米其林主厨老周要研发一道招牌菜。他先坐在书房里，翻开厚重的香料相性表，在纸上推演「蚝油配鹅肝、糖多少克」，连摆盘都画好草图——这是「干实验」。接着他走进厨房，把配方变成一盘真菜端给食客；食客皱眉说太咸、太柴、不够鲜，他把每条意见记进配方本——这是「湿实验」。回到书房，他按反馈改配方，再试、再记……三个月后，那道菜终于让食客拍案叫绝，配方本也成了厚厚一本「踩坑地图」。 AI 驱动分子发现，走的正是同一条路。「书房」叫干实验室（Dry Lab）：AI 生成候选分子、预测活性、打分排序，一天能推演百万个「配方」；「厨房」叫湿实验室（Wet Lab）：化学家把分子真正合成出来、测结合力、验毒性，一周却只能试做几十个。两者交替迭代、数据持续回流，就是 dry-wet loop——AI 设计分子的湿实验闭环。理解这个闭环，你就抓住了 AI 制药公司最核心的运转节奏。

岗位关联

干湿闭环是把 AI 模型从「纸面刷分」推向真实药研价值的枢纽能力；掌握它，你才能成为连接计算团队与实验团队的稀缺人才。

目录
  1. 可视化演示
  2. 闭环核心概念
  3. 干实验分子设计
  4. 湿实验验证环节
  5. 数据回流机制
  6. 主动学习策略
  7. 迭代收敛优化
  8. 工程实践落地
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示AI设计分子的干湿实验闭环(Dry-Wet Loop)流程：AI生成候选分子、湿实验合成验证、结果反馈优化模型的迭代循环。切换模式查看不同阶段，拖动滑块调节迭代轮次。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Dry-Wet闭环迭代流程 Dry阶段：AI生成分子并预测性质 Wet阶段：实验合成与活性验证 反馈阶段：实验数据回传优化模型 M_{t+1} = optimize(M_t, D_wet) 闭环迭代持续提升分子设计质量

闭环核心概念

老周研发招牌菜的第一天，就在配方本扉页写下三个字：循环改。他不追求第一版就惊艳，只要求每一轮试做都比上一轮离「完美」更近一步。AI 药物发现的干湿闭环也是同样的哲学：它不是一个单次任务，而是一个「推演 → 试做 → 记录 → 再推演」的持续循环。所谓 dry-wet loop，就是把计算筛选（dry）与实验验证（wet）串成一条流水线，让每一轮实验结果都成为下一轮设计的起点。

从概念上拆解，闭环有三个核心要素：一是干实验环节负责「广撒网」，在巨大的化学空间里低成本生成和筛选候选分子；二是湿实验环节负责「优中选真」，用真实实验给少数候选分子贴上金标准标签；三是数据回流环节负责「吃一堑长一智」，把实验标签送进模型，修正预测偏差。三者缺一不可，且必须按节奏交替运转，才能形成飞轮效应。

技术实现上，闭环的每一次迭代都可以形式化为一次数据集更新：假设第 t 轮开始时，团队手里有一批「已试做、有反馈」的分子样本，本轮湿实验又新增了一批带标签样本，那么下一轮模型看到的训练集就是两者的并集。这个看似简单的并集操作，正是闭环能不断自我纠错的理论根基。

