Erlotinib Hydrochloride

肺癌脑转移迎来强劲“破局者”？国产新药TY-9591强效入脑，有望超越奥希替尼，临床招募通道已开启！ 【开头黄金3秒】 “医生，我妈妈吃奥希替尼一年多了，肺上的病灶一直控制得很好，可上个月复查，磁共振报告上说脑子里冒出了好几个新发小结节。我们完全不知道下一步该怎么办了。” 在肺癌患者的社群里，这样的求助几乎每天都在出现。对于EGFR突变的非小细胞肺癌患者来说，脑转移是一道格外残酷的坎。好不容易找到一款有效的靶向药，肺部安稳了，脑袋里的病灶却在悄悄“长大”。更让人揪心的是，很多家庭为了长期治疗已经倾尽全力，一旦面临耐药进展，摆在面前的选择少之又少，经济上的压力和心理上的无助交织在一起，让人喘不过气。- 但今天这篇文章，想先给你一个确定的信号：针对肺癌脑转移这个最棘手的难题，一款专为“入脑”设计的国产新一代靶向药TY-9591，已经拿出了头对头挑战奥希替尼并取得优效的硬数据，而且面向初治脑转移患者的临床招募通道目前是开启的。如果你或家人正卡在“脑转移不知道下一步怎么走”的关口，请把这篇文章看完。-脑转移为什么是肺癌患者最难迈的坎？不是药不管用，是“门”太难进 很多患者和家属有一个误解：既然奥希替尼是三代药里的“标杆”，为什么脑子里的病灶还是会进展？ 问题出在一道叫做血脑屏障的生理“门禁”上。这层屏障原本是保护大脑的，它会阻挡绝大多数外来物质进入脑组织。奥希替尼虽然已经比一代、二代药物更能“进门”，但依然有相当一部分患者，药物在颅内的浓度不足以把脑转移灶彻底按住。结果就是：肺部病灶稳定，颅内病灶却在进展，患者不得不面对全脑放疗，或者陷入“无药可用”的焦虑中。- 更现实的一层困境是经济与心理的双重挤压。长期靶向治疗本身就是一笔不小的开销，一旦脑转移进展，后续的放疗、换药、甚至临床试验筛选，每一步都是未知数。很多家属在社群里说：“不是不想治，是不知道往哪个方向使劲。”而TY-9591的出现，恰恰是在这个最需要方向的时候，提供了一个有高级别数据支撑的选项。专为“入脑”而生的国产新药：TY-9591临床招募核心信息一览 TY-9591（通用名：甲磺酸艾多替尼片 / 氘申艾替尼）由同源康医药研发，是一款口服的第三代EGFR靶向药。它最核心的设计思路，就是在奥希替尼的分子结构上做“氘代”改造，目的非常明确：让药物更稳定、更高效地穿过血脑屏障，同时在颅内维持足够高的药物浓度。- 目前正在招募的是一项关键II期临床研究，采用“头对头”设计，直接与奥希替尼进行正面比较。以下是患者和家属最需要看清楚的招募细节：- 🔬 试验基本信息 项目 具体内容试验组用药 TY-9591片，160mg，每天一次口服对照组用药 奥希替尼片，80mg，每天一次口服研究设计 开放标签、多中心、随机对照II期研究核心目标人群 EGFR敏感突变、伴有脑转移的初治非小细胞肺癌患者 ✅ 核心入组条件（需要同时满足） 年龄：18周岁至80周岁之间；- 病理确诊：经组织学或细胞学确诊为非小细胞肺癌，腺癌或腺癌成分占主导；- 基因突变：检测确认存在EGFR敏感突变（19外显子缺失或21外显子L858R突变）；- 脑转移状态：存在稳定的脑转移，不需要立即或在研究期间计划对脑转移进行局部治疗（如全脑放疗）； 治疗经历：未接受过针对局部晚期或转移性肺癌的系统性抗肿瘤治疗（即“初治”患者）。- ❌ 需要特别注意的排除情况 既往使用过任何EGFR靶向药（包括奥希替尼、阿美替尼、伏美替尼，以及吉非替尼、厄洛替尼等）；- 既往接受过全脑放疗； 存在不稳定的脑转移、软脑膜转移，或肿瘤造成的脊髓压迫症状。- 📍 开展中心覆盖区域 研究中心分布在全国多个省市的三甲医院，包括但不限于：北京、上海、广东、江苏、浙江、山东、河南、湖北、湖南、四川、陕西、天津、福建、安徽、江西、辽宁、吉林、黑龙江、广西、云南、河北、山西、内蒙古、重庆等。患者可以根据常住地，由医学团队就近匹配项目中心。- 一个容易被忽略的关键细节：这项研究要求患者的脑转移是“稳定的”，也就是不需要紧急做放疗或手术。这意味着不是所有脑转移患者都适合，但一旦符合条件，患者是在初治阶段就直接用上这款在数据上已经展现出颅内优势的新药，而不是等到耐药之后再找后路。它凭什么“叫板”奥希替尼？氘代改造带来的不只是数字，是“脑子里的药够不够” 很多患者看到“优于奥希替尼”会觉得是不是又在夸大。我们不讲虚的，直接看两组来自这项头对头研究、在2026年美国临床肿瘤学会（ASCO）年会上以最新突破性摘要形式公布的数据。- 第一组数字：颅内客观缓解率——95.5% 对 79.6%。 这是什么意思？简单说，在影像上看到脑转移病灶明显缩小或消失的患者比例，TY-9591组达到了95.5%，而奥希替尼组是79.6%。两组之间的差距接近16个百分点，在统计学上具有极其显著的意义（P=0.0004）。换句话说，在这项研究的条件下，TY-9591在“把脑子里的病灶打下去”这件事上，展现出了比奥希替尼更高的缓解概率。- 第二组数字：颅内无进展生存期——风险降低54%。 奥希替尼组的中位颅内无进展生存期是17.51个月，而TY-9591组在分析时尚未达到这个终点。风险比（HR）为0.46，意味着TY-9591将颅内病灶进展或死亡的风险降低了54%。对于脑转移患者来说，“颅内病灶稳住的时间更长”直接关系到生活质量，也意味着推迟了需要做全脑放疗的时间点。- 为什么能做出这样的差异？关键在于“氘代”。 奥希替尼在体内代谢时，会产生一种叫做AZ5104的毒性代谢产物，它既和副作用有关，也会限制药物用到更高的剂量。TY-9591把奥希替尼分子中特定位置的氢原子换成了氘原子，化学键更稳定，相当于给药物的分子骨架加了一层“防锈涂层”。这样做的结果是：有毒代谢产物生成更少，药物在体内的暴露更充分，同时有机会用到更高的剂量（160mg，而奥希替尼标准剂量是80mg），从而在颅内“堆”出足够压制肿瘤的药物浓度。- 用一句大白话说：它不是换了一个全新的靶点，而是把一把本来就不错的“钥匙”打磨得更耐用、更能插进脑子这把“锁”里。参加临床试验，到底是不是“拿人当小白鼠”？把担心摊开说清楚 一听到“临床试验”，很多家属的第一反应是犹豫：“是不是去试没保障的药？”这种担心完全可以理解。但有几件事，值得你在做决定之前冷静了解清楚。 第一，这是一项“头对头”研究，不是没有对照的冒险。 对照组用的是奥希替尼，也就是目前EGFR突变肺癌一线治疗的标准药物之一。也就是说，患者不会进入一个“完全未知”的组别，研究的目的是回答一个非常具体的问题：在脑转移这个特定人群里，新药能不能比现有标准做得更好。- 第二，研究期间的治疗和检查是免费的。 在这类注册临床研究中，研究药物本身、方案要求的相关检查，通常由申办方承担。对于长期承受靶向治疗经济压力的家庭来说，这本身就是一个需要认真考虑的现实因素。 第三，安全性数据是公开可查的。 在这项研究的期中分析中，TY-9591组和奥希替尼组的治疗相关不良事件发生率分别为99.1%和95.6%，严重治疗相关事件发生率分别为10.8%和7.1%，绝大多数不良事件为1级或2级。整体安全性特征是可控的、可管理的。研究是在国家药品监督管理局的监管框架下、在三甲医院由研究医生团队执行的，患者的权益和安全有制度性的保障。- 第四，你不需要独自面对“我到底该不该报名”这个问题。 我们的医学团队每天在做的事情，就是帮患者对照病理报告和治疗经过，先判断“你符不符合这项研究” ，再判断“这项研究是不是你当前阶段最合适的选择”。不符合，我们会如实告诉你；符合，我们帮你把后续的流程理清楚。耐药不是终点，脑转移也不是。