想象你是一名锁匠，接到一项特殊任务：在整座城市最庞大的钥匙集市里，找出一把能打开疾病之锁的钥匙。这扇锁，就是体内的靶点蛋白；钥匙，就是能治疗疾病的药物分子。传统的药物研发，锁匠只能一把一把地试，试错成本高得惊人——花 10 年和 10 亿美元，才可能碰到一把对路的钥匙。而 AI 制药，等于给你的双手装上了三样法宝：一台能扫描钥匙齿形的扫描仪、一位能一眼判断开锁潜力的老师傅、一台能直接“打印”全新钥匙的 3D 打印机。这整个流程，就是药物研发中从靶点到分子的关键一步——先导化合物发现。本文就用锁匠找钥匙的故事，带你完整走一遍这条 AI 制药全链路中最激动人心的“配钥之旅”。

岗位关联

对 AI 从业者而言，先导化合物发现是 AI 制药落地最密集、商业价值最高的环节之一。理解它的筛选、预测与生成方法论，能让你在药企、AI 制药公司或投资机构中成为听得懂“分子语言”的稀缺人才。

目录
  1. 可视化演示
  2. 筛选库构建
  3. 虚拟筛选
  4. 活性预测
  5. 从头生成
  6. 先导优化
  7. 产业应用
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示虚拟筛选分子库识别hit化合物、ML活性预测模型评估亲和力与hit-to-lead迭代优化全流程，切换模式掌握AI药物发现核心环节。

本节配有交互动效（进入视口后自动加载，约 3KB）。

虚拟筛选与Hit化合物识别 化合物库经分子对接打分函数评估与靶点结合亲和力，高分分子被标记为潜在hit 虚拟筛选通过形状匹配和药效团模型过滤大规模化合物库，富集活性化合物降低实验成本 score = sum(interaction_energy), hit if score > threshold 虚拟筛选是AI药物发现的第一步富集活性分子

筛选库构建

锁匠走进钥匙集市，第一件事不是盲目开扫，而是先画出集市地图：哪些摊位囤积了古老铜锁钥匙，哪些出自现代合金工艺，哪些形状稀奇古怪。分子层面，这张地图就是化合物筛选库——一个装满了成千上万候选分子的“钥匙毛坯集合”。库越大、越多样，后续扫描仪能捕捉到合适钥匙的概率就越高。

筛选库的来源有三条主干：一是历史上积累的成药分子与其类似物，相当于老师傅的旧钥匙串，经验证可靠；二是天然产物，像民间手艺人打出的奇特锁件，常蕴含新颖结构；三是组合化学库，通过不同官能团拼接快速生成的“流水线钥匙”，数量庞大但质量参差。库的分子集合通常用 SMILES 字符串或分子指纹表示，AI 模型可以在这两种“语言”上直接做计算。

库规模管理是效率的灵魂。虚拟筛选不是越贵越好——在 10 亿个分子上用高精度分子对接，算力成本可能追上传统实验。业界常用“漏斗式”策略：先用便宜粗糙的规则过滤到几十万，再用中等精度筛选，最后对 top 几千做精细对接。多样性设计则保证漏斗顶部不是一窝长得差不多的“近亲钥匙”：按骨架聚类、去冗余，让每个化学系列都有代表参加初筛。

回到钥匙集市：一个优秀的地图不会堆满同一款钥匙的仿制品，而是确保每个街区各有千秋。筛选库构建的智慧就在于此——用 Tanimoto 这种“容貌鉴定法”剔除近亲、保留多样，为下一轮扫描提供最好的选材。