就像老周每次试吃都会翻一页配方本，模型也在每一轮闭环后变得更懂「食客的口味」。这个循环一旦跑起来，分子设计就从一次性的蒙题，变成有反馈的持续进化。

Dt+1=Dt∪{(xi,yi)}i=1nt\displaystyle \mathcal{D}_{t+1} = \mathcal{D}_t \cup \left\{ (x_i, y_i) \right\}_{i=1}^{n_t}
这一行说的是：第 t+1 轮开始时的配方本 = 上一轮的配方本 + 本轮所有试做菜的新记录。数据越滚越多，模型越学越准。
  1. 历史数据集 $\mathcal{D}_t$第 t 轮开始时已经积累的全部「分子-活性」对，就像老周配方本里那些已经试做过的菜和评分。
    Dt={(x1,y1),(x2,y2),…,(xm,ym)}\mathcal{D}_t = \{ (x_1, y_1), (x_2, y_2), \dots, (x_m, y_m) \}
  2. 新样本 $(x_i, y_i)$本轮湿实验测出的第 i 个候选分子的活性标签，其中 $x_i$ 是分子结构表示，$y_i$ 是活性数值或类别。
    xi∈Rd,yi∈{0,1} 或 Rx_i \in \mathbb{R}^{d}, \quad y_i \in \{0, 1\} \ \text{或}\ \mathbb{R}
  3. 并集运算 $\cup$把新旧数据合并成一个更大的集合，数学上保证信息不丢失。
    Dt+1=Dt∪Dnew\mathcal{D}_{t+1} = \mathcal{D}_t \cup \mathcal{D}_{\text{new}}

干实验分子设计

老周的「干实验」生活很惬意：不需要开火，不用买食材，他坐在书房里对着香料相性表，用笔在纸上组合出几百个候选配方，再用自己总结的「好吃度经验公式」打分排序。干实验的妙处在于便宜——纸面推演一万个配方，成本不过一杯咖啡。AI 药物发现的干实验环节同样如此，是整个闭环里性价比最高的阶段。

干实验环节通常由四个步骤组成：第一步是用生成模型（如 VAE、扩散模型或序列生成模型）批量产生候选分子；第二步是用活性预测模型给每个分子打分，相当于老周的「经验公式」；第三步是做成药性过滤，用类药五规则（Lipinski）和 ADMET 性质筛掉那些「理论上好吃但没法上桌」的分子；第四步是对通过者排序，把 Top-N 个分子送进湿实验室。因为湿实验昂贵且慢，干实验就必须承担「把好菜挑出来」的重任。

在工程上，评分环节常被设计成一个加权综合指标，把多个维度的预测拼成一个可排序的分数：

干实验的价值不是「每次都押中」，而是用极低成本把化学空间从「百万级别」压缩到「几十个值得花钱验证的候选」。就像老周的纸上推演省下了一大堆买昂贵食材的钱，干实验把宝贵的湿实验资源留给了真正有潜力的分子。

S(x)=w1⋅P^act(x)+w2⋅Qdrug(x)−w3⋅Csyn(x)\displaystyle S(x) = w_1 \cdot \hat{P}_{\text{act}}(x) + w_2 \cdot Q_{\text{drug}}(x) - w_3 \cdot C_{\text{syn}}(x)
这句话的意思是：给一个候选分子打分 = 活性预测的权重分 + 类药性权重分 − 合成难度的惩罚分。分数越高，越值得花宝贵的湿实验资源去验证。
  1. 活性预测 $\hat{P}_{\text{act}}(x)$模型预测分子 x 与靶点结合的活性概率，取值范围 0 到 1，是老周眼里「这道菜合不合食客口味」的先验判断。
    P^act(x)∈[0,1]\hat{P}_{\text{act}}(x) \in [0, 1]
  2. 类药性 $Q_{\text{drug}}(x)$衡量分子是否「适合做药」的指标，包含溶解度、渗透性、代谢稳定性等，相当于菜品是否方便批量复制。
    Qdrug(x)∈[0,1]Q_{\text{drug}}(x) \in [0, 1]
  3. 合成难度 $C_{\text{syn}}(x)$预测这条分子合成路线的复杂度，越难合成成本越高，所以要作为惩罚项减去。
    Csyn(x)∈[0,+∞)C_{\text{syn}}(x) \in [0, +\infty)
  4. 权重 $w_1, w_2, w_3$三个超参数决定团队更看重活性、成药性还是成本，通常由项目目标手动设定。
    wi>0,∑iwi=1w_i > 0, \quad \sum_{i} w_i = 1

湿实验验证环节

老周再会推演，也有失手的时候——纸上觉得「蚝油配鹅肝」绝妙，真做出来却腻得发慌。唯一能定生死的，只有把菜端上桌让食客亲口尝。湿实验就是 AI 药物发现里的「端菜上桌」：把干实验选出的 Top-N 候选分子真正合成出来，在试管和细胞里测量它们的真实行为。