你需要的是一条“被认真对待”的路 癌症治疗走到耐药和脑转移这一步，最消耗人的往往不是身体上的症状，而是那种“不知道还能往哪走”的无力感。 但医学的进展恰恰是在这些最难的地方发生的。就在不久前，TY-9591已经获得国家药品监督管理局附条件批准，用于EGFR突变伴中枢神经系统转移的非小细胞肺癌的一线治疗。这意味着它不再只是一个“未来的可能性”，而是一个已经走过监管审评、有数据背书的治疗选项。而当前正在开展的临床研究，正是为了让更多符合条件的患者，在规范的研究框架下获得使用这款药物的机会。- 如果你或家人符合“初治、EGFR敏感突变、有稳定脑转移”这几个关键条件，现在就是值得认真评估的窗口期。 你可以添加下方医学助理的微信，把病理报告、基因检测结果和最近的影像报告发过来，我们会帮你做一次免费的初步评估——先看清楚“能不能入组”，再决定“要不要走这条路” 。即使这项研究暂时不适合，我们也会根据你的具体情况，在抗癌公益社群和药企合作项目中，帮你留意其他可能匹配的方向。 你不是一个人在找路。耐药了，脑转移了，也不代表牌已经出完。把专业的事交给专业的人来筛，把力气留给治疗本身。 📞 医学助理：133 1526 5752（电话/微信同号）⏰ 工作时间：7:30–22:00｜节假日无休📲 电话常占线，建议扫码添加微信，发送“病理报告 + 基因检测 + 最近一次影像报告”，咨询更快捷。 郑重承诺：我们严格保护每一位咨询者的个人信息安全，所有沟通内容仅供医学评估使用，不会泄露给任何无关第三方。临床试验的参与完全基于患者和家属的自愿知情同意，并全程遵守国家临床研究相关法律法规。 你怎么看？你或家人目前处在靶向治疗的哪个阶段？有没有遇到过“肺部稳定、脑部进展”的困惑？欢迎在评论区留下你的经历，你的分享可能会让另一位正在迷茫的病友少走一段弯路。如果觉得这篇文章把问题说清楚了，请点赞+在看，转发给需要的人——抗癌路上，信息差往往就是机会差。 请关注本公众号：【癌友交流群】 目前覆盖肺癌、肝癌、肾癌、胃癌、结直肠癌、胰腺癌、食管癌、妇科肿瘤（卵巢癌、宫颈癌、子宫内膜癌）、泌尿肿瘤（膀胱癌、前列腺癌）、头颈癌、血液肿瘤（淋巴瘤、白血病） 等几乎全部常见及罕见癌种的临床试验项目，正在全国多家三甲医院招募患者。 扫描下方二维码，添加医学助理，一对一免费咨询，了解您是否符合入组条件。成功入组后，即可免费用上国际前沿新药、ADC、双抗、CAR-T等，同时获得一线专家团队全程跟进，为您的治疗保驾护航。 我们不仅提供临床试验匹配服务，还为您搭建了全国癌症病友交流群，按癌种精细划分： 呼吸系统：小细胞肺癌、非小细胞肺癌（肺腺癌、肺鳞癌）等...... 消化系统：胃癌、肠癌、肝癌、胆管癌、胰腺癌、食管癌等...... 妇科系统：乳腺癌、宫颈癌、卵巢癌、子宫内膜癌等...... 泌尿系统：肾癌、前列腺癌、膀胱癌、尿路上皮癌等...... 头颈及其他：鼻咽癌、甲状腺癌、胶质瘤、黑色素瘤、胸腺瘤等...... 血液肿瘤：淋巴瘤、白血病等...... 在群里，您可以与同病相怜的病友交流治疗心得、分享康复经验，抱团取暖，不再孤军奋战。 您的每一次“赞”“在看”和“分享”，都是我们持续输出的动力，也能帮助更多正在迷茫中的病友找到方向。积极关注、转发分享，为自己和他人积福接好运。 癌友交流群，与您同行，共创健康未来。愿每一个努力抗争的生命，都能早日迎来康复的曙光

在 AI 驱动药物研发（AIDD）这个领域，初学者和跨界工程师最容易掉进的陷阱，不是"学不会"，而是学错了地方。学 AI 制药，最容易出现的一种状态是：认识很多模型，却说不清一个分子怎样从数据表走到候选清单。容易陷入单点工具陷阱：把全部精力花在调 AlphaFold3 的参数、换 DiffDock 的权重、追 ChemBERTa 的榜单成绩上——每个单点都越磨越亮，但分子从靶点到候选分子的完整生命周期，你一天都没有走完过。 真正掌握 AIDD 的路径恰好相反：先用最轻量的工具，跑通一条端到端的 MVP Pipeline（最小可行性流水线），把全流程的地图刻进肌肉记忆，再回头针对卡脖子的环节做模块化升级。 本篇让我们用一台 MacBook 跑通一个 MVP，当我们对着真实的 EGFR数据（表皮生长因子受体，是非小细胞肺癌最经典的靶点之一）跑的时候，三处硬伤一处接一处地暴露出来；然后我把每一处修好，从靶点排序一路走到干湿闭环。整条链最后是通的，全部数字都来自实跑，包括那些实跑过程途中踩到"不太好"的坑，这些坑，教材里不会写，接下来让我们逐一拆解。 本文环境：MacBook Pro 14″（Apple M1 Pro）/ conda 环境 aidd（Python 3.11.14 / RDKit 2026.03.5 / Biopython / scikit-learn 1.9.0 / PyTorch 2.x + AutoDock Vina 1.2.7）。整条流水线封装成一个可一键复现的工程 aidd-mvp：run_all.sh 一条命令，11 个脚本、单一参数源 config.yaml、随机种子 42。 数据来源：RCSB PDB（结构 1M17）、UniProt（P00533）、ChEMBL REST API（活性数据）。文中每一个数字，包括每一个看起来"不太好"的指标，都是本机实跑出来的，没有一个是编的。一、先把地图装上：七站的工具栈与交接物 动手之前，让我们先把整条流水线的地图回顾一遍。一条完整的 AIDD Pipeline 涵盖从上游生物学机制到下游实验验证的七个核心节点，每一站都有自己的核心任务、MVP 级工具栈、和交给下一站的交接物： 本文的实跑覆盖情况：①②④⑤⑥⑦全部跑到（④用工程里的主动学习模拟承担"迭代"角色），③的虚拟筛选用 AutoDock Vina 实跑 30 个分子做示范。每一站的产出都是下一站的输入——这条约定贯穿全文。 图 1｜本文要跑通的整条流水线：11 个脚本，从靶点排序到闭环回流。本文在工程里补齐了 Docking（AutoDock Vina）与 SAScore 两个环节，全部实跑。 aidd-mvp工程地图如下： 实际数据流有三条支线： 04 → 05 → 06 → 07 → 09：活性数据、模型预测、对接排序               └→ 08：相同骨架切分上的图模型对照          06 → 10：已知活性与理化性质的候选分析          06 → 11：固定测试集上的主动学习模拟02 → 03：口袋解释与编号校验；02 的原始结构也直接供 09 使用二、MVP 的边界：我们不是在发明新药 第一次动手最容易犯的错，是把目标定成这样： 选一个病->AI 找一个全新靶点->生成一个全新分子->Docking 分数 -12 ->发现新药 这条路几乎每一步都可能错，而且错了你都不知道错在哪。所以第一次实践要反过来学：拿一个已经有完整答案的体系，把整条流水线倒着走一遍，用已知答案校准每一步。 我们选 EGFR，理由很具体： 要什么 EGFR 给什么 去哪拿 已验证的靶点 EGFR 抑制剂上市超过 20 年（吉非替尼 2002 年、厄洛替尼 2004 年） 常识 + ChEMBL 可靠的实验结构 PDB 1M17：EGFR 激酶域 + 厄洛替尼共晶，分辨率 2.60 埃 RCSB PDB 标准化的序列身份 UniProt P00533，全长 1210 个氨基酸 UniProt 大量公开活性数据 ChEMBL 中 18000+ 条 IC50 实测记录 ChEMBL REST API 其中 1M17 特别值得说一句：共晶结构里自带配体（厄洛替尼，PDB 配体代码 AQ4）。"