Tanimoto(A,B)=∣A∩B∣∣A∪B∣\displaystyle \mathrm{Tanimoto}(A,B) = \frac{|A \cap B|}{|A \cup B|}
这是衡量两把钥匙（两个分子）有多像的经典公式，像比对钥匙齿形的重合度，广泛应用于筛选库去重与相似性初筛。
  1. 分子指纹交集把每个分子的子结构特征记为集合 $A$ 和 $B$，$|A \cap B|$ 是两者共有的子结构片段数量，相当于两把钥匙齿形完全相同的凹槽数。
    A∩BA \cap B
  2. 分子指纹并集$|A \cup B|$ 是两个分子拥有的全部不同子结构片段总数，等于钥匙上所有参与比对齿槽的总个数。
    A∪BA \cup B
  3. 相似度比值交集占并集的比例落在 0 到 1 之间。比值越接近 1，说明两把钥匙构造越相近；接近 0 则说明八竿子打不着。筛选库用它去掉同质化分子，保证多样性。
    ∣A∩B∣∣A∪B∣\frac{|A \cap B|}{|A \cup B|}

虚拟筛选

现在扫描仪上线了。锁匠推着机器沿集市通道缓行，机器发出的超声波会快速判断每把钥匙能否插入目标锁孔。这就是虚拟筛选：在计算机里模拟药物分子与靶点蛋白的相互作用，从海量分子中捞到少数值得进一步投入的“命中物”（hit）。

虚拟筛选的第一把刷子是相似性搜索。已知一个活性分子（参考钥匙），就在库里找长相相近的“亲戚”——用上节 Tanimoto 公式批量计算，把相似度高的分子优先拎出来。第二把刷子是分子对接，它像给钥匙和锁做 3D 扫描：计算分子如何进入蛋白口袋、哪些原子能形成氢键与疏水接触。两者常串联使用：相似性搜索快速缩圈，分子对接精确校验。

打分函数则是扫描仪的“判分标准”。对接软件会给每把钥匙和锁的结合模式算一个分数，近似结合自由能。打分排序决定了谁是 top 500、谁是陪跑。值得注意的是，单个打分函数常有偏差，工业界会用多个打分函数“投票”，再做聚类挑选代表分子。真实命中率虽常在 10% 上下浮动，却比盲目实验高出成百上千倍。

扫描仪扫过整个集市后，锁匠手里只剩一小把高分开锁的钥匙。但扫描仪也会误判——有的钥匙长得好看却插不进真锁，这就要靠更精密的实验与活性预测模型来进一步把关了。

ΔGbind≈ΔGvdW+ΔGH−bond+ΔGdesolv\displaystyle \Delta G_{\mathrm{bind}} \approx \Delta G_{\mathrm{vdW}} + \Delta G_{\mathrm{H-bond}} + \Delta G_{\mathrm{desolv}}
分子对接的打分函数把结合过程拆成几个物理项，近似估计“钥匙插进锁芯”的顺畅程度与牢固程度。
  1. 范德华力项$\Delta G_{\mathrm{vdW}}$ 是分子原子与蛋白原子之间普遍存在的吸引力贡献，像钥匙金属与锁芯金属之间的“贴合力”。
    ΔGvdW\Delta G_{\mathrm{vdW}}
  2. 氢键项$\Delta G_{\mathrm{H-bond}}$ 是极性原子间形成氢键的贡献，类似钥匙齿上特意刻出的卡榫，精准咬合锁簧。
    ΔGH−bond\Delta G_{\mathrm{H-bond}}
  3. 去溶剂化项$\Delta G_{\mathrm{desolv}}$ 是分子从水中进入疏水口袋时脱去水壳的代价，相当于钥匙从潮湿口袋掏出后要甩干水分才插得进锁。
    ΔGdesolv\Delta G_{\mathrm{desolv}}
  4. 自由能近似三项加和得到结合自由能近似值，越负说明结合越牢固。虚拟筛选按此排序，取出负值最优的一批候选。
    ΔGbind\Delta G_{\mathrm{bind}}

活性预测

扫描仪初筛之后，锁匠请来了老师傅。老师傅眯着眼打量每把钥匙的纹理、重量与材质，三秒内报出“开锁潜力分”。这就是活性预测模型——用已知分子的活性数据训练机器学习模型，对新分子进行批量预测，代替缓慢昂贵的湿实验。