湿实验环节主要包含四类验证。第一是合成与表达：小分子要走化学合成路线，抗体等大分子要用细胞表达系统产出蛋白样品。第二是亲和力测定：用表面等离子共振（SPR）或等温滴定量热（ITC）测出分子与靶点的结合强度。第三是细胞活性测试：在细胞层面观察分子是否真的抑制了疾病靶点。第四是毒性评估：测试分子对正常细胞的安全性。这些实验贵、慢、偶尔还要返工，但给出的标签是金标准——就像食客的舌头，骗不了人。

亲和力测定是湿实验里最核心的读数之一，它与结合自由能直接相关：

湿实验虽然慢，却是闭环里唯一能产生「真话」的环节。老周可以怀疑自己的香料表，但绝不会怀疑食客皱眉头这个事实——湿实验数据就是 AI 模型世界里的食客表情，必须被认真对待并记录归档。

ΔG=−RTln⁡Kd\displaystyle \Delta G = -RT \ln K_d
结合自由能 ΔG 与解离常数 K_d 的换算公式：K_d 越小，结合越紧，ΔG 越负，说明分子与靶点「锁」得越牢。
  1. 解离常数 $K_d$衡量分子与靶点结合强弱的实验值，单位是浓度（如 nM）。K_d 越小表示只要很低的浓度就能结合，亲和力越强。
    Kd=[P][L][PL]K_d = \frac{[P][L]}{[PL]}
  2. 气体常数 $R$物理常数 $R = 8.314\ \text{J}\cdot\text{mol}^{-1}\cdot\text{K}^{-1}$，相当于换算「温度」与「能量」的汇率。
    R=8.314R = 8.314
  3. 温度 $T$实验绝对温度（开尔文），通常取 $T = 298\text{K}$（室温 25°C）。
    T=298 KT = 298\ \text{K}
  4. 自然对数 $\ln$以 e 为底的对数运算，把浓度比值压缩成能量读数。
    ln⁡Kd=ln⁡(Kd)\ln K_d = \ln(K_d)

数据回流机制

食客皱眉头之后，老周最怕两种反应：一是把意见当耳旁风，下轮还按老配方做；二是慌慌张张把整个配方本撕了重写。聪明的做法，是把「太咸」「太柴」这些反馈工整地抄进配方本，然后在旧配方基础上做局部微调。数据回流机制，就是分子设计闭环里「抄反馈」的动作。

回流环节具体做三件事：第一，把湿实验数据（分子结构 + 活性标签 + 实验条件）清洗后存入实验数据库，形成组织级资产；第二，用增量学习或微调的方式更新模型，而不是从头重训——因为每轮湿实验通常只有几十几百个样本，属于典型的小样本学习场景；第三，修正分布漂移，因为湿实验往往偏好探索某些化学子空间，回流数据会使训练分布偏离初始分布，需要加权或重采样来校准。

微调时，为了防止「只顾新数据、忘掉老知识」的灾难性遗忘，常用带正则的损失函数：

数据回流让模型每一轮都「带着记忆成长」。老周的配方本越写越厚，模型也越攒越聪明——这正是闭环区别于「一次性建模」的本质：数据不是消耗品，而是复利资产。

L(θ)=1n∑i=1n(y^(xi)−yi)2+λ∥θ−θ0∥2\displaystyle \mathcal{L}(\theta) = \frac{1}{n} \sum_{i=1}^{n} \left( \hat{y}(x_i) - y_i \right)^2 + \lambda \left\| \theta - \theta_0 \right\|^2
这个损失函数包含两部分：前半段让模型在新湿实验数据上拟合得更准，后半段用正则项拽住模型，不让它离上一轮的参数太远——「改配方可以，但别把老本行忘光」。
  1. 预测误差 $(\hat{y}(x_i) - y_i)^2$模型预测活性与湿实验真实标签的平方差，是模型「认错」的依据。
    ei=(y^(xi)−yi)2e_i = \left( \hat{y}(x_i) - y_i \right)^2
  2. 平均求和 $\frac{1}{n}\sum_{i=1}^{n}$把本批 n 个新样本的误差取平均，表示「这轮反馈整体打得准不准」。
    eˉ=1n∑i=1nei\bar{e} = \frac{1}{n} \sum_{i=1}^{n} e_i
  3. 正则项 $\lambda \| \theta - \theta_0 \|^2$惩罚新参数 θ 与旧参数 θ₀ 的差距，λ 控制「允许改多大」。λ 越大，改动越保守。
    ∥θ−θ0∥2=∑j(θj−θ0j)2\|\theta - \theta_0\|^2 = \sum_{j} (\theta_j - \theta_{0j})^2

