AI给分子对接“当裁判”,结果竟然还是没赢传统方法?

AI4SCIENCE DAILY

2026-05-10 | 每天深度解读一篇 AI+科学前沿论文

AI给分子对接“当裁判”，结果竟然还是没赢传统方法？

这篇论文最反常识的地方是：AI 明明把理由讲得更清楚了，最终总分却还是没有赢过传统基线

📌 先说结论

AgenticPosesRanker 不是那种一眼看上去就会让人惊呼“AI 已经碾压传统 docking”的论文。它最值得看的地方，恰恰是另一点：作者把 pose ranking 这个老问题拆成了一套可解释的物理证据流水线，再让 LLM 去做综合判断。结果上，它在 10 个系统上做到 50% best-pose accuracy，与 Smina 持平；方法上，它却非常清楚地告诉我们，AI 在药物发现里最先成熟的角色，也许不是直接替代打分函数，而是先做一个更会解释、也更容易被复盘的复核层。

▲ AgenticPosesRanker 的整体流程：先做多维物理分析，再匿名化后交给 LLM agent 做排序与结构化解释

📖 目录

01 痛点在哪里 ｜ 02 作者想解决什么 ｜ 03 这套框架的骨架是什么 ｜ 04 六个主工具在看什么
05 三类派生评估的意义 ｜ 06 LLM 到底扮演什么角色 ｜ 07 结果为什么不炸却重要
08 拆开看结果 ｜ 09 为什么没赢也值得看 ｜ 10 它比传统方法多了什么
11 对 AI 制药意味着什么 ｜ 12 局限性在哪里 ｜ 13 下一步该怎么进化 ｜ 14 最后的判断

如果你做过蛋白-配体对接，就会知道真正麻烦的地方，往往不是“生成不出候选姿势”，而是“生成出来以后不知道该信谁”。一个靶点配一个小分子，docking 程序常常可以吐出一串看起来都还不错的 pose。它们有的方向差一点，有的口袋埋藏不够，有的氢键网络像是对了但构象张力太高。问题在于，这些细微差别最后都会被压进一个总分里，而真实实验最在乎的，偏偏就是这些被压平的细节。

也正因为如此，pose ranking 一直是药物发现里一个很“基础”、却也很“卡脖子”的问题。前面虚拟筛选跑得再快，后面如果把错误 pose 排在最前面，后续结构分析、命中优化、化学设计建议，都会建立在偏掉的前提上。很多团队花了大量时间做后验人工复核，本质上就是因为现有打分函数很难稳定把“最接近真实结合状态”的答案送到第一名。

这也是为什么我觉得这篇论文值得写。它盯住的不是一个看起来炫技的新模型，而是一个直接影响研发效率的老问题：当传统打分给不出令人放心的答案时，AI 能不能别急着“替代一切”，而是先学会做一个更会解释、更会复核的裁判。

很多人一看到“大模型+科学”就会默认作者又做了一个 end-to-end 黑箱：输入结构，输出结论，中间全靠模型自己悟。但这篇工作反而是往另一个方向走。作者没有让 LLM 直接读 3D 坐标、直接猜哪个 pose 最接近真实，而是先把每个 pose 变成一组结构化的、可阅读的物理证据，再把这些证据交给 LLM 去综合判断。

这一步非常关键，因为它改变了模型在工作流里的角色。它不再是“凭感觉一把梭”的预测器，而更像一个拿着多份检查报告做综合裁决的高级审稿人。也就是说，作者不是想训练一个更神秘的分数，而是想搭一个更可解释的判断层。

从科学应用角度看，这个思路比“再造一个总分”更有现实意义。研究人员真正愿意接受的 AI，不只是能给答案的 AI，而是能把理由摊开来、让人知道它依据了哪些物理线索、忽略了哪些风险项的 AI。尤其在药物发现这种高成本场景里，可审计性有时候和准确率一样重要。