最早的方法叫 QSAR（定量构效关系），即把分子结构描述符当特征，活性当标签，学习一个回归或分类模型。它像老师傅根据历代钥匙的齿数、长度、材质总结的“经验口诀”。现代升级则用图神经网络把分子看成一张原子图：节点是原子，边是化学键，网络自动学习从局部结构到活性的映射，不再依赖人工设计特征，识别能力提升一个量级。

活性之外，候选分子还要过 ADMET 性质关——吸收、分布、代谢、排泄与毒性，对应钥匙会不会生锈、会不会卡断在锁里。AI 模型可在临床前就预测分子是否会伤肝、能否穿透细胞膜，把后期失败风险前移。泛化保障是实战关键：模型在训练集上再准，遇到新骨架也可能“翻车”。所以工业界会做时间分裂验证、骨架分裂验证，并搭配活性悬崖检测，确保模型不仅记忆力好，还真的学懂了“开锁逻辑”。

老师傅的评估并不总靠谱，但胜在速度快、复现稳定。虚拟筛选用它，能从几十万候选里再砍到几千；从头生成也用它的打分作为“奖励信号”，两者相得益彰。

y=w⊤x+b\displaystyle y = \mathbf{w}^{\top}\mathbf{x} + b
QSAR 中最简单的线性模型：把分子描述符加权求和，加一个偏置，预测出活性数值。
  1. 分子特征向量$\mathbf{x}$ 是把分子描述符（如疏水性、分子量、电荷分布）拼成的向量，相当于老师傅记录的钥匙各项参数清单。
    x\mathbf{x}
  2. 权重向量$\mathbf{w}$ 告诉模型哪些参数重要，例如氢键供体数权重高说明它对活性影响大，就像经验口诀里“齿数 > 材质”的判断。
    w\mathbf{w}
  3. 加权求和与偏置$\mathbf{w}^{\top}\mathbf{x} + b$ 将所有参数按重要程度加权相加，并加偏置 $b$ 做整体校正，像老师傅在口诀基础上加一句“雨天要额外减两分”。
    w⊤x+b\mathbf{w}^{\top}\mathbf{x} + b
  4. 预测活性$y$ 是输出活性值，越大代表候选分子越可能成为命中。
    yy

从头生成

如果集市里怎么都找不到满意的钥匙怎么办？锁匠卷起袖子，掏出 3D 打印机：我自己设计一把全新的。这就是从头生成——不依赖已有分子库，让 AI 模型直接生成前所未见的新分子结构。

生成模型是 3D 打印机的引擎。变分自编码器（VAE）把海量分子压缩成潜变量 $z$——像给每把钥匙提炼一份“设计蓝图”，然后从任意蓝图解码出新钥匙。生成对抗网络（GAN）与扩散模型也能胜任，后者更擅长在“蓝图空间”里细致雕琢。约束条件则为打印机装上护栏：生成时强制分子符合价键规则、可合成性规则，避免打印出化学上不存在的“空中楼阁”。常用手段包括在损失函数里加约束项，或对生成结果做合法性过滤。

强化学习调优是最有灵魂的一环。生成器先随机产钥匙，随后由活性预测模型（老师傅）打分，分数高就“奖励”生成器往该方向偏移，像锁匠反复按“更接近开锁”的按钮不断优化设计。如此迭代数百轮后，AI 能生成活性预测分数极高、骨架新颖、可合成的候选分子。2020 年后多个 AI 制药管线进入临床的里程碑案例，主角都是这种“打印出来的钥匙”。

3D 打印出的钥匙不再是集市的复制品，而是真正的新发明。它能契合锁芯，同时拥有全新的齿形，往往能避开已有药物的专利壁垒——这正是 AI 制药让巨头们兴奋的“创新引擎”。