主动学习策略

如果每轮都要试做一百道菜，老周得破产。所以他聪明得很：一轮只试五道，但五道菜里三道是「应该稳好吃的」，两道是「争议很大、能探出口味边界的」。这个「花小钱探路」的策略，就是主动学习在干湿闭环里的角色——决定下一批湿实验到底测哪些分子，比埋头猛测重要得多。

主动学习的核心是「探索与利用」的权衡：利用（exploitation）指优先选模型预测活性高的分子，保证本轮收益；探索（exploration）指选模型不确定性大的分子，虽然眼下可能不中靶，却能快速补上知识盲区。常用的实现是贝叶斯优化，用一个采集函数（acquisition function）把两个目标合成一个分数。最经典的采集函数之一是 UCB（上置信界）：

主动学习让每一轮湿实验都「花在刀刃上」。老周试那两道争议菜，不是为了立刻做出招牌，而是为了搞清楚食客到底偏爱甜口还是咸口——这些信息，比多做三道稳妥菜值钱得多。

a(x)=μ(x)+κ⋅σ(x)\displaystyle a(x) = \mu(x) + \kappa \cdot \sigma(x)
采集分数 = 预测活性均值 + κ 倍的预测不确定性。κ 大则爱冒险探索，κ 小则求稳利用。这个分数就是「老周挑争议菜」的数学版。
  1. 预测均值 $\mu(x)$模型认为分子 x 在湿实验里可能测出的活性期望，对应「应该稳好吃的菜」。
    μ(x)=E[y∣x]\mu(x) = \mathbb{E}[y \mid x]
  2. 不确定性 $\sigma(x)$模型对该预测的置信度不确定性，数据稀疏的区域 σ 大，对应「争议大的菜」。
    σ(x)=E[(y−μ(x))2∣x]\sigma(x) = \sqrt{\mathbb{E}[(y - \mu(x))^2 \mid x]}
  3. 探索系数 $\kappa$人工设定的超参数，控制探索与利用的权重比例。
    κ≥0\kappa \ge 0
  4. 求和 $a(x) = \mu(x) + \kappa \sigma(x)$把「稳妥收益」和「信息价值」相加，选分数最高的 Top-N 个分子作为下一批湿实验对象。
    Top-N=arg⁡max⁡x∈Xa(x)\text{Top-}N = \arg\max_{x \in X} a(x)

迭代收敛优化

三个月里，老周的招牌菜改了 27 版。前 10 版改动天翻地覆，中间 10 版开始只调酱汁比例，最后 7 版连他自己都尝不出区别，食客却越吃越满意。这就是收敛：改动幅度趋近于零，而目标指标稳定在高位。干湿闭环同样需要显式的收敛管理，否则项目会陷入无休止的循环烧钱。

衡量闭环效率的核心指标是命中率（hit rate），即每轮湿实验测试的分子中，活性达标者所占比例。理想情况下，随着模型吸收的数据增多，命中率应逐轮上升；当命中率连续数轮不再提升时，说明模型对该化学空间的预测已趋于饱和，应当收敛并转入下游开发。除了命中率，成功率（候选分子通过全部验证的比例）、每轮周期时长和预算消耗也要纳入监控。

收敛管理本质上是一门「知道何时收手」的艺术。老周在第 27 版收手，不是因为做不出第 28 版，而是因为改动成本已经高于收益——闭环优化同样要在指标、周期与预算之间找到那个停下来的甜蜜点。