正确口袋在哪里"这道题是有标准答案的——我们提取的口袋对不对，可以直接和它对照。第一次验证自己的结构处理流程，没有比这更合适的教材。 用程序员的话说：第一次学分布式系统，先跑通官方 Demo，而不是第一天就自己造 Kubernetes。三、开工前：一个贯穿全局的 config.yaml 动手写第一行代码之前，先建一个配置文件。所有关键参数——靶点是谁、用哪个结构、口袋半径多大、随机种子是多少——全部写死在这里，后面的脚本只读它，不手写： project: egfr_mvp target:   gene: EGFR   # uniprot: P00533, chembl: CHEMBL203 structure:   pdb_id: 1M17   ligand_resname: AQ4   pocket_radius: 5.0 model:   fingerprint_radius: 2  fingerprint_size: 2048  split: scaffold random_seed: 42 这一步看起来琐碎，其实是在建立整个实践篇最重要的一个习惯：可复现。三周后你回头重跑这条流水线，如果口袋半径一时改成 4.0、一时改成 5.0，实验结果就没法对比了。参数住在配置文件里，不住在某次敲命令的手感里。四、先交代六个坑：这不是一路绿灯的故事 读技术实践文最容易产生的错觉，是"作者一路绿灯跑了下来"。这条流水线真跑起来，第一周交的学费比后面三周加起来都多。所以正文开始前，先把六块绊脚石一次性摆出来——先看一眼总览卡片，再用两张实测坑地图逐坑验证；每一坑在后文都有对应的展开章节。 图 2｜六个坑总览：口袋坐标、药性当活性、靶点身份、异常标签、对接正交、主动学习。图为示意卡片，每一坑的实测数字见下面两张坑地图（图 3、图 4）与后文对应章节。 坑 1｜写死的口袋坐标，落在蛋白外面 31.4 埃伪代码把口袋中心硬编码成 (12.5, −8.3, 24.1)。拿 1M17 实测：按共晶配体算出的真实中心在 (22.01, 0.25, 52.79)，两者相距 31.4 埃——写死的那个 20 埃对接口里连一个蛋白原子都没有，Vina 照样给你一组看起来很正常的负分（详见第五节）。 坑 2｜三个解热镇痛药被输出成 Lead，真药反被拒之门外伪代码的 demo 库（阿司匹林、咖啡因、布洛芬）全部通过 MW<500 与 QED>0.5 两道"活性筛选"，被 pipeline 当作 Lead 输出；而真正的 EGFR 药物厄洛替尼，因为 QED 只有 0.418，被 QED>0.5 拒收（详见第五节）。 坑 3｜ChEMBL 里搜"EGFR"返回 16 个条目，只有 1 个能直接用按 UniProt P00533 检索，16 个条目名字里全带 EGFR：1 个单蛋白、2 个家族、1 个嵌合体、12 个蛋白-蛋白相互作用。随手拿第一个就开拉数据，每条记录的语义都是含混的（详见第八节）。 图 3｜坑 1–3 实测。上：两个相差 31.4 埃的对接口；中：QED（药性）与预测 pIC50（活性）本是两件事，塞进同一道门槛后，真药被杀、玩具过关；下：ChEMBL 里 16 个"EGFR"的类型分布，绿色那一格是唯一能用的。 坑 4｜清洗前的数据里，藏着 pIC50 = 17.3 的"超级分子"IC50 = 5×10⁻¹⁸ 摩尔每升，物理上不可能——是单位录错。这样的脏数据（pIC50>11）共 16 条：混进训练集，模型指标几乎不掉；但你要按预测排序选 Top 20 去做实验，它稳稳占据第一位（详见第九节）。 坑 5｜对接分数和真实活性几乎正交30 个分子实跑 AutoDock Vina，对接分与真实活性的 Pearson r = +0.10。对接榜第 1 名的真实活性排第 18；真实活性最强的分子，在对接榜上只排第 19（详见第十一节）。 坑 6｜只挑模型预测最强的分子去做实验，六轮做完几乎原地踏步主动学习里最符合直觉的 greedy 策略——每轮都挑模型最自信的分子——六轮预算下来 MAE 只从 0.90 降到 0.88；"专挑模型最拿不准的"反而拿到最优的 0.747（详见第十三节）。 图 4｜坑 4–6 实测。上：清洗前的 pIC50 分布与 17.3 的离群点；中：30 个分子的对接分 vs 真实活性，散点接近一团随机；下：同一份实验预算下三种挑法的学习曲线，greedy 六轮纹丝不动。 这六个坑分别卡在流水线的六个接口上：结构怎么摆、输入喂什么、数据怎么选、标签信多少、验证信什么、预算花给谁。接下来按顺序，一站一站把它们踩一遍。五、先别急着跑：MVP辅助理解全局，但要看到伪代码的三处硬伤 为了从全局视角理解下AIDD MVP管线长这个样子，我们引入下面伪代码骨架，但是需要看清楚伪代码的三处硬伤： 骨架很漂亮，七站都有。但把这三段代码对着真实数据跑一遍，硬伤立刻现形。下面每一处都是本机实跑，不是理论推演。 硬伤一：写死的口袋坐标，落在蛋白外面 31.4 埃 伪代码把口袋中心硬编码成 (12.5, −8.3, 24.1)。可口袋位置不是一个"常识数字"，它取决于蛋白在晶体坐标系里摆在哪里——换个 PDB 文件，同一个口袋的坐标可以差出几十埃。 正确的做法是从共晶配体算：把 1M17 里厄洛替尼（AQ4）的 29 个原子取质心，实跑得到 (22.01, 0.25, 52.79)。两个中心相距 31.4 埃。这有多离谱？我在两个位置各画一个边长 20 埃的标准对接口，数一数里面有什么： 指标（20 埃盒子） 伪代码写死的盒子 按配体算出的盒子 共晶配体 AQ4 的 29 个原子，落入盒子0 个 29 个（全部） 20 个真实口袋残基，被盒子覆盖0 个 19 个 盒内蛋白原子总数0 个 295 个 写死的那个盒子里，连一个蛋白原子都没有——它悬空在溶剂区。如果照这份伪代码把 Vina 跑起来，每一轮都是对着空气打分，而且程序不会报任何错，你还会得到一批看起来很正常的负分数。 图 5｜两个盒子在 1M17 坐标系里的位置（XY 投影）：绿框是按共晶配体质心算出的对接口，包住 19/20 个口袋残基；红虚线框是伪代码写死的坐标，完全悬在蛋白外面。 硬伤二：阿司匹林跑 EGFR pipeline，会输出三个"假 Lead" 伪代码的 demo 分子库是阿司匹林、咖啡因、布洛芬。拿它们跑通流程当然"能跑"——但跑出来的结果有没有意义？我用工程里训练好的模型（ECFP4 + 随机森林，骨架切分）给这些分子打了分，并和真实对照比较： 分子 MW QED 通过 MW<500 且 QED>0.5？ 模型预测 pIC50 Aspirin（伪代码 demo） 180.2 0.550 ✓ 通过 5.15 Caffeine（伪代码 demo） 194.2 0.538 ✓ 通过 5.28 Ibuprofen（伪代码 demo） 206.3 0.822 ✓ 通过 4.89Erlotinib（真实 EGFR 药物） 393.40.418✗ 被拒 7.72 数据集真实高分 #1 354.2 0.591 ✓ 通过 10.03（实测 11.0） 数据集真实高分 #2 354.2 0.591 ✓ 通过 9.72（实测 10.6） 注意第三行到第四行之间发生的荒诞剧：三个和 EGFR 毫无关系的解热镇痛药、提神饮料成分，全部通过两道筛选，被 pipeline 当作 Lead 输出；而治疗非小细胞肺癌的厄洛替尼——这个靶点上最著名的药物之一——因为 QED 只有 0.418，被 QED>0.5 这道过滤器拒之门外。 