L(θ)=Ez∼qϕ(z∣x)[log⁡pθ(x∣z)]−DKL(qϕ(z∣x) ∥ p(z))\displaystyle \mathcal{L}(\theta) = \mathbb{E}_{z \sim q_{\phi}(z|x)} \left[ \log p_{\theta}(x|z) \right] - D_{\mathrm{KL}}\big(q_{\phi}(z|x) \,\|\, p(z)\big)
VAE 生成模型的训练目标：既要让解码器从蓝图还原出原分子（还原准度高），又要让蓝图分布尽量规整（方便抽取新蓝图）。
  1. 编码器获取蓝图$q_{\phi}(z|x)$ 把分子 $x$ 压缩成潜变量 $z$，相当于从实物钥匙倒推设计蓝图，$\phi$ 是编码器参数。
    qϕ(z∣x)q_{\phi}(z|x)
  2. 解码器还原分子$\log p_{\theta}(x|z)$ 衡量从蓝图 $z$ 还原出分子 $x$ 的概率，还原越精确，这个对数似然越大，打印机的“手艺”越好。
    log⁡pθ(x∣z)\log p_{\theta}(x|z)
  3. 期望值$\mathbb{E}_{z \sim q_{\phi}(z|x)}$ 表示对编码器产出的所有随机蓝图求平均，保证模型在各种扰动下都能稳定还原。
    Ez∼qϕ(z∣x)[⋅]\mathbb{E}_{z \sim q_{\phi}(z|x)}[\cdot]
  4. KL 规整项$D_{\mathrm{KL}}(q_{\phi}(z|x) \| p(z))$ 惩罚蓝图分布偏离标准正态，使得“设计空间”连续、无空洞，锁匠才好在其间自由采样新设计。
    DKL(qϕ(z∣x) ∥ p(z))D_{\mathrm{KL}}(q_{\phi}(z|x) \,\|\, p(z))

先导优化

打印出来的第一版钥匙能开锁，但开锁卡顿、齿面易磨损。接下来是漫长的先导优化：把命中（hit）打磨成先导化合物（lead），再一步步逼近候选药物。

一切从 hit 确认开始。虚拟筛选和活性预测都会产生假阳性——有的钥匙在模拟器里完美契合，真实验证却连锁孔都对不上。所以 hit 要经过纯化、复测、剂量-效应曲线等湿实验验证，排除“纸上谈兵”的分子。lead 选择则要求候选不仅活性好，还要合成可行、专利空间大、初步毒性低，相当于从几个能开的钥匙中挑一把最耐用的。

接下来的迭代优化是锁匠最费心血的阶段。AI 在此担当副驾驶：围绕 lead 生成类似物，用活性与 ADMET 模型即时打分，再做小批量合成验证。每一轮循环产出一批“打磨后的钥匙”，活性更高、选择性更好。类药性平衡是贯穿始终的艺术——提高活性可能带来毒性，增加脂溶性或许损失水溶性。药化家常引用“Lipinski 五规则”：分子量 ≤ 500、氢键给体 ≤ 5、氢键受体 ≤ 10、logP ≤ 5，这些经验阈值像锁匠的“手感分寸”。

打磨是门手艺活，AI 让它从“凭感觉修锉”变成“按仪器读数精修”。当 lead 的活性与性质均达到阈值，就可以进入临床前开发——锁匠终于握着这把精心打磨的钥匙，走向临床实验的大门。

Score(m)=w1×activity(m)−w2×tox(m)+w3×likeness(m)\displaystyle \mathrm{Score}(m) = w_1 \times \mathrm{activity}(m) - w_2 \times \mathrm{tox}(m) + w_3 \times \mathrm{likeness}(m)
多目标打分公式：把活性、毒性、类药性加权成一个总分数，权重体现研发策略的取舍，指导每轮优化迭代往哪个方向走。
  1. 活性分$\mathrm{activity}(m)$ 是预测模型给出的活性打分，分子 $m$ 越能强力结合靶点，分数越高，相当于钥匙开锁越流畅。
    activity(m)\mathrm{activity}(m)
  2. 毒性惩罚$\mathrm{tox}(m)$ 是毒性预测分数，作为减分项扣除，像钥匙虽好但含剧毒金属，必须扣分。
    tox(m)\mathrm{tox}(m)
  3. 类药性分$\mathrm{likeness}(m)$ 衡量分子服从类药规则的程度，值越高说明它越像“正派药物”，不易在体内寸步难行。
    likeness(m)\mathrm{likeness}(m)
  4. 加权整合$w_1, w_2, w_3$ 是权重，研发团队按目标调整：想快速冲活性就加大 $w_1$，担心安全毒性就放大 $w_2$，权衡后的 $\mathrm{Score}(m)$ 驱动下一轮生成与筛选。
    w1×activity(m)−w2×tox(m)+w3×likeness(m)w_1 \times \mathrm{activity}(m) - w_2 \times \mathrm{tox}(m) + w_3 \times \mathrm{likeness}(m)

