刻度： 动作 过去 现在读文献 一周 20 篇 一小时综述两万篇摘要（然后人工核实）筛分子 一年湿筛上万个 一周虚拟评估上亿个，再挑几百个去做实验做优化 凭经验改 3 个位点 多目标并行探索几十条路线，FEP 先排一遍序 但假说提出、实验设计、结果解读、伦理判断，仍然——也必须——由人来完成。工具篇那句"工具不是替你思考"，放在这里同样成立。 工具篇结尾那个实验还记得吗——同一个模型，只换数据划分方式，R² 从 0.70 掉到 0.37。把它和这一篇的主动学习实验放在一起，你会得到贯穿整个系列的那句话：在 AI 制药里，数据问题永远比模型问题更贵、也更致命。 本篇给你掌握全局地图，下一课带你通过MVP模拟闭环实操（11 个脚本、7 个交付物）：从下一课开始，我们正式进入分站细节，用公开组学数据和 Open Targets，把"疾病 → 机制假说 → 靶点排序"这一段真正跑一遍；再往下才是结构、筛选与优化。全部在普通笔记本上实测跑通。想直接动手的同学，欢迎关注，一起探索下一篇实操篇。 一起继续。有兴趣一起学的朋友，欢迎留言交流。共勉。 如果这篇帮你装下了 AI 制药的全程地图，欢迎 点赞 / 在看 / 收藏 / 转发 给同样想入门 AIDD 的朋友。 📚 「零基础入门 AI 制药」系列回顾 ① 起始篇：从新冠 mRNA 到 AI 制药——药物研发正从"大海捞针"走向"计算设计" ② 第 1 课：不讲任何模型，先教你和 AI「读懂」一个分子 ③ 第 2 课：跑通了 RDKit，却看不懂输出？讲透四层生化语义 ④ 政策篇：《医药工业发展"十五五"规划》给创新药出的两道题 ⑤ AI 制药工具篇：工欲善其事，必先利其器-从 RDKit到DiffDock，搭好你的第一个 AIDD工作台 ⑥ 实践篇·导论（本篇）：从疾病到候选分子的七站流水线 ⑦ 实践篇·实操：实际跑通一个MVP把七站亲手跑一遍（姊妹篇，见下篇）

AI驱动的病原体化学基因组学知识库：抗微生物药物发现的新平台 引言：新兴传染病的威胁与药物研发困境 新兴传染病（EIDs）对全球生物安全构成严重威胁。1940至2004年间，全球共发生335起EID事件，其中54.3%由细菌或立克次体引起，25.4%由病毒或朊病毒导致。尽管过去二十年医学科学飞速发展，EID事件仍以每年1至2起的平均速度持续出现。COVID-19大流行更是造成数百万人死亡，暴露出传统药物研发模式——周期长、成本高、风险大——在面对突发疫情时的严重不足。 在此背景下，人工智能与化学基因组学数据的整合为抗微生物药物发现带来了新策略。然而，现有计算资源绝大多数仅针对冠状病毒（尤其是SARS-CoV-2）开发，对其他EID病原体的适用性和验证极为有限。这一关键空白催生了人类病原微生物化学基因组学知识库（HPM-CKB） 的诞生。 Figure 1. HPM-CKB框架。 (A) 从RCSB PDB和UniProt获取的大规模蛋白质复合物数据集处理流程；(B) 平台整合微生物蛋白质与生物活性分子数据集及功能模块；(C) 平台工作流程示意图。 平台构建：迄今最大的病原体化学基因组学资源 HPM-CKB的构建分为三个阶段：数据处理、整合与嵌入。研究团队从UniProt和RCSB PDB系统检索了实验测定的人传病原微生物蛋白质3D结构，采用三级筛选规则优先选择有配体复合物的结构，其次选择完整全长蛋白，实验方法按X射线、冷冻电镜、NMR顺序优先。最终获得来自267种病原微生物的7876个蛋白质、13914个3D结构，以及来自ChEMBL的234287个生物活性分子。 平台包含102种病毒（1718个蛋白，3327个结构）、100种细菌（5645个蛋白，9634个结构）和65种真菌（513个蛋白，953个结构）。相比Virus-CKB（仅178个病毒蛋白）和D3Targets-2019-nCoV（仅42个蛋白），HPM-CKB在病原体覆盖度和化学基因组学整合方面实现了质的飞跃。 Figure 2. HPM-CKB核心功能。 (A) 网络界面；(B) 支持的应用包括大规模虚拟筛选、靶点识别、数据查询、药物重定位、血脑屏障预测、药物组合等。 平台集成了多个自主研发的功能模块：HTDocking（基于结构的药物设计）、TargetHunter（基于配体的药物设计）、BBB通透性预测器和Spider Plot（化合物-蛋白相互作用网络可视化），并整合了Open Babel、idock、JSME分子编辑器等第三方软件。此外，团队基于DeepSeek-R1-Distill-Qwen-32B微调了AI助手PharmNavig，可自动监测公共数据库和文献，提供交互式查询服务。 计算预测验证：与实验数据高度一致 研究团队使用三种已批准药物（奈玛特韦、恩赛特韦、乐瑞特韦）和三种非批准药物（舒拉明、依布硒、卡莫氟）对SARS-CoV-2复制酶多聚蛋白1ab（R1AB）进行预测验证。