Ht=Nhit(t)Ntest(t)×100%\displaystyle H_t = \frac{N_{\text{hit}}^{(t)}}{N_{\text{test}}^{(t)}} \times 100\%
第 t 轮命中率 = 本轮湿实验中活性达标的分子数 ÷ 本轮测试的总分子数。它像老周每轮试吃的「好评率」，是判断该不该继续改的最直接信号。
  1. 命中数 $N_{\text{hit}}^{(t)}$第 t 轮湿实验中活性达到阈值的分子个数，比如 K_d < 100 nM 或抑制率 > 50%。
    Nhit(t)∈{0,1,…,Ntest(t)}N_{\text{hit}}^{(t)} \in \{0, 1, \dots, N_{\text{test}}^{(t)}\}
  2. 测试数 $N_{\text{test}}^{(t)}$第 t 轮实际送入湿实验的候选分子总数，通常等于批次大小 B。
    Ntest(t)=BN_{\text{test}}^{(t)} = B
  3. 百分比换算 $\times 100\%$把比值映射到 0–100 区间，便于跨轮比较。
    Ht∈[0%,100%]H_t \in [0\%, 100\%]

工程实践落地

招牌菜研发成功后，老周又忙起来了：他把配方精确到克、把火候写成秒，做成一本标准化 SOP，让三家分店的新手厨师照着做也能七分像。AI 设计分子的湿实验闭环走到最后，同样要经历「从实验室到流水线」的工程化落地。

这个环节最有代表性的场景是抗体亲和力成熟：团队针对某个候选抗体，用干实验生成突变体文库、预测结合能，湿实验测 K_d，数据回流后进入下一轮突变设计。典型的成功案例中，多轮闭环能让亲和力提升 10–100 倍。抗体人源化改造也是同类套路——干实验预测免疫原性风险，湿实验验证改造后的亲和力与稳定性。工程落地还需要配套的平台工具链：实验数据库、训练调度、批处理脚本、结果看板，以及失败案例复盘机制。复盘尤其重要，因为「哪些分子不该测」的经验，比「哪些分子该测」更容易被低估。

亲和力成熟的最终交付指标，通常以亲和力提升倍数表示：

老周的 SOP 让招牌菜从「一人绝技」变成「连锁标准」，dry-wet loop 的工程化也把 AI 药研从「看天吃饭」变成「流程可控」。至此，一场从书房到厨房的循环，终于闭环成一套可复制的产业能力。

Fold=Kd(0)Kd(final)\displaystyle \text{Fold} = \frac{K_d^{(0)}}{K_d^{(\text{final})}}
提升倍数 = 初始抗体的 K_d ÷ 最终抗体的 K_d。如果初始 K_d 是 100 nM，最终是 1 nM，就提升了 100 倍——相当于老周把「勉强能吃」改进到「招牌必点」。
  1. 初始解离常数 $K_d^{(0)}$改造前母本抗体与抗原的解离常数，是亲和力优化的起点。
    Kd(0)=100 nMK_d^{(0)} = 100\ \text{nM}
  2. 最终解离常数 $K_d^{(\text{final})}$多轮闭环改造后抗体的解离常数，通常远小于初始值。
    Kd(final)=1 nMK_d^{(\text{final})} = 1\ \text{nM}
  3. 比值 Fold两者相除得到无量纲的提升倍数，作为项目成败的核心指标。
    Fold=1001=100\text{Fold} = \frac{100}{1} = 100

AI 应用场景

抗体亲和力成熟项目

阶段：完整闭环（干实验设计 → 湿实验验证 → 数据回流 → 主动学习再设计）

解决的问题：传统亲和力成熟靠人工随机突变和逐轮筛选，周期长、命中率低、经验依赖强。AI 干湿闭环在每轮先用模型生成并打分数百个突变体，只把 Top-20 送去做 SPR 测定，测完数据立即回流微调模型，把「试错」变成「有方向地试错」。

具体案例：某生物药团队针对肿瘤抗原的母本抗体（K_d = 120 nM）启动闭环项目，共执行 6 轮循环。干实验用突变语言模型生成 300 个候选/轮，湿实验每轮测 20 个突变体的结合活性；第 4 轮拿到 2.3 nM 的突变体，第 6 轮收敛于 0.9 nM，总周期 14 周，相比传统方法缩短约 60%。

小分子先导化合物优化

阶段：干实验筛选 + 主动学习批次选择

解决的问题：激酶抑制剂先导优化中，化学空间巨大，湿实验每批只能合成 50 个分子。传统做法靠药物化学家经验盲选，首轮命中率往往低于 5%。用 UCB 采集函数挑选「高活性预测 + 高不确定性」的分子，能显著提升每批实验的信息回报。