产业应用

锁匠的个人手艺再精妙，若无法规模化，也只是孤品。AI 制药的产业价值恰恰在于把找钥匙从一门手艺变成一条流水线。先导化合物发现一旦被 AI 加速，整个药研的成本结构都会松动。

降本增效是最直接的账。传统上，先导发现阶段要筛选上百万化合物，耗时 3-5 年、耗资数亿美元；AI 虚拟筛选把初筛压缩到数周，从头生成更是跳过大量试错。Insilico Medicine 曾公布：其 AI 平台从靶点发现到临床候选化合物仅用约 18 个月，投入不足传统路径的十分之一。研发提速意味着患者更早等到新药，也意味着企业更早拥有专利资产——这对现金流与市场竞争力是决定性的。

行业角色正在重新分工。药企、AI 制药公司、CRO 与云服务商组成新生态：AI 公司负责模型与计算，药企提供数据与实验验证，CRO 承接合成测试。一个典型的 AI 药研团队需要计算化学家训练生成模型、数据工程师清洗分子数据、药化专家提供规则约束、MLOps 工程师保障大规模算力调度。对 AI 从业者而言，这既是交叉学科的挑战，也是职业前景最广阔的蓝海——懂分子、懂算法、懂产业的人，正是这场配钥革命最稀缺的“锁匠工程师”。

从集市地图到 3D 打印，从打磨到量产，锁匠的旅程映照着 AI 制药的完整叙事。先导化合物发现不是终点，它是在为后续临床开发的漫长征途，遴选最值得奔赴的首批钥匙。

Hit Rate=NhitsNscreened\displaystyle \mathrm{Hit\ Rate} = \frac{N_{\mathrm{hits}}}{N_{\mathrm{screened}}}
命中率公式是衡量整个先导发现流程效率的金标准：投入筛选的分子越多，命中并验证的分子越稀有，AI 的价值就是把这个比值从万分之一抬到百分之一。
  1. 命中数$N_{\mathrm{hits}}$ 是经过实验验证确实有活性的命中分子数量，是流水线真正产出的“合格钥匙”。
    NhitsN_{\mathrm{hits}}
  2. 筛选总数$N_{\mathrm{screened}}$ 是投入虚拟筛选的全部分子数量，等于集市里被扫描仪扫过的钥匙总数。
    NscreenedN_{\mathrm{screened}}
  3. 命中率两者相除得到命中率。传统高通量筛选常在 0.01% 量级，AI 加持后可达 1%-10%，这 100 倍的差距就是产业价值最简洁的表达。
    NhitsNscreened\frac{N_{\mathrm{hits}}}{N_{\mathrm{screened}}}

AI 应用场景

抗纤维化新药：从靶点到候选分子的 18 个月冲刺

阶段：从头生成 + 活性预测 + 先导优化

解决的问题：传统特发性肺纤维化药物研发需 5-8 年才能找到一个可进入临床的候选分子，失败率高、投入大。AI 生成模型能在几天内产出数千个新骨架分子，活性预测模型再做快速打分，把“海选、笔试、面试”压缩到数月内。

具体案例：Insilico Medicine 针对特发性肺纤维化靶点，用生成化学平台设计出全新结构的抑制剂，随后经虚拟筛选与多轮 hit-to-lead 优化，约 18 个月即获得临床候选化合物 ISM001-055，并于 2021 年进入 I 期临床。这一案例被认为是“AI 端到端发现新药”的标志性里程碑。