Spider Plot结果显示，所有六种药物均被成功预测与R1AB结合，与已报道的实验数据完全一致，证明了平台整合SBDD与LBDD策略的有效性。 Figure 3. HPM-CKB包含的大规模蛋白与化学数据集。 267种病原微生物的分类分布、蛋白与3D结构数量、生物活性分子统计及高通量虚拟筛选结果。 药物重定位：从虚拟筛选到湿实验验证 研究团队以SARS-CoV-2核衣壳蛋白（NACP）为靶点，采用AlphaFold3和AutoDock Vina对6000个已批准或研究性药物进行虚拟筛选，优先选择6个候选化合物进行BLI结合亲和力测定。结果显示，头孢克肟（KD=56.7 μM）、头孢他啶（KD=50.3 μM）、沙奎那韦（KD=32.2 μM）和利拉利布（KD=49.4 μM） 表现出可检测的结合活性。 Figure 5. SARS-CoV-2核蛋白的虚拟筛选与湿实验验证。 (A) 虚拟筛选流程；(B) BLI结合实验与抗病毒活性评价；(C-F) 四种药物的结合亲和力曲线；(G-J) 抗病毒活性IC50测定。 在Vero E6细胞中，这些药物表现出中等到强的抗病毒活性。其中沙奎那韦IC50=0.8 μM，优于阳性对照瑞德西韦（IC50=1.3 μM）。头孢克肟和头孢他啶此前已被报道可靶向ACE2-Spike复合物和主蛋白酶，本研究进一步提示它们可能通过靶向NACP发挥抗病毒作用。利拉利布作为脂蛋白相关磷脂酶A2选择性抑制剂，首次被证明可能通过结合NACP成为潜在的SARS-CoV-2抑制剂。 AI驱动的抗菌化合物发现与靶点识别 研究团队利用Chemprop（基于有向消息传递神经网络的深度学习模型）构建了预测化合物对金黄色葡萄球菌生长抑制活性的二分类模型。训练数据集包含51309个高质量化合物，通过添加115个RDKit描述符、贝叶斯超参数优化和集成学习策略，最终模型在独立测试集上达到ROC-AUC=0.878。 Figure 6. 深度学习发现抗菌化合物及HPM-CKB靶点识别。 (A) Chemprop模型训练与筛选流程；(B) 候选化合物MIC测定；(C,D) Spider Plot靶点预测；(E,F) BLI结合亲和力测定；(G,H) 与FtsZ的分子对接模型。 对内部库YHZJDB（3825个化合物）进行筛选后，79个化合物被选做实验验证，其中16个表现出对金黄色葡萄球菌的生长抑制活性。CYC-HXL-9124和CYC-HXL-9126对金黄色葡萄球菌的MIC值均为4 μg/mL，且具有新颖的轴向手性骨架（含3-吡咯基序），为抗菌药物开发提供了新的结构模板。 通过HPM-CKB平台，研究团队对这两个化合物进行靶点识别，结合Spider Plot、对接分数、相似性分数和蛋白功能，将细胞分裂蛋白FtsZ优先作为潜在靶点。BLI实验证实，CYC-HXL-9124与FtsZ的结合亲和力（KD=33.2 μM）优于阳性对照PC190723（KD=216.8 μM）和silbinin（KD=51.0 μM）。 分子对接揭示了结合机制：CYC-HXL-9124的吲哚骨架NH与THR309形成氢键，芳香苯环、C2-外环苯基和吡咯环上的脂肪族甲基与GLN195、ASP199、LEU200、VAL203、ILE228、ASN263和VAL297等残基产生广泛疏水相互作用。CYC-HXL-9126的吡咯NH与THR265形成氢键，两个叔丁基和稠合苯环参与疏水接触。CYC-HXL-9124更强的结合亲和力可能源于其悬垂苯环带来的更强疏水相互作用。 结论与展望 HPM-CKB是迄今最大的域特异性人传病原微生物化学基因组学知识库，整合了化学、遗传和蛋白质组学数据，提供多功能药物开发平台。通过计算预测验证、药物重定位和靶点识别等应用，平台展现了从计算预测到实验验证的完整闭环能力。 当前平台每次任务限制提交5个化合物，未来将通过作业队列升级和对接并行化解决。平台还将整合更先进的功能代理（如OpenClaw），持续监测公共数据库和科学文献，自动获取病原靶点、小分子药物和蛋白-配体相互作用的最新信息。目前尚有241种人传病原体未被覆盖，随着其蛋白3D结构被解析，未来将逐步纳入平台。 HPM-CKB的建立不仅为抗微生物药物发现提供了强有力的工具，更为全球应对未来疫情暴发、支持数据驱动的大流行响应增强了准备能力。正如作者所言，这一平台将“从静态知识库转变为主动治疗发现的多功能平台”，为人类健康安全筑起一道计算驱动的防线。 参考文献：Kang J, Zhu L, Li H, et al. An AI-Driven Chemogenomics Knowledgebase for Human-Transmissible Pathogens: A Platform for Antimicrobial Drug Discovery. J. Chem. Inf. Model. 2026, 66, 12179-12195.