具体案例：某药企在 8 轮闭环中，每轮测试 48 个分子。模型从第 1 轮的 4% 命中率逐步提升到第 8 轮的 37%，并发现 3 个全新骨架的先导化合物，其中一个进入临床前开发。

蛋白稳定性工程改造

阶段：数据回流 + 迭代收敛

解决的问题：工业酶在高温或有机溶剂中容易失活，传统改造靠定向进化，筛库成本高昂。干实验预测突变体的热稳定性（Tm 值），湿实验用差示扫描荧光法验证，闭环迭代筛选，能以极小实验量逼近最优突变组合。

具体案例：某合成生物学团队对洗涤剂用蛋白酶做稳定性改造，5 轮闭环共测试 120 个突变体，将 Tm 从 62°C 提升到 78°C，同时保持催化活性，且每轮实验量比传统定向进化少一个数量级。

Python 演示

python70 行
import mathimport random random.seed(42) DIM = 2LIB_SIZE = 120CYCLES = 6BATCH = 8  def true_activity(x):    """湿实验的真相: 高斯峰附近活性高, 远离则低"""    return math.exp(-((x[0] - 0.6) ** 2 + (x[1] - 0.5) ** 2) / 0.08) + 0.05 * random.random()  class Scorer:    def __init__(self):        self.X = []        self.Y = []     def predict(self, x):        """干实验打分: 距离加权均值 + 不确定性估计"""        if not self.X:            return 0.5, 0.9        total = 0.0        mu = 0.0        for xi, yi in zip(self.X, self.Y):            d2 = sum((a - b) ** 2 for a, b in zip(x, xi))            w = math.exp(-d2 / 0.02)            mu += w * yi            total += w        if total > 0:            mu /= total        dmin = min(sum((a - b) ** 2 for a, b in zip(x, xi)) for xi in self.X)        sigma = math.exp(-dmin / 0.05)        return mu, sigma     def fit(self, X, Y):        self.X = list(X)        self.Y = list(Y)  def main():    lib = [[random.random() for _ in range(DIM)] for _ in range(LIB_SIZE)]    model = Scorer()    tested = []    for cyc in range(CYCLES):        if tested:            model.fit([x for x, _ in tested], [y for _, y in tested])        scored = []        for x in lib:            if any(x is tx for tx, _ in tested):                continue            mu, sigma = model.predict(x)            scored.append((mu + 1.5 * sigma, x))        scored.sort(key=lambda t: t[0], reverse=True)        picked = [x for _, x in scored[:BATCH]]        hits = 0        for x in picked:            y = true_activity(x)            if y >= 0.6:                hits += 1            tested.append((x, y))        cum = 100.0 * sum(1 for _, y in tested if y >= 0.6) / len(tested)        print('第 %d 轮: 测试 %d 个, 命中 %d 个, 累计命中率 %.1f%%' % (cyc + 1, BATCH, hits, cum))  if __name__ == '__main__':    main()
目的：用 120 个虚拟分子模拟一个干湿闭环，UCB 主动学习每轮挑选 8 个分子「送湿实验」，累计命中率逐轮上升，演示 dry-wet loop 的核心逻辑。
  1. w = math.exp(-d2 / 0.02)用距离的指数衰减衡量「这个已知分子对预测的发言权」，离得越近权越大。
  2. mu += w * yi加权平均：附近的湿实验标签对预测值的贡献更大，模拟干实验的活性预测。
  3. sigma = math.exp(-dmin / 0.05)不确定性估计：距所有已知点越远，σ 越大，模型越「没底」。
  4. scored.append((mu + 1.5 * sigma, x))UCB 采集：预测分 + 1.5 倍不确定性，探索与利用的平衡。
  5. scored.sort(key=lambda t: t[0], reverse=True)按采集分数降序排序，选出 Top-8 作为本批湿实验候选。
  6. y = true_activity(x)模拟湿实验给出真实活性标签，含随机噪声，代表实验误差。
  7. cum = 100.0 * sum(1 for _, y in tested if y >= 0.6) / len(tested)统计累计命中率，观察闭环是否在收敛提升。