新冠时期的“老药新用”：虚拟筛选锁定巴瑞替尼

阶段：虚拟筛选（分子对接 + 相似性搜索）

解决的问题：疫情暴发之初，新药研发远水不解近渴，必须从已上市或临床阶段的“老钥匙”中快速找到能抑制病毒入侵的候选。人工查阅文献效率极低，AI 虚拟筛选可对数千种已批准药物做批量对接打分，快速缩小体外验证名单。

具体案例：多个团队对上市药物库进行分子对接虚拟筛选，发现巴瑞替尼（Baricitinib）能抑制与病毒感染相关的 NAK 激酶信号通路。后续临床试验证实其对新冠住院患者的疗效，并获得紧急使用授权，成为 AI 虚拟筛选服务公共卫生应急的经典范例。

Python 演示

python71 行
import randomfrom collections import namedtuple Frag = namedtuple('Frag', ['atom', 'prop']) # 分子简化为子结构片段集合（类似分子指纹）REFERENCE = frozenset({'C', 'N', 'O', 'S', 'arom'}) LIBRARY = [    frozenset({'C', 'N', 'O'}),    frozenset({'C', 'N', 'S'}),    frozenset({'O', 'S', 'arom'}),    frozenset({'C', 'O', 'S'}),    frozenset({'C', 'N', 'O', 'S'}),    frozenset({'N', 'O', 'arom'}),    frozenset({'C', 'arom'}),    frozenset({'C', 'N', 'arom'}),    frozenset({'C', 'O', 'arom'}),    frozenset({'N', 'S'}),]  def tanimoto(mol_a, mol_b):    inter = len(mol_a & mol_b)    union = len(mol_a | mol_b)    return inter / union if union else 0.0  def virtual_screen(library, ref, threshold=0.5):    scored = sorted(        ((tanimoto(m, ref), m) for m in library),        reverse=True    )    hits = [m for s, m in scored if s >= threshold]    return hits, scored  def activity_model(mol):    """用与参考的相似度模拟活性打分，加一点噪声避免纯线性"""    return tanimoto(mol, REFERENCE) + random.uniform(0.0, 0.08)  def optimize_lead(lead, fragment_pool):    """对lead做单步优化：若加一个片段后打分更高就接受"""    best_score = activity_model(lead)    best_lead = lead    for frag in fragment_pool:        candidate = lead | {frag}        score = activity_model(candidate)        if score > best_score:            best_score = score            best_lead = candidate    return best_lead  def main():    random.seed(42)    hits, scored = virtual_screen(LIBRARY, REFERENCE, threshold=0.5)    print('虚拟筛选排序：')    for s, m in scored:        print(f'  相似度 {s:.2f}  分子 {sorted(m)}')    print(f'\n命中 {len(hits)} 个：{[sorted(h) for h in hits]}')     lead = max(hits, key=activity_model)    print('初始命中 lead：', sorted(lead))    new_lead = optimize_lead(lead, ['F', 'OH', 'CH3'])    print('优化后 lead ：', sorted(new_lead))  if __name__ == '__main__':    main()
目的：用微观流程演示先导化合物发现主线——用 Tanimoto 相似性构建虚拟筛选取出命中，再以启发式打分对命中做一步迭代优化，让你直观看到“筛选 → 命中 → 优化”的完整闭环。
  1. from collections import namedtuple定义片段结构，类比钥匙的“材质标签”，实际工程中对应 SMILES 或分子指纹表达。
  2. REFERENCE = frozenset(...)已知活性分子的药效团集合，相当于那把“参考钥匙”。
  3. def tanimoto(mol_a, mol_b)实现相似度公式：交集除以并集，分子越像，值越接近 1。
  4. scored = sorted(...)对文库全部分子按相似度降序排序，完成打分排序流程。
  5. hits = [m for s, m in scored if s >= threshold]相似度超过 0.5 的分子进入命中名单，模拟 hit 确认前的“初筛通过”。
  6. def activity_model(mol)简化活性预测模型：参考相似度高则活性高，加噪声模拟真实模型的误差。
  7. def optimize_lead(lead, fragment_pool)迭代优化的启发式实现：尝试给 lead 拼接新片段（F/OH/CH3），若打分提升就接受改动。
  8. if __name__ == '__main__':可执行入口，运行即可观察一次完整的发现流程输出。

