【AI制药-测评基准】深度解析英矽智能 DDB‑O3DC 基准平台:制药行业的“尺子工程”

深度解析英矽智能 DDB‑O3DC 基准平台：AI制药行业的“尺子工程”

一、行业背景：为什么必须造这把尺子

AI 制药长期存在 “跑分与现实脱节” 的核心矛盾：

1.基准分数幻觉：很多公开基准存在数据泄露、数据集偏置，模型刷出高分，但进入湿实验完全失效；典型案例 DUD‑E 虚拟筛选基准，模型靠配体特征即可拿高分，并不学习蛋白‑配体真实相互作用。

2.单点任务陷阱：现有基准大多是孤立任务（亲和力预测、ADMET、逆合成）。单点优秀≠ 端到端药物研发能力。一个完整 PCC 项目，靶点、生物学、化学、合成、成药性、临床风险是连续决策链，每一步都会累积错误。

3.基准缺陷埋藏于论文讨论区：大量基准的漏洞、局限、批评散落在文献，没有统一检索入口，科研人员继续盲目引用有缺陷的基准，形成行业负循环。

4.大模型时代的新问题：通用大模型涌入药物研发，没有统一标尺区分“科学推理能力” 和 “背诵训练集记忆”。欧盟 JRC 在 2026‑08 报告明确结论：基准分数不能直接证明工程落地就绪度。

Alex Zhavoronkov 核心判断：基准定义行业认为什么叫进步，如果基准本身是错的，整个行业的前进方向就会扭曲。英矽智能的解法不是做一两个数据集，而是两层平台：DDB 是测评执行引擎；O3DC 是基准元数据库 + 开放联盟。

二、平台架构：DDB 与 O3DC 分工、1200 个基准的真实含义

2.1 两大平台定位对比

2.2 DDB 内部两大测评套件拆解

1.Drug Discovery Foundations（基础套件）300 + 测试用例，以深度去污的公开数据集 + 自有 OOD（分布外）数据集为主。评估模型基础能力：疾病生物学推理、分子性质预测、逆合成、基于结构分子设计、临床风险预判。

2.Drug Candidate Essentials（候选药物核心套件）行业少有的端到端仿真研发测评，基线来自英矽多个走完临床前的真实自研项目。不考孤立分子，而是模拟完整项目连续决策：靶点优先级、苗头筛选、多轮分子优化、合成可行性、ADMET 淘汰、PCC 提名。检验 AI 能否在真实项目约束下做连贯决策，而不是只输出漂亮分子结构。

2.3 O3DC 独特创新：给基准附上 “已知缺陷 Caveat”

这是区别于其他所有基准目录的核心设计：每一条基准条目，除维护者、代码仓库、更新状态（自动轮询 GitHub 判断仓库是否停止维护）之外，专门记录基准自己文档不会写的偏见、漏洞、已发表批评。例：DUD‑E、PDBbind‑CASF、PoseBusters 相关缺陷直接挂载在条目旁，研究者查阅时第一时间看到风险，而不是读完论文才发现坑。同时开放社区机制：任何人可以挑战现有条目，提交新基准，联盟审核入库。

2.4 完整业务漏斗逻辑（技术 + 商业）

三、核心价值：解决 AI 制药三大痛点

痛点 1：大模型 “科学幻觉” 难以量化评估

传统测评很多是训练集内样本，大模型靠记忆拿高分。DDB 大量使用分布外 OOD 数据，模拟真实研发遇见从未见过的靶点、分子，检验真正推理能力，而不是记忆能力。Alex 公开内部测试结果：主流前沿大模型在 75% 以上自研内部基准上不及格。

痛点 2：单点基准无法评价端到端药物发现

过去评价模型：分子生成 FCD、对接 RMSD、ADMET AUC。但药物研发不是竞赛做题。同一个模型，分子生成指标 SOTA，但靶点优先级全部错，整个项目直接报废。DDB 的 Candidate Essentials 套件尝试模拟连续决策链，评估模型多步骤累积表现，更贴近药企真实项目逻辑。

痛点 3：行业基准碎片化，缺陷信息散佚

O3DC 把分散全球论文、联盟的基准收拢，并且强制附带已知缺陷，改变 “只看跑分，不问基准质量” 的科研文化。同时对标同期 BEACON 联盟，形成全球两套主要 AI 制药基准基础设施阵营。

四、平台不可回避的局限（批判性视角）

1.私有数据壁垒：DDB 高价值 OOD 与端到端仿真基线来自英矽内部项目，外界无法完全复现全部测试集。测评服务本身是商业产品，完整大规模测评需要机构付费，公开排行榜只是部分子集。

2.“1200 个基准点” 是项目校验粒度，不等于可公开数据集。绝大多数校验点依托企业内部未公开实验失败样本，无法全部开放给社区，O3DC 只能收录其中可公开的 129 个基准。

3.仿真≠ 真实湿实验：无论 DDB 测评得分多高，都只是计算机仿真评估，不能替代 LifeStar 自动化实验室湿实验，更不能替代动物、临床。平台本身反复强调：基准分数只是前置筛选，实验才是金标准。

4.社区治理风险：O3DC 宣称开放社区，但联盟发起方是英矽智能。未来会面临：如何平衡商业公司利益和中立性、如何处理商业机构提交的自家基准、如何避免条目被商业营销裹挟，这套治理机制还需要时间验证。

5.生物本身的不确定性：即使真实历史项目作为基线，生物学本身存在不可复现，仿真测评无法完全复刻真实生物学噪声。

五、对行业的战略意义

1.范式转变：从“刷 SOTA 分数” 转向 “评估研发就绪度”此前 AI 制药论文普遍优先报单点指标；DDB‑O3DC 体系推动行业问新问题：模型在分布外样本表现如何？端到端项目链能否连续正确决策？基准本身有什么缺陷？

2.给通用大模型进入制药设立门槛通用大模型不断宣称进军药物研发，DDB 提供标准化 API 测评接口，任何模型都可以跑同一套题库，减少 PPT 宣传，提供可对比的量化证据。

3.基准基础设施竞赛正式开启2026 成为 AI 制药基准大年：BEACON 联盟、欧盟 JRC、英矽 O3DC‑DDB 多条线并行。行业共识：AI 制药最大瓶颈不再是模型架构，而是评估体系与高质量、包含失败案例的数据集。

4.与英矽自身管线互为印证英矽手上拥有全球推进最快的 AI 原生药物 Rentosertib（ISM001‑055）III 期临床。平台的逻辑闭环：自己踩过真实研发的坑，把坑转化成基准，反过来测评所有 AI 模型，包括自己的模型。Alex 的观点：批评 AI 泡沫最好的方式，是手里同时有临床管线，同时有一套严格的测评标尺。

六、总结

DDB‑O3DC 不是一套新的分子数据集，而是一套完整的评估元基础设施。

•O3DC 负责治理：盘点全球基准，记录每个尺子本身的瑕疵，防止行业拿错尺子；

•DDB 负责执行：用真实项目衍生的 OOD 与端到端任务，实际度量 AI 模型距离真实药物研发还有多远。

“1200 个基准点” 揭示残酷现实：把一个靶点推进到临床前候选，不是几次漂亮分子生成，而是上千次连续校验与取舍。基准永远不能替代湿实验与临床，但可以提前筛掉大量幻觉模型，降低整个行业试错成本。

生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。