常见误区

误区模型预测活性 0.98、类药性也满分，那这个分子应该直接立项推进，没必要浪费钱做湿实验验证。

正解干实验本质是「老周书房里的推演」，受训练数据和模型偏差限制，实际结果往往与预测有出入。湿实验是唯一能提供金标准标签的环节，闭环存在的意义就是让模型每轮被真实数据纠偏。跳过湿实验，等于闭着眼睛开车——地图再精细，也替代不了路况。

为何常见：干实验成本低、反馈快、指标漂亮，容易让人高估它的可信度，忽略了预测与现实的系统性偏差。

误区湿实验数据回来了，应该把新旧数据合并，完整重训一遍模型，这样才「充分利用信息」。

正解每轮新增的湿实验样本通常只有几十到几百个，相对训练集是极小量；全量重训不仅慢，还容易在小样本上过拟合。正确做法是在旧模型基础上微调，并用正则项约束参数不偏离过远，既吸收新知识又保留旧知识。

为何常见：对深度学习的「数据越多越好」直觉放诸四海而皆准，忽视了小样本场景下灾难性遗忘与过拟合的双重风险。

误区第 2 轮闭环命中率比第 1 轮还低，模型肯定有问题，整个 dry-wet 方案该推倒重来。

正解单轮命中率波动是常态。主动学习早期会刻意探索不确定性大的区域，短期命中率下降可能是「探路」的代价，换来的是化学空间更完整的地图。判断闭环成败要看多轮趋势和累计命中率，而不是某一轮的绝对数值。

为何常见：人们习惯用单次结果论英雄，不理解探索与利用的权衡，以及统计噪声在小型实验批次中的影响。

误区既然命中率让人着急，那就把每批湿实验数量从 50 扩到 500，数据多了模型自然进步快。

正解湿实验资源有硬约束——合成平台吞吐量、试剂成本、人力时间都有限。批次扩大的边际收益递减，且破坏了「小步快跑」的反馈节奏：一轮拖两个月，半年只能跑三轮。闭环速度 = 数据质量 × 循环频率，工程上更优解是保持小批次、提高每轮信息密度。

为何常见：从「样本越多越好」的静态建模思维出发，忽略了闭环动态迭代中频率与周期的重要性。

误区抗体这种大分子结构复杂、实验昂贵，AI 干湿闭环只能用在化药小分子上。

正解恰恰相反，抗体亲和力成熟、人源化改造正是 dry-wet loop 的高价值应用场景：生成模型做序列突变、结构预测打分、SPR 测 K_d，反馈回流后继续突变设计。大分子只是表征方式和打分模型不同，闭环的组织逻辑完全一致。

为何常见：对最新抗体工程案例了解不足，把早期小分子闭环经验当成了方法本身的边界。

面试题

Q1. 干湿闭环中「干实验」的主要职责是什么？

单选题 · easy

  • A.在计算机上快速筛选大量候选分子← 正确答案
  • B.在试管中合成并测试分子活性
  • C.直接进行人体临床试验阶段
  • D.负责药厂生产车间的批次放大

答案：A。干实验对应老周的「书房推演」，即在计算机上生成、打分和筛选候选分子，特点是快而便宜。B 是湿实验的职责，C 属临床阶段，D 属生产环节，都不属于干实验。

Q2. 湿实验在闭环中扮演的角色是？

单选题 · easy

  • A.提供分子活性的真实测量数据← 正确答案
  • B.预测分子在体内的代谢路径
  • C.生成虚拟分子的三维结构
  • D.计算理论上的结合自由能

答案：A。湿实验就是「端菜上桌给食客尝」，用合成与测试给出真实活性标签，是闭环中的金标准数据来源。B、C、D 都是计算性质的工作，属于干实验范畴。

Q3. 主动学习中「探索与利用」的含义是？

单选题 · mid

  • A.探索高不确定性区域并利用高分区← 正确答案
  • B.只探索高不确定性区域采样
  • C.只利用高预测活性区域采样
  • D.完全随机选择候选分子测试