常见误区

误区我以为虚拟筛选打分 90 分的分子，活性一定就比 70 分的高 20%；既然 AI 给了高排序，直接买回来做实验就能成。

正解打分函数只是结合自由能的粗糙近似，误差可能高达几个 kcal/mol。它擅长“排队”而不是“报数”——也就是把好分子尽量排在前列，但分数差 20 分不代表活性差 20%。因此行业惯例是从 top 500 中按聚类挑选 50 个做实验，用“命中率”而不是“绝对分数”来衡量筛选质量。

为何常见：人天生会把数值当作精确结果，而忽略了机器学习分数是概率意义上的排名，而非物理量。

误区AI 生成了结构新颖、活性打分很高的分子，就等于拿到了候选药物，可以把结构交给药厂合成了。

正解生成模型常产出合成路径极难甚至化学上不稳定的“幻想分子”。实际流程中必须有可合成性过滤器（如 SAS 分数）与合成化学家的人工判断，再结合逆合成分析规划路线。打分高不代表能合成、能代谢稳定、能在体内有效——从分子到药物之间还隔着 ADMET、动物实验和临床试验。

为何常见：生成模型在数学上只负责产出“像训练数据的分子”，化学可行性约束若没有显式建模，AI 就看不见合成悬崖。

误区活性预测模型效果不好，一定是数据不够。那我就把公共数据库全部下载合并，模型就能变准。

正解分子活性数据存在严重偏置——公开数据多为发表在论文里的“成功分子”，失败数据大量缺失；且不同实验室的测定条件与误差尺度不同，直接合并会引入系统性噪音。真正重要的是数据质量与正负样本平衡，以及严格的时间/骨架分裂验证，确保模型具备泛化能力而非记忆训练集。

为何常见：“大数据 = 大智慧”在大模型时代被过度泛化，忽略了生物数据维度高、样本少、噪音大的特殊性。

误区先导优化只要盯着活性打分，把 EC50 做到纳摩尔级别就算成功，其他性质可以后补。

正解活性只是多元函数的一个坐标。临床失败的分子最常见原因不是活性不足，而是安全性差或药代性质不佳。科学的 hit-to-lead 是同步监测活性、选择性、溶解度、渗透性、肝微粒体稳定性，并用多目标打分公式做权衡——局部最优的“超级钥匙”往往全身是毒，根本无法进入人体。

为何常见：活性是研发流程中最早被测量的属性，人在先入为主评估目标时容易忽略长尾风险。

面试题

Q1. 先导化合物发现中“筛选库构建”的首要目标是什么？

单选题 · easy

  • A.确保所有分子单价最便宜
  • B.收集多样且可合成的候选分子池← 正确答案
  • C.只保留已知上市药物分子
  • D.压缩数据量以节省存储空间

答案：B。筛选库的首要目标是规模与多样性。库要大、骨架要多，扫描仪才有足够候选可筛；而 B 还强调可合成性。A 是成本问题不是首要目标；C 过于保守，排除新颖结构；D 反了，库应当充分覆盖化学空间。

Q2. Tanimoto 相似度计算公式的分母是什么？

单选题 · easy

  • A.两个分子指纹的交集大小
  • B.两个分子指纹的并集大小← 正确答案
  • C.两分子原子数之和
  • D.两分子氢键数量之和

答案：B。Tanimoto 系数 = 交集 / 并集。并集是两分子所有不同子结构片段的总数，分母决定了相似度能归一到 0-1 区间。A 是分子，不是分母；C、D 与分子指纹的集合定义不符。

Q3. 虚拟筛选流程中，先用相似性搜索再精细对接的主要原因是？

单选题 · mid

  • A.相似性搜索比对接更精确
  • B.相似性搜索计算便宜，可快速缩圈← 正确答案
  • C.对接会破坏分子结构
  • D.相似性搜索不需要参考分子

答案：B。分子对接精度高但计算量巨大，海量筛选成本不可承受。相似性搜索是轻量级计算，先快速缩小范围到几千甚至几百，再做高精度对接。A 说反了；C 无依据；D 错误，相似性搜索必须有一个参考活性分子。