预测 pIC50 也说明同一件事：三个 demo 分子都落在 4.9~5.3（弱到可以忽略），真实高分分子在 9.7~10.4。差了 4~5 个对数单位，就是"完全没活性"和"纳摩尔级抑制剂"的距离。 "跑通"和"跑对"之间，隔着一整个领域常识。demo 库本身没有错，错在把玩具输入的结果当成了 pipeline 的能力证明。 图 6｜上：同一个模型对六个分子的预测——灰色三个"假 Lead"挤在 5 附近，绿色是真实抑制剂；下：三个 demo 分子全部通过 MW 与 QED 两道过滤，于是被 pipeline 输出。硬伤三：把"药性过滤"放在"活性筛选"的位置上 前两个硬伤其实是同一个错误的两个侧面：用 MW、QED 这类"药性指标"去干"活性筛选"的活。药性过滤回答的是"这个分子像不像药"，活性筛选回答的是"这个分子结不结合这个靶点"——后者需要对接分数或者训练好的活性模型，前者只需要 RDKit 一行描述符。 把药性过滤放在活性筛选的位置，pipeline 不会报错，只会静默地输出一堆"很药但完全没活性"的分子。正确的顺序是：先活性（模型预测 / 对接打分）把 10468 个分子砍到 5444，再用药性规则砍到 1901，最后成药性收尾到 1798——每一道关卡守住自己的问题。这个漏斗的完整数字在第十二节。 修正后的 Pipeline 类长什么样：pocket 从共晶配体实算（质心 + NeighborSearch），hits 从"预测 pIC50 ≥ 7"来，MW/QED/SA 退回它们该在的过滤位，最后交出帕累托前沿。这套修正版就是 aidd-mvp 工程里 11 个脚本的主线，run_all.sh 一键可复现。 当前 aidd-mvp 是一套围绕 EGFR 的教学型 AI 制药流水线：用公开活性数据训练分子活性模型，再结合分子对接、成药性规则和主动学习演示筛选流程。 我阅读了全部业务脚本和现有结果文件；下面按实际代码解读，没有重新训练或修改代码。 1.整体架构：文件驱动的流水线，各阶段通过 CSV、NumPy 和 JSON 文件交换数据，没有统一的业务服务或工作流引擎。 统一基础设施在 [_common.py (line 14)](aidd-mvp/scripts/_common.py:14)：确定工程根目录、引入 vendor 依赖、加载 [config.yaml (line 1)](aidd-mvp/config.yaml:1)，并提供路径、日志和 JSON 写入函数。 2．数据处理是这套代码的核心 [04_fetch_activity.py (line 53)](aidd-mvp/scripts/04_fetch_activity.py: 53) 先根据 UniProt 查询 ChEMBL，选择人源、单蛋白靶点，再拉取精确测量的 IC50 数据。已有原始文件会被直接复用，网络失败时可使用缓存。 [05_standardize.py (line 47)](aidd-mvp/scripts/05_standardize.py:47) 把实验记录变成模型可用的数据： 过滤非正数、缺失 SMILES 和不符合单位的记录。 用 RDKit 清理分子结构并保留手性。 把 nM 单位的 IC50 转成标签： pIC50 = 9 − log10(IC50_nM) 按标准化后的 SMILES 聚合，多次测量取中位数，同时保留测量次数、标准差和范围。 最终一行代表一个标准化分子，标签为 pIC50_median。保留测量分歧很有价值，因为模型面对的标签本身存在实验噪声。 3．建模链路：同一数据切分下比较两种分子表示 [06_scaffold_split.py (line 30)](aidd-mvp/scripts/06_scaffold_split.py: 30) 同时完成两件事： 处理 实现 用途 分子表示 Morgan 指纹，radius=2、2048 位 给随机森林输入固定长度向量 骨架提取 Bemis–Murcko scaffold 把相同骨架的分子归为一组 数据切分 随机切分、GroupShuffleSplit 比较普通泛化与跨骨架泛化 X_ecfp.npy、数据表和 split_indices.json依靠行号保持对应关系。因此，单独重排或替换其中一个文件会破坏训练数据的一致性。 [07_rf_baseline.py (line 28)](aidd-mvp/scripts/07_rf_baseline.py:28) 的计算路径很直接： SMILES → ECFP 指纹 → 500 棵树的随机森林 → pIC50 [08_chemprop.py (line 41)](aidd-mvp/scripts/08_chemprop.py:41) 则使用： 分子图 → 键消息传递 → 平均聚合 → 前馈网络 → pIC50 Chemprop 沿用相同的 scaffold split；标签标准化只使用训练集统计量，预测后再还原尺度。 已有结果为： 模型与切分 测试分子数 MAE ↓ R² ↑ RF，随机切分 2,093 0.5095 0.7319 RF，骨架切分 1,770 0.6015 0.6485 Chemprop，骨架切分 1,770 0.6474 0.5800 这些结果说明：当前这一组设置下，随机森林优于 Chemprop；随机切分的成绩也更乐观。 尚不能据此判断两类模型的一般优劣。 4．结构与对接：先恢复已知配体，再筛选分子 [03_extract_pocket.py (line 32)]aidd-mvp/scripts/03_extract_pocket.py:32) 使用共晶配体周围 5 Å 的蛋白残基定义口袋，并枚举编号偏移，与 UniProt 序列比较。已有结果确认偏移为 +24。 [09_docking.py (line 94)](aidd-mvp/scripts/09_docking.py:94) 的主要步骤是： 清理受体，删除配体、水和其他非标准残基。 用共晶配体质心定义对接盒子。 恢复晶体配体键序，执行重对接并计算 RMSD。 从 RF 的 scaffold 测试集预测中选择 Top 30 分子，生成三维构象并执行 Vina。 将活性预测与对接分数标准化后融合： consensus = 0.7 × z(pred_pIC50) − 0.3 × z(docking_score) 已有重对接 RMSD 为 1.411 Å，30 个分子全部完成对接。这支持当前结构上的配体姿势复现能力；融合分数只是这一批分子的相对排序。 值得注意：09 没有读取 pocket.json，盒子直接从 PDB 配体坐标计算；03 目前承担结构解释和编号校验的作用。 5．成药性与闭环分别实现了什么 [10_admet.py (line 50)](aidd-mvp/scripts/10_admet.py:50) 计算 MW、logP、TPSA、氢键供受体、可旋转键、QED、SA 和 PAINS，并应用 Lipinski、Veber 等规则。 它还计算“活性—QED”的 Pareto 前沿：保留那些无法被另一个分子在两项指标上同时超越的分子。 但当前实现主要是理化性质和结构警报面板，没有吸收、代谢或毒性预测模型。候选排序使用已有实验活性 pIC50_median，也没有融合模型预测和对接分数。 此外，统计漏斗得到的 1,798 个分子与最终四组候选的筛选条件不同：四组候选只统一要求 clean + Lipinski + Veber，没有统一要求活性和 QED 门槛。 [11_closed_loop.py (line 72)](aidd-mvp/scripts/11_closed_loop.py:72) 是主动学习模拟： 初始已标注分子 → 训练 → 选择下一批 → 揭示已有标签 → 重训 三种选择策略分别是：uncertainty ：选三个不同随机种子的 RF 预测分歧最大的分子。greedy ：选预测活性最高的分子。random ：随机选择。 测试集始终固定，候选池来自训练集。这里没有实际实验系统回流，而是把公开数据中的已知标签当作待揭示的实验结果。 6．建议阅读顺序是 _common → 05 → 06 → 07 → 08 → 09 → 10 → 11。其中最应先掌握的是 05–07：它们完整定义了“一个分子如何成为一条训练样本、如何评估它对新骨架的预测能力”。六、Stage 1　靶点排序：一次练习"多证据决策" MVP 不做真正的靶点发现（那需要真实疾病组学数据），但排序逻辑可以完整练一遍。给五个候选靶点编一张证据表： 靶点 疾病关联 遗传证据 通路证据 可成药性 安全风险 EGFR 0.95 0.82 0.90 0.95 0.30 KRAS 0.88 0.90 0.86 0.35 0.45 Target_B 0.70 0.91 0.65 0.50 0.45 Target_C 0.80 0.55 0.82 0.35 0.25 Target_D 0.75 0.60 0.70 0.70 0.20 df["score"] = (0.30*df["disease"] + 0.25*df["genetics"]               + 0.20*df["pathway"] + 0.25*df["druggability"]               - 0.20*df["safety"]) 实跑结果：EGFR 得 0.847 排第一。但这不是重点——重点是权重敏感性。我换了四套权重方案，看排名怎么变： 权重方案 完整排序（分数） baseline（均衡兼顾） EGFR 0.848 > KRAS 0.659 > Target_B 0.603 > Target_C 0.579 > Target_D 0.570 只看生物学证据 EGFR 0.892 > KRAS 0.882（几乎追平）> Target_B 0.761 > Target_C 0.718 > Target_D 0.517 可成药性优先 EGFR 0.807 > Target_D 0.615 > Target_B 0.491 > KRAS 0.456 > Target_C 0.424 安全优先 EGFR 0.425 > Target_D 0.315 > Target_C 0.277 > KRAS 0.270 > Target_B 0.236 两个值得盯很久的现象：第一，EGFR 在四套方案下都是第一——这是这个靶点"值得练手"的又一个原因，证据强度经得起权重折腾。第二，第 2 到第 5 名几乎全部重新洗牌：KRAS 在"只看生物学证据"时是 0.882，几乎追平 EGFR；换成"可成药性优先"立刻掉到第四（KRAS 正是那个"重要但历史上难成药"的典型）。权重换一换，排名抖一抖——所以每一个权重背后都要有生物学理由，而不是拟合出来的。七、Stage 2　结构：口袋里的 20 个残基，和差 24 的两套编号 靶点定下来，问题从"为什么打它"变成"它长什么样"。下载结构只要三行： import requests url = "https://files.rcsb.org/download/1M17.pdb" r = requests.get(url, timeout=60) 拿到的 1M17 一共 252720 字节，2511 个蛋白原子，2.60 埃分辨率。文件头两行先看一眼： TITLE    EPIDERMAL GROWTH FACTOR RECEPTOR TYROSINE KINASE DOMAIN          WITH 4-ANILINOQUINAZOLINE INHIBITOR ERLotinib REMARK   2 RESOLUTION.    2.60 ANGSTROMS.第一次亲手"摸到"口袋 口袋不是哪个软件恩赐给你的黑盒，它的第一版定义朴素得惊人：已知配体周围 5 埃以内的蛋白残基。用 NeighborSearch 数一数，实跑结果：AQ4 一共 29 个原子，5 埃以内圈住 20 个残基。接触最紧密的前几名是 LEU694（14 次接触）、LEU820（11 次）、MET769（10 次）——一个疏水口袋该有的样子。再拿 EGFR 激酶位点的几个"名人"去对： 激酶位点关键残基 是否在 5 埃口袋内 身份 K745 ✓ 在 催化赖氨酸 T790 ✓ 在 门卫残基（gatekeeper），T790M 耐药突变位点 C797 ✓ 在 第三代药物奥希替尼的共价结合残基 M793 ✓ 在 hinge 区，喹唑啉经典氢键供体位置 D855 ✓ 在 DFG 基序的天冬氨酸 全部命中。我们自己用 30 行代码提取的"朴素口袋"，和二十多年文献积累的激酶位点知识完全对上了。这种"我的结果和已知答案吻合"的确认感，比任何 docking 分数都更能说明流程是对的。坑 1：结构编号和临床编号，差 24 但是这里有个当时差点错过的问题：上面表格里的编号是临床文献的写法，可 1M17 文件里那个共价残基写的明明是 C773，不是 C797。是结构错了吗？还是我拿错了文件？ 把 1M17 链 A 的 312 个观测残基，和 UniProt P00533 的 1210 个氨基酸逐位比对，答案自己跳出来了：偏移 24 时，312/312 全部吻合，一个都不差。 1M17 编号 UniProt / 临床编号 身份 C773 C797 共价结合残基（导论篇 EGFR C797S 案例的主角） T766 T790 门卫残基，T790M 耐药 K721 K745 催化赖氨酸 G695 G719 G719S 激活突变位点 D831 D855 DFG-Asp 图 7｜左：实跑得到的 20 个口袋残基（按接触次数排序）；右：同一批位点在两套编号下的对照——差整整 24。校验方法是把 312 个观测残基与 P00533 逐位比对，偏移 24 时 312/312 全中。 为什么差 24？因为 1M17 的残基编号从成熟蛋白开始计，把信号肽的 24 个氨基酸去掉了；而 UniProt 和临床文献从起始甲硫氨酸开始计。两套编号在 EGFR 文献里长期并存。 这个坑的通用形态：结构文件的残基编号、UniProt 编号、临床突变编号，是三套可能不一致的系统。做突变扫描、对接后分析、跨文献对照之前，先用序列比对把偏移量定死。否则你写给 C797 的共价弹头 SMARTS，扫不到你以为是 C797 的残基上。 顺手把 docking 盒子的中心也算出来了：厄洛替尼 29 个原子的质心在 (22.01, 0.25, 52.79)。第五节那两个盒子的对比，就是从这里来的——盒子中心从晶体来，不从手感来。八、Stage 3　数据：16 个"EGFR"，只有 1 个能用 结构有了，接下来要给模型找 y 值——真实测量的活性。去 ChEMBL，第一步不是拉数据，是找靶点 ID： requests.get("https://www.ebi.ac.uk/chembl/api/data/target.json",     params={"target_components__accession": "P00533", "limit": 10}) 用 UniProt 编号 P00533 去查，实跑返回 16 个条目。