答案：A。探索是选模型「没底」的分子补充知识盲区，利用是选「看好」的分子保证收益，聪明策略是两者结合，像老周每轮同时试稳妥菜和争议菜。B、C 各自走极端，D 则等于放弃模型信息。

Q4. 对 UCB 采集函数 a(x)=μ(x)+κσ(x)，增大 κ 会怎样？

单选题 · mid

  • A.增大κ会让采样更偏向探索← 正确答案
  • B.增大κ会让采样更偏向利用
  • C.增大κ不会影响采样策略
  • D.增大κ会导致模型不再更新

答案：A。κ 是不确定性的权重。κ 越大，不确定性 σ 对采集分数的贡献越大，模型越偏爱「没底」的区域，即探索。B 说反了，C 忽略了 κ 的作用，D 与超参数语义无关。

Q5. 数据回流阶段通常包含哪些做法？

多选题 · mid

  • A.把湿实验标签并入训练数据集← 正确答案
  • B.对旧模型做微调避免过拟合← 正确答案
  • C.丢弃所有失败的实验数据
  • D.修正分布漂移带来的系统偏差← 正确答案

答案：ABD。回流 = 收数据、更新模型、校准分布。A 是基础操作，B 是小样本下的稳健更新方式，D 校准探索带来的分布偏移。C 错误，失败样本同样携带「什么不该做」的信息，正如老周记录难吃菜谱。

Q6. 抗体亲和力成熟闭环的优化目标是？

单选题 · mid

  • A.提高抗体与抗原的结合亲和力← 正确答案
  • B.降低抗体分子本身的分子量
  • C.增强抗原在体内的免疫原性
  • D.缩短抗体蛋白的序列长度

答案：A。亲和力成熟的核心指标是 K_d 变小或结合自由能更负，即提高抗体与抗原的结合力。「提升倍数」用初始 K_d 除以最终 K_d 衡量。B、D 改变分子物理属性，C 方向与治疗安全性诉求相反。

Q7. 多轮闭环后命中率持续持平不再提升，最合理的行动是？

单选题 · extreme

  • A.停止迭代并整理当前最优候选← 正确答案
  • B.盲目扩大每批湿实验的数量
  • C.抛弃全部历史数据重新开始
  • D.无限增加闭环循环的次数

答案：A。命中率连续数轮持平说明模型对该化学空间已收敛，继续烧钱迭代边际收益极低，应整理最优候选进入下游开发，这与「老周在第 27 版收手」同理。B、D 无视资源约束，C 浪费已积累的复利数据资产。

Q8. 小样本微调时防止灾难性遗忘的常用手段是？

单选题 · hard

  • A.在损失函数中加入正则惩罚项← 正确答案
  • B.使用更大的学习率快速适配
  • C.每轮随机重新初始化模型参数
  • D.丢弃旧数据只保留新数据

答案：A。正则项 λ‖θ−θ₀‖² 惩罚新参数偏离旧参数太远，让模型「改配方但不忘老本行」。B 大学习率容易破坏旧知识，C 等于抹掉历史，D 主动丢弃数据资产，都是错误做法。

Q9. dry-wet 闭环工程化落地面临的典型挑战有哪些？

多选题 · hard

  • A.湿实验周期长且资源预算有限← 正确答案
  • B.实验数据噪声大且存在批次效应← 正确答案
  • C.干湿实验室数据格式难以对齐← 正确答案
  • D.闭环过程完全无需项目管理

答案：ABC。工程落地要解决成本、质量与协作三大挑战：湿实验慢且贵、测量噪声和批次差异污染标签、两套实验室的数据标准不一致。D 明显错误——真实项目恰恰需要严格的周期与预算管理。

Q10. 关于 dry-wet loop 的正确理解有哪些？

多选题 · easy

  • A.干湿交替迭代并让数据回流← 正确答案
  • B.湿实验为模型提供真实标签← 正确答案
  • C.模型每轮吸收反馈持续更新← 正确答案
  • D.闭环一轮即可完成分子优化

答案：ABC。闭环的本质是「推演→验证→学习→再推演」的循环，A 描述循环结构，B 描述湿实验的金标准价值，C 描述数据回流的效果。D 错误，闭环的价值恰恰在于多轮迭代的复利效应，单轮无法完成优化。