AI 药物设计可以解决什么问题
AI 药物设计并不是把输入交给单一软件后返回一个分数，而是围绕“如何在大规模化学空间中缩小实验候选范围？”设计一条可复核的分析路径。项目会先判断输入质量、比较对象和证据用途，再选择与问题匹配的方法层级。
实际工作以分子与靶点表征学习、QSAR 与适用域评估、对接、重打分与 ADMET 风险筛查为主要技术环节，并把靶点结构或序列、候选化合物库、可选的活性与性质数据与标准化候选库、分层排序与不确定性记录、可复现实验优先级清单建立明确对应。结果报告会同时说明支持证据、冲突信号、参数依赖和下一步验证条件。
如何在大规模化学空间中缩小实验候选范围？
适合这些研究场景
- 已经明确研究对象，希望回答“如何在大规模化学空间中缩小实验候选范围？”的课题
- 需要在分子与靶点表征学习与QSAR 与适用域评估之间建立一致比较和质量控制的研究
- 希望获得标准化候选库、分层排序与不确定性记录、可复现实验优先级清单并保留完整复现记录的团队
可开展的具体分析
分子与靶点表征学习
围绕靶点结构或序列开展分子与靶点表征学习，形成标准化候选库。首先检查靶点结构或序列是否足以支撑后续分析。
QSAR 与适用域评估
围绕候选化合物库开展QSAR 与适用域评估，形成分层排序与不确定性记录。与前后步骤采用一致对象、条件和命名，便于比较与复核。
对接、重打分与 ADMET 风险筛查
围绕可选的活性与性质数据开展对接、重打分与 ADMET 风险筛查，形成可复现实验优先级清单。与前后步骤采用一致对象、条件和命名，便于比较与复核。
根据研究问题选择方法层级
| 方法 | 适合回答 | 需要注意 |
|---|---|---|
| 分子与靶点表征学习 | 建立AI 药物设计的输入基线和初始候选空间 | AI 药物设计的输入状态、结构或数据定义错误会传递到全部后续步骤 |
| QSAR 与适用域评估 | 比较AI 药物设计中的候选状态、特征或机制并形成优先级 | AI 药物设计的比较必须使用一致条件，不能把原始分数直接当作实验量 |
| 对接、重打分与 ADMET 风险筛查 | 复核AI 药物设计的关键结果、解释差异和记录不确定性 | 模型评分用于排序与风险识别，不等同于实验活性或临床有效性。 |
从问题定义到可复现交付
明确研究问题
围绕“如何在大规模化学空间中缩小实验候选范围？”确认主要比较对象、决策用途、实验背景和本次计算能够支持的证据强度。
审查并整理输入
核对靶点结构或序列、候选化合物库、可选的活性与性质数据，处理结构、命名、单位、批次或微观状态问题，并登记仍需假设的缺失信息。
设计方法与对照
组合分子与靶点表征学习、QSAR 与适用域评估、对接、重打分与 ADMET 风险筛查，为关键结论安排对照、重复、参数敏感性或独立证据，先写明判断标准再执行计算。
计算与质量控制
AI 药物设计按可复现环境执行分子与靶点表征学习等任务，保存输入、版本、参数、日志和中间结果；发现收敛、采样、数据质量或模型适用域问题时单独标记。
解释与交付
围绕标准化候选库、分层排序与不确定性记录、可复现实验优先级清单组织结果，区分直接观察、模型推断和工作假设，并给出适合下一步实验或补充计算的优先级。
开始前需要什么，完成后得到什么
需要的输入
- 靶点结构或序列
- 候选化合物库
- 可选的活性与性质数据
可选补充资料
- 已知阳性、阴性或参考体系，用于判断AI 药物设计结果是否符合基本预期
- 与AI 药物设计相关的重复实验、外部数据库或文献证据，用于交叉复核关键解释
- AI 药物设计项目的时间、算力、软件兼容或交付格式限制
交付内容
- 标准化候选库
- 分层排序与不确定性记录
- 可复现实验优先级清单
质量控制与解释边界
判断结果是否可靠
- AI 药物设计：化学结构、靶点状态与测定条件标准化
- AI 药物设计：已知活性物、诱饵集或简单基线复核
- AI 药物设计：适用域、评分一致性与不确定性记录
- AI 药物设计：候选多样性、可合成性和实验可验证性检查
不能越过的边界
- 模型评分用于排序与风险识别，不等同于实验活性或临床有效性。
- AI 药物设计的结果只在所记录的输入、参数、模型和采样范围内成立。对输入状态、比较条件或项目目标的改变，可能需要重新计算而不能直接沿用原结论。
常见项目进入方式
从单一对象到可比较候选
当课题已有靶点结构或序列，但缺少统一判断标准时，先建立基线和对照，再用分子与靶点表征学习、QSAR 与适用域评估、对接、重打分与 ADMET 风险筛查形成候选分层，交付标准化候选库和关键差异说明。
对已有结果进行独立复核
当AI 药物设计相关的实验或计算结果存在冲突时，回到靶点结构或序列及分析假设，围绕分子与靶点表征学习增加必要的重复、敏感性和替代模型，判断差异来自真实信号还是方法条件。
开始项目前常见的问题
AI 药物设计开始前必须准备哪些资料？
至少需要靶点结构或序列、候选化合物库、可选的活性与性质数据。如果信息不完整，可以先做输入审计，明确哪些缺失会改变方法选择，哪些能够通过合理假设处理；未经确认的假设会在方案和报告中单独列出。
结果能否直接证明“如何在大规模化学空间中缩小实验候选范围？”？
不能把单一模型输出当作实验事实。模型评分用于排序与风险识别，不等同于实验活性或临床有效性。 页面所列质量控制用于判断结果是否足以形成优先级或机制假设，关键结论仍应由适当实验或独立数据复核。
最终会收到哪些可继续使用的文件？
交付通常包括标准化候选库、分层排序与不确定性记录、可复现实验优先级清单，并附输入整理记录、主要参数、软件与数据库版本、质量控制结果、可编辑表图和限制说明。具体原始文件类型会按项目方案确认。