它们名字里都带 EGFR，但类型完全不同： ChEMBL ID 类型 是什么 CHEMBL203SINGLE PROTEIN 人 EGFR 单靶点——我们要的就是它 CHEMBL2111431 PROTEIN FAMILY EGFR 和 HER2 合并统计的"家族靶点" CHEMBL3137284 CHIMERIC PROTEIN MER 胞内域 / EGFR 胞外域的嵌合体 CHEMBL4523680 PROTEIN-PROTEIN INTERACTION EGFR-泛素连接酶，用于分子胶 / PROTAC 类筛选 ……共 16 个 其余多为家族、嵌合体、蛋白-蛋白相互作用条目 如果你随手拿了第一个搜到的"EGFR"就开拉数据，后面每一条记录的语义都是含混的：家族靶点的 IC50 混着好几个蛋白的测量。这就是生物语义篇反复强调的 Target identity 问题——选 CHEMBL203，人源、单蛋白、EGFR，三者缺一不可。 锁定靶点后拉活性数据，过滤条件同样严格：standard_type="IC50"、standard_units="nM"、standard_relation="="（只要精确等值，先不要 "<10"、" >10000" 这类删失数据）、assay_type="B"（结合实验）。分页拉完，实跑统计： 指标 实跑值 意味着什么 原始记录数 18381 十九年文献的积累 唯一分子数 10524 同一个分子被反复测 来源实验（assay）数 1910 近两千个实验室、协议、批次 缺 SMILES 的记录 17 直接丢弃九、Stage 4　清洗：比训练模型重要的一步 先标准化结构。用 RDKit 的 MolStandardize：Cleanup 处理价态和官能团表示，LargestFragmentChooser 去掉盐和溶剂碎片，最后输出保留手性的规范 SMILES。实跑：标准化失败 0 个。另一个容易被忽略的检查是手性：清洗前后，含 @ 手性标记的 SMILES 一个没丢——共价抑制剂全是手性分子，如果标准化时顺手把手性洗掉，同一分子的两个对映异构体就会被当成一个，活性标签直接被污染。 然后统一活性标签。只留等值记录，换算 pIC50： df["pIC50"] = 9 - np.log10(df["value_nM"]) # 100 nM -> 9 - log10(100) = 7.0，越大越强 同一分子被测了多次怎么办？取中位数，同时把测量次数和离散程度留在表里。实跑统计： 实测统计 数值 解读 聚合后唯一分子 10468 模型真正的样本量 被测过 ≥2 次的分子 3710（35.4%） 三分之一的数据有"测量分歧" 分歧中位数（max−min） 0.71 个对数单位 中位差约 5 倍浓度 分歧超过 1 个对数单位的分子 1333 测得差了 10 倍以上 最有戏剧性的一个实测发现：厄洛替尼——就是 1M17 共晶里那个配体——在 ChEMBL 里有 193 条等值 IC50 记录，最小 0.029 nM、最大 421 微摩尔，跨度 7.2 个对数单位。同一个分子的"标准答案"，人类测出了跨七个数量级的分歧。这不是数据库脏，这是真实世界的实验现实：不同实验室、不同协议、不同构造的酶，测出来的本来就不一样。 图 8｜上：清洗前 18381 条记录的 pIC50 分布，右边拖着一条 11 以上的尾巴；下：35.4% 的分子被测过不止一次，分歧中位数 0.71 个对数单位——"标签是绝对的"这个假设，从数据进来的第一天就不成立。坑 2：一条假数据，毁掉的不是模型，是排序 体检分布时我注意到清洗前的 pIC50 最大值是 17.30。换算一下：IC50 = 5 × 10⁻¹⁸ 摩尔每升。什么概念？一升里连一个分子都摊不上，物理上不可能——这显然是原始记录里单位录错（比如把微摩尔记成了纳摩尔）。pIC50 > 11 的脏数据一共 16 条。 我做了个对照实验：同一个测试集，一组用干净数据训练，另一组故意把这 16 条脏数据混回训练集。结果：随机森林对占比 0.1% 量级的离群标签几乎免疫，模型指标一点没掉。但如果你的任务是排序——选 Top 20 去做实验——那条 pIC50=17.3 的分子会稳稳占据第一位，你的第一批实验预算就全部交给一条录入错误。 这个坑的通用形态：脏数据对"模型指标"的伤害远小于对"排序决策"的伤害。训练前先画一遍标签分布，给 pIC50 划一个物理上可能的区间（本文用 3~11，对应 IC50 从毫摩尔到 0.01 纳摩尔），区间外的先剔除再说。这一步五分钟，救的是几周后的实验预算。十、Stage 5　基线：先 ECFP + 随机森林，再谈别的 很多学习路线一上来就是 GNN、Transformer。MVP 刻意反过来：先用最无聊的 ECFP4 指纹（Morgan，半径 2，2048 位）喂随机森林。实跑配置：10468 个分子 × 2048 位指纹，500 棵树。 训练之前先做本文最重要的一步——骨架切分。按 Murcko 骨架把分子分组，保证测试集里的每一种骨架，训练集里一次都没出现过。实跑统计：10468 个分子共 3854 种骨架，其中 2587 种只出现一次。出现次数最多的骨架有 570 个分子——c1ccc(Nc2ncnc3ccccc23)cc1，4-苯胺基喹唑啉，正是厄洛替尼、吉非替尼这一整代 EGFR 药物的共同骨架。 然后是见证差距的时刻。同一个模型、同一批数据，只换切分方式： 模型 / 切分 MAE R2 测试集骨架在训练集出现过 一句话解读 ECFP4+RF / 随机切分 0.5095 0.732 659 种 一半成绩来自"默写" ECFP4+RF / 骨架切分0.6015 0.6490 种 这才是真实水平 Chemprop（D-MPNN）/ 骨架切分 0.6474 0.580 0 种 没赢随机森林 图 9｜随机切分下，659 种测试集骨架在训练集里都见过——模型等于在"默写"；骨架切分把重叠清零，MAE 立刻上涨 18%。你的模型没有变差，变差的只是你对它的期待。 MAE 从 0.51 涨到 0.60，涨了 18%。这不是模型变差了，而是随机切分时模型有相当一部分成绩来自"默写答案"——659 种测试集骨架在训练集里本来就见过。骨架切分才是"预测一个没见过的新化学系列"的真实难度，也就是真实研发里每一轮新系列要面对的难度。加一个对照组：Chemprop 的诚实负结果 为了回答"换成图神经网络到底多学到了什么"，我装了 Chemprop（D-MPNN 架构），用完全相同的骨架切分训练了 50 个 epoch（40.9 万参数，标签先标准化、评估时再反变换——这一步做错，MAE 会从 0.65 飙到 12，别问我怎么知道的）。 结果它在骨架切分下 MAE 0.6474，比随机森林的 0.6015 还差。这个结果我想原样放在这里，不做任何美化，因为它揭示的规律和工具篇的预言完全一致：在几千到一万量级的数据上，"简单的表示 + 强大的传统模型"经常打赢端到端图神经网络。工业界 QSAR 里随机森林和 XGBoost 长期是打不死的基线，不是因为没有更好的模型，而是因为数据量不够它们发挥。十一、Stage 6　Docking：先自证，再筛选 第七站里的虚拟筛选，很多教程直接从"跑 Vina"开始。工程里我把顺序反过来：先证明这条对接 pipeline 自己是可信的，再谈筛分子。