Q4. QSAR 模型中“时间分裂验证”的目的是？

单选题 · mid

  • A.让训练更快
  • B.验证模型对新时间点发现的分子有效← 正确答案
  • C.减少训练集样本数
  • D.让验证集分数更高

答案：B。真实研发中模型预测的都是“未来的分子”，而随机划分会泄漏时间信息，导致评估虚高。时间分裂法用旧的分子数据训练、新发现的分子做验证，更贴近实际使用场景。A、C、D 都与时间分裂的目的无关。

Q5. 从头生成模型输出的分子要进入合成，最关键的一步是什么？

单选题 · mid

  • A.提高生成速度
  • B.可合成性过滤与逆合成分析← 正确答案
  • C.把潜变量维度调高
  • D.减小模型参数量

答案：B。生成模型只管“长得像药”，不管“做得出来”。必须用可合成性规则或逆合成规划检查合成路线，否则只是纸面分子。A、C、D 都是训练效率问题，不是进入实验的前提条件。

Q6. 强化学习在从头生成中的作用包括？（多选）

多选题 · mid

  • A.根据活性预测分数调整生成方向← 正确答案
  • B.生成合法化学结构
  • C.对高活性分子给予奖励信号← 正确答案
  • D.清除数据库中的重复分子

答案：AC。强化学习把活性打分当作奖励，引导生成器产出高分分子（A、C 正确）。B 的化学合法结构由分子图规则或约束解码保证，而非 RL 的定位；D 是筛选库去重，与生成调优无关。

Q7. hit 与 lead 的核心区别是？

单选题 · hard

  • A.hit 活性更强
  • B.lead 必须同时具备活性、选择性及初步成药性质← 正确答案
  • C.hit 已进入临床实验
  • D.lead 不需要结构新颖

答案：B。hit 只表示虚拟筛选命中并初步验证有活性，可能是假阳性或性质差。lead 则经过 hit 确认、性质初筛，在活性、选择性、可合成性、安全性上达到综合门槛。A 相反；C 太早；D 错误。

Q8. 多目标打分公式 \(\mathrm{Score}(m) = w_1 \times \mathrm{activity}(m) - w_2 \times \mathrm{tox}(m) + w_3 \times \mathrm{likeness}(m)\) 中，增大 \(w_2\) 会导致？（多选）

多选题 · hard

  • A.对毒性惩罚变重← 正确答案
  • B.高毒性分子更难进入下一轮← 正确答案
  • C.活性权重相对上升
  • D.安全性权重相对上升← 正确答案

答案：ABD。\(w_2\) 是毒性项的权重系数，增大它意味着毒性扣分更显著（A），高毒性分子总分被压低、更难存活（B），同时相对地安全性关注度提升（D）。C 说反了，活性权重相对下降而非上升。

Q9. 传统高通量筛选命中率约 0.01%，AI 虚拟筛选可提升约多少倍？

单选题 · easy

  • A.1.1 倍
  • B.10-100 倍← 正确答案
  • C.1000 倍以上
  • D.完全无提升

答案：B。AI 将命中率提升到 1%-10% 量级，相对 0.01% 是百倍级改善。这是虚拟筛选能成为工业标配的核心原因。C 过于夸张，A 忽略实际增益，D 与大量案例不符。

Q10. 关于 ADMET 预测在 hit-to-lead 中的价值，正确的是？（多选）

多选题 · extreme

  • A.在合成前识别高风险分子← 正确答案
  • B.完全替代动物实验
  • C.降低后期临床失败率← 正确答案
  • D.把毒性风险判断前移到虚拟阶段← 正确答案

答案：ACD。ADMET 模型能对候选分子做毒性、代谢等风险的早期预警，从而在合成实验前排除地雷（A、D），临床前堵住隐患后临床失败率相应下降（C）。但模型预测不能替代监管要求的动物与人体实验（B 过于绝对）。