AI 制药：从分子生成到 ADMET 预测的算力管线

说明：本篇为综述/无第一手实验数据，采用公开文献与行业实践路线。

实验目标

AI 制药是"智算×科学计算"结合的典型行业：分子动力学（超算）提供构象数据，生成模型与 ADMET 预测（智算）提供候选与筛选，两者循环迭代。本篇目标：拆解一条完整的新药发现算力管线——分子表示 → 生成模型 → 虚拟筛选（对接/动力学）→ ADMET 预测 → 湿实验闭环，讲清每个环节用什么模型、吃多少算力、数据从哪来，以及"虚拟筛选的坑"（对接打分不可靠、数据偏差、过拟合公共数据集）如何工程化规避。

代码逐段拆解

第一段：分子表示与数据加载

# 用 RDKit 把 SMILES 转成图/特征（管线入口）
from rdkit import Chem
from rdkit.Chem import Descriptors, rdMolDescriptors

def smiles_to_features(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None                      # 无效 SMILES 直接过滤
    return {
        'n_atoms': mol.GetNumAtoms(),
        'mw': Descriptors.MolWt(mol),
        'logp': Descriptors.MolLogP(mol),        # 脂溶性
        'tpsa': rdMolDescriptors.CalcTPSA(mol), # 极性表面积
        'rotb': rdMolDescriptors.CalcNumRotatableBonds(mol),
    }

要点：

1. SMILES 是入口，RDKit 是标准工具：SMILES 一行字符串表示分子，RDKit 解析并计算描述符；MolFromSmiles 返回 None 就是脏数据，管线第一件事是过滤。
2. 描述符是"规则特征"：MW/logP/TPSA 是传统 QSAR 的特征，和深度学习表征（图/3D 构象）互补——好的管线两者都用。
3. 分子表征三种形态：字符串（SMILES，供生成模型）、图（原子/键，供 GNN）、3D 构象（供几何模型与对接）——每种形态对应一类模型，管线要维护三套数据视图。

第二段：虚拟筛选与打分

# 对接打分（示意）：分子与靶点结合能，常用 AutoDock/Vina
def docking_score(smiles, pdb_id):
    # 实际对接：准备配体/受体 → 搜索构象 → 打分函数
    # 这里示意打分函数的核心思想：结合自由能近似
    return -8.3   # kcal/mol 级，示意值

# 多轮筛选逻辑：粗筛(规则/ADMET) → 中筛(对接) → 细筛(动力学)
candidates = load_smiles('enumerated_library.csv')   # 枚举库，可数百万
rules_hit = [s for s in candidates if smiles_to_features(s)['logp'] < 5]
docked = sorted(rules_hit, key=docking_score)[:500]   # 对接打分取前 500
# 最后 20-50 个进分子动力学精筛（超算，贵）

要点：

• 漏斗式筛选：候选空间从数百万级逐级收敛——规则过滤（秒级）→ 对接打分（分钟级）→ 分子动力学（天级）。算力成本递增几个数量级，所以每级只放过最靠前的。
• 对接打分不可靠是公开事实：打分函数是近似（结合自由能的廉价代理），排序可以，绝对值不可信；行业共识是"对接用于排序与富集，不用于绝对判定"。
• 动力学精筛贵但准：分子动力学（04 章 ML 势函数篇的技术）模拟结合稳定性，是最接近湿实验的计算验证，但每分子天级算力——只能用在最后几十个。

原理讲解

管线的四类模型与算力画像

环节	模型类型	数据	算力画像
分子生成	RNN/Transformer/扩散	已知药物 SMILES 库	智算：训练重、推理轻
性质/ADMET 预测	GNN/Transformer	公共+专有标注	智算：中等
对接	打分函数/几何算法	靶点结构	超算：并行枚举
分子动力学	势函数（经典/ML）	力场/DFT 数据	超算：最重

双栈分工清晰：生成+ADMET（数据驱动的智算）与对接+动力学（物理驱动的超算）交替使用，形成"AI 生成假设 → 物理验证假设 → 反馈修正 AI"的闭环——这就是"智算×超算互相促进"在制药行业的具象。

三大坑与工程规避

1. 数据偏差：公共数据集（如 ChEMBL）偏已有药物空间，生成的分子偏向已知化学——用"多样性奖励"与专有数据补充。
2. 公共基准过拟合：许多模型在 MoleculeNet 等基准"刷分"，真实场景泛化差——验收必须用留出集与活性实验回测，而不是 benchmark 分数。
3. 湿实验闭环成本：计算筛选的终点是湿实验，回测反馈（阳性率、命中率）必须回流训练——没有闭环的管线只是"生成器"，不是"发现引擎"。

实验结果

（估算口径，非实测；典型管线规模）

环节	候选数	单步耗时	算力
枚举库生成	10⁵-10⁷	秒级/分子	智算 GPU
规则过滤	剩 10-50%	秒级	CPU 即可
对接打分	剩 10³-10⁴	分钟级/分子	超算并行
动力学精筛	剩 20-50	天级/分子	超算最重
湿实验验证	剩 3-10	周-月	实验

工程启示

1. 管线先搭漏斗再谈模型：先定各级筛选的收敛比例与算力预算，再选模型——"能筛多少"比"模型多准"更先决定成败。
2. 打分只排序、不绝对：对接/ADMET 分数都当"排序工具"用，绝对判定交给动力学与湿实验。
3. 三套分子视图要统一管理：SMILES/图/3D 构象是同一分子的不同投影，管线要保证三视图一致（同一 ID 体系），否则上下游数据错位。
4. 闭环是护城河：湿实验回测数据回流到训练集与模型更新，是 AI 制药管线区别于"论文 demo"的分水岭——数据飞轮比模型本身更值钱。

下一篇预告：制药管线离不开高质量数据，下一篇补上地基——"科学数据管线：从实验数据到训练集的工程化"。