第一步：把晶体配体重新对接一遍 厄洛替尼本来就在 1M17 里躺着。把它取出来、重新准备、对接回口袋，看能不能找回它在晶体里的位置： 重对接自检（crystal redocking） 实跑值 合格线 晶体 pose 自打分 −6.024 kcal/mol 应为明显负值 重新对接最佳 pose 打分（9 个 pose 中排第 1） −7.375 kcal/mol — 最佳 pose 与晶体位置的 RMSD1.411 埃 < 2.0 埃即算找回 RMSD 1.411 埃，合格。这意味着受体准备、加氢、质子化、盒子定义这一整条链没有出错。这一步花 20 分钟，换来的是后面所有打分的基本可信。第二步：筛 30 个分子，然后拿真实活性"验货" 从模型预测的高活性分子里取 30 个，全部成功对接。然后做一件教程里很少做、但最诚实的事——把对接分数和真实测量的活性放在一起看（这 30 个分子在 ChEMBL 里都有实测值）： 相关性（30 个分子） Pearson r Spearman ρ 模型预测活性 vs 真实活性+0.371+0.449 对接分数 vs 真实活性+0.100 +0.101 模型预测活性 vs 对接分数 −0.059 — 图 10｜上：10468 个分子的可合成性分布（详见第十二节）；下：30 个真实分子的对接分数 vs 真实活性——散点接近一团随机云，Pearson r 只有 +0.10，颜色（模型预测）和横轴（对接分）也几乎不相关（r = −0.06）。 两个细节比相关系数更扎心：对接分排第 1 的分子 （−9.56 kcal/mol），真实 pIC50 只有 9.00——不错，但在 30 个里排不进前列；真实活性最强的分子 （pIC50 10.54），在对接榜上排第 19 名（共 30 个）。如果你只有预算测对接榜 Top 5，你会和它擦肩而过。 当然要诚实注明：30 个分子的样本量太小，r = +0.10 本身没有统计显著性——但这恰恰是重点：在这个样本量下，对接分数提供不了任何可靠排序。这不是说 docking 没用（重对接自检它是合格的，构象层面的启发它仍然有价值），而是说：对接分数是"能不能塞进去"的粗筛，不是"结合多强"的排序器。在它之后需要 MM/GBSA 或分子动力学模拟做结合自由能的精细估计，再之后是湿实验。以为拿到一个 −9 的分数就找到了苗头化合物，是 AIDD 新手最贵的一堂课。 这个坑的通用形态：对接打分包含大量简化假设（刚性受体、连续介质溶剂、打分函数的参数化时代局限），高分不等于高亲和力。工程上把它当粗筛与构象来源，决策上永远要和活性模型、专家经验三角验证。十二、Stage 7-8　成药性与可合成性：两级关卡，两种性格 活性模型和对接都跑完了，现在把 10468 个分子过一遍成药性描述符面板（分子量、logP、TPSA、氢键供受体、可旋转键、QED、SAScore），看两级关卡各自拦下谁： 关卡（全部 10468 个分子） 通过率 实跑计数 活性达标（预测/实测 pIC50 ≥ 7） 52.0% 5444 + Lipinski 五规则 45.7% 4788 + Veber 规则（可旋转键 + TPSA） 86.7% 9076 活性 + 药性全过 → 进入成药性收尾 — 1901 + QED ≥ 0.3 → 最终候选 — 1798 注意：这是 EGFR 抑制剂数据集，一个上市药扎堆的、成药性相对最好的领域，Lipinski 通过率也只有不到一半。剩下的那些"违规分子"里有不少就是活性最强的共价抑制剂——它们分子量大、亲脂性高，规则就是为了拦它们才存在的。 把分子按活性分组，"活性-成药性"的张力一目了然：强活性组（pIC50 ≥ 8，2611 个分子）平均 QED 只有 0.346，弱活性组是 0.441；平均分子量 511.9 对 455.2。QED 和 pIC50 的 Spearman 相关是 −0.071：几乎无关，方向还是负的。活性越好，分子平均而言越不像药——你不断往分子上加基团去堵口袋，直到成药性开始报警。 图 11｜上：10468 个分子的活性-QED 散点，强活性组的 QED 均值反而更低（0.346 vs 0.441），分子量均值高出 57；下：帕累托前沿只有 12 个分子——"最优解"不是一点，是一条折中曲线。SAScore：它到底在拦谁？ 第六站"可合成性"的 MVP 工具是 RDKit 的 SAScore（合成可得性打分）。流行的建议是"从 Day-1 就把 SA < 4.5 写进筛选"。我对全部 10468 个分子算了一遍，结果出乎意料： SAScore 实测（真实化合物库） 数值 解读 均值 / 中位数 / 最难 3.02 / 2.83 / 8.48 整体偏"好合成" SA ≤ 4.5 通过率95.7% 几乎不砍人 SA ≤ 6.0 通过率 100.0% 形同虚设 SAScore vs pIC50 相关（Spearman） +0.282活性越强，越难合成 强活性组 / 弱活性组 平均 SA 3.32 / 2.85 同一趋势 对一个真实化合物库，SAScore 几乎没有过滤作用——这很合理：库里的分子都是被人合成出来过的，天然就好合成。更有趣的是那个 +0.282 的正相关：在这个数据集里，活性越强的分子平均越难合成。优化活性是有代价的，代价之一就记在 SAScore 上。 那"Day-1 加 SAScore"的建议错了吗？没有——它拦的不是筛选库，是生成模型。为了验证这一点，我做了个玩具实验：写一个最粗暴的"无约束生成器"——把 ChEMBL 真分子的 SMILES 字符串随机剪一刀、再随机拼回去，重复生成 3000 个新分子（约 13 万次尝试里只有 3000 个能通过化学合法性检查），然后算它们的 SAScore： 分子来源 SAScore 均值 SA ≤ 4.5 通过率 SA ≤ 6.0 通过率 真实分子（ChEMBL，都被合成过） 3.02 95.7% 100.0% 无约束重组分子（3000 个）3.7280.2% 98.0% 图 12｜上：仅仅"无约束地拼分子"，SAScore 分布就整体右移（均值 3.02 → 3.72，最难到 6.9）；下：同一道 SA≤4.5 的关卡，对真实化合物库几乎不设防（95.7% 通过），却能拦下 15.5% 的生成分子。 一个诚实的附注：这批重组分子 QED 均值反而略高于真实分子（0.449 vs 0.397）——字符串重组倾向于产出更小、更简单的分子，成药性规则拦不住它们，只有合成难度这一关能拦住它们。这更说明 SAScore 不可替代。 结论：SAScore 是给生成模型准备的刹车，不是给虚拟筛选准备的筛子。虚拟筛选阶段的分子都来自真实库，加不加 SA 约束差别不大（5444 → 5139，砍掉 305 个）；生成阶段的分子天马行空，没有 SA 约束就会源源不断产出"只存在于计算机里的神仙分子"。十三、Stage 9　干湿闭环：最贵的实验预算，花在谁身上 最后一步，模拟真实研发里最烧钱的决策：实验预算有限，下一批 300 个分子测谁？ 我用真实数据构造了一个闭环模拟：初始只给 300 个已标记分子（相当于第一轮实验的预算），剩下 7896 个当作"未合成分子池"，每轮挑 300 个"去做实验"，总共 6 轮。三种挑法：uncertainty（用随机森林自身 200 棵树的预测方差当不确定性，专挑模型"最拿不准"的）、random（随机挑）、greedy（挑模型预测活性最高的——很多新手默认的"聪明做法"）。 model = RandomForestRegressor(n_estimators=200, random_state=42) model.fit(X[train_idx], y[train_idx]) P = np.stack([t.predict(X[pool]) for t in model.estimators_]) mean, uncertainty = P.mean(0), P.std(0)   # 森林免费送的不确定性 acq = mean + 0.5 * uncertainty               # 采集函数：又好又拿不准 同一个测试集上，三种挑法的成绩单： 挑法 初始 300 900 1500 1800 评价 uncertainty（挑最不确定） 0.900 0.825 0.8080.747 起点慢，终点最优 random（随机挑） 0.900 0.823 0.784 0.778 稳定 greedy（只挑预测最强） 0.900 0.888 0.8950.884 全程原地踏步 图 13｜同样的 6 轮实验预算：greedy 的 MAE 六轮几乎纹丝不动（0.90 → 0.88），模型越学越"自信"却没有变准；uncertainty 前四轮甚至落后于 random，到 1800 样本才反超并拿到最优的 0.747。 两个值得盯很久的现象： 第一，greedy 六轮几乎在原地踏步。只挑模型最自信的分子去做实验，等于反复训练模型看同一类它已经会了的分子——数据越攒越多，多样性越来越窄。这反过来解释了 uncertainty 为什么有效：实验预算的价值不在于验证模型已经会的，而在于补上模型不知道自己不知道的。 第二，uncertainty 的领先不是免费的，它是"熬"出来的。前四轮它甚至落后于随机挑选，直到第 6 轮（1800 样本）才反超——不确定性采样买的那些"怪分子"前期看着浪费，后期集中兑现。如果你只做两轮实验就下结论"主动学习没用"，你就把这个故事讲反了。真实项目里预算和耐心都有限，这正是采集函数设计（探索与利用的配比）成为一门手艺的原因。十四、七份交接物：MVP 的验收标准 整个项目跑完，不要求论文，不要求 SOTA，只要求这些文件能串起来： 序号 文件（aidd-mvp 工程产出） 回答的问题 01 target_rank.csv 为什么打这个靶点？证据和权重都写在里面 02 pocket.json 口袋在哪？20 个残基 + 盒子中心 + 两套编号对照 03 dataset.csv 标签从哪来？含测量次数和离散度 04 07_baseline.json 模型多准？两种切分方式下的诚实答案 05 08_chemprop.json 换图神经网络有多大提升？（本文答案是：负的） 06 docking.csv / 09_docking.json 结构信息提供了什么？重对接自检 + 打分正交性 07 10_admet.json / 11_closed_loop.json 测谁？下一轮预算怎么花？ 给第一次完整做的人排一个节奏——每周 4 小时，四周走完： 周 任务 必须看到的结果 W1 config + 靶点排序 + 结构下载 + 口袋提取 从一个基因名走到 20 个口袋残基，编号偏移自己查清楚 W2 ChEMBL 取数 + 标准化 + pIC50 + 数据体检 从 18381 条原始记录走到一张能看出脏数据的分布图 W3 骨架切分 + RF 基线 + Chemprop 对照 亲手复现"随机切分 0.51 vs 骨架切分 0.60"式的落差 W4 Docking 自检 + ADMET + 帕累托 + 主动学习模拟 看到对接分数与活性正交、greedy 曲线原地踏步十五、MVP 算通过的标准：不看指标，看四问 不是 AUROC > 0.9，也不是 MAE < 0.5。而是合上文章，能自己从头画出整条链—— 靶点证据 → 结构 → 口袋 → 活性数据 → 清洗 → 切分 → 基线模型 → Docking 粗筛 → 多目标 → 下一轮实验 → 新标签回流 然后对每一条箭头回答四个问题： 输入是什么？（数据格式、来源、数量级）输出是什么？（交给下一环节的文件长什么样）这一步为什么必须存在？（不做会发生什么）这一步错了，会污染哪几个下游环节？ 第四问最难，也最值钱。本文的六个坑就是现成的例子：写死的口袋坐标让对接全错；Target identity 选错，标签语义全混；pIC50=17.3 不剔除，Top1 排序全毁；切分方式用错，你对模型的所有期待都是虚高的；把药性过滤放在活性筛选的位置，pipeline 会安静地交出一堆无效 Lead；把对接分数当排序器，你最强的分子会从指缝里溜走。 如果四问都能答上来，恭喜你——你已经拥有了一张属于自己的地图，而不是一篇读过的文章。写在最后：先跑通，再演进 你刚跑通的这条流水线，正是"十五五"第一道题的前半程——在更大的搜索空间里，更快地找到值得验证的候选——的具体形状。 你看它由什么组成：靶点证据排序、结构处理、公开数据清洗、骨架级验证、多目标决策、实验预算分配——没有一步是玄学，全部可以在一台笔记本上跑通。英矽智能用 AI 平台把 TNIK 靶点到临床前候选压到 18 个月、rentosertib 现在进了Ⅲ期；晶泰科技把机器人实验室接进"设计-合成-测试-分析"循环。拆开看，他们的底座和这篇的 MVP 是同构的，差别在于规模、数据和湿实验的自动化程度。 所以别小看这条"慢"的流水线。等你把七站逐一走完，后面再学 GNN、Diffusion、生成模型时，每一个新模型都会自动落进一个具体工位——你知道它的输入是谁给的、输出该交给谁、这一环错了会污染哪里。到那时，你学的不再是一堆"AI 制药技术"，而是在持续升级一条你已经理解的流水线。 先跑通，再深挖；先闭环，再高级。 留一个问题，欢迎评论区聊聊：伪代码的 demo 库跑出了 3 个"Lead"，一个都不是 EGFR 抑制剂，而真药被 QED 过滤器拒收——"跑通"和"跑对"的距离，你在哪个环节付过学费？ 「零基础入门 AI制药」系列 : ① 起始篇从新冠 mRNA 到 AI 制药：药物研发，正在从“大海捞针”走向“计算设计”  ② 第 1 课AI 制药第一课：不讲任何模型，先教你和 AI「读懂」一个分子  ③ 第 2 课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  ④ 政策篇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  ⑤ 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 ⑥ 实践篇-上AI 制药实践篇：从疾病到候选分子，用一个 MVP跑通端到端AIDD Pipeline，理解全流程宏观地图 ⑦ 行业篇：2026AI制药行业全景：市场、技术路线、商业模式与未来机会 ⑧本篇属于：实践篇-下，带你真正跑通一个AIDD Pipeline MVP。 如果这篇帮你跑通了第一条 AIDD 流水线（篇幅原因完整的aidd-mvp工程代码有兴趣，欢迎关注或私信交流，或者 点赞 / 在看 / 收藏 / 转发 给同样在学 AI 制药的朋友），下一篇我们钻进第一个工位的细节。 注：本文全部模型指标与统计数字为作者于 2026 年 10 月在本机实跑所得，环境与随机种子（seed=42）已在文中给出，整条流水线由 aidd-mvp 工程 run_all.sh 一键复现；结构编号核验方法见第七节，对接自检方法见第十一节。本文仅用于技术学习交流，不构成任何投资建议或用药建议。