整套 AgenticPosesRanker 框架其实很清楚：输入端是蛋白结构和配体 pose，先经过蛋白过滤与复合物构建，然后进入六个 primary analysis tools。它们分别去看相互作用、溶剂暴露、构象张力、空间冲突、极性惩罚以及化学身份信息。这里最重要的一点，是作者没有把这些信号混成一个立即出结果的超级分数，而是保留为一组可分解的中间证据。

接着，系统还从 primary tools 的结果中派生出三类 derived assessments，包括 interaction quality、binding mode class 和 ligand efficiency。你可以把这理解为：第一层先做原始体检，第二层再做体检报告的归纳总结。这样做的好处是，LLM 最后看到的不是杂乱无章的底层数据，而是一套已经具备化学语义和结构语义的证据面板。

再往后，论文专门设计了 pose anonymization，也就是把不同 pose 的身份匿名化，再送入 LLM agent。这个细节其实很聪明。因为如果不匿名，模型可能会受到排序位置、命名方式甚至输入顺序的暗示；一旦匿名，模型必须更依赖证据本身来做判断。最后输出端给出两个东西：一是 pose ranking，二是 structured justification。前者是结果，后者是解释。对真实研发流程来说，后者往往才是决定这套系统能否落地的关键。

第一个工具是 PLIP interaction profiling，它负责抓取氢键、疏水接触、π-π 堆叠、盐桥以及水桥等相互作用。这类信息是很多研究者肉眼审结构时最先看的内容，因为一个 pose 看起来“像不像真结合”，很多时候就体现在关键相互作用是不是站得住。

第二个工具是 solvent exposure，也就是溶剂暴露与埋藏情况。一个 pose 即使局部相互作用还行，如果整体埋藏方式不合理、疏水部分暴露过头，或者该暴露的位置又被埋得太深，它的可信度就会明显下降。第三个工具看的是 conformational strain，本质上是问：为了硬塞进这个口袋，配体是不是被扭成了一个代价过高的姿势。如果一个 pose 只有在高张力、很别扭的构象下才能成立，那它在真实体系里就未必稳定。

第四个工具是 steric clash detection，专门抓空间碰撞。第五个是 unsatisfied polar penalty，用来识别那些本应被满足却悬空的极性原子。第六个是 SMILES extraction，主要用于化学身份核验，而不是直接参与排序。把这六项放在一起看，你会发现作者其实是在尽量模拟人类结构生物学家或药化研究者做复核时的思路：不是问“总分高不高”，而是逐项问“这个姿势在物理上到底顺不顺”。这也解释了为什么这篇论文的方法味道很浓——它不是在赌一个大模型奇迹，而是在认真搭一个可被拆解的证据流水线。

如果论文只停留在“六个工具各自出报告”，那它更像一个工具箱，而不一定是一个框架。真正把框架感拉起来的，是后面的三类 derived assessments。interaction quality 不是只看有没有相互作用，而是进一步问这些相互作用的几何质量到底好不好；binding mode class 不是只看进没进袋，而是试图区分深口袋、部分口袋还是表面结合；ligand efficiency 则把相互作用强度和配体大小联系起来，避免大分子天然占便宜。

这一层的意义在于，它把“原始观测”变成了“更适合决策的摘要指标”。LLM 天生擅长在多条理由之间做比较，但前提是这些理由已经被整理成比较像话的语言单元。如果直接给它一堆原始坐标或分散数值，模型未必能稳定判断；而先经过 derived assessments，信息结构就更接近专家实际做权衡时会看的维度。

所以我会说，这篇论文真正值得注意的，不是“用了 LLM”，而是它先把证据组织成适合 LLM 判断的样子。很多 AI for science 工作最大的问题，是把模型丢进原始世界里期待它自动理解一切；这篇论文则明显更务实：先把世界整理一下，再让模型出手。

论文里最容易被忽略的一点，是 LLM 的角色其实被控制得很克制。它不是直接替代 docking、替代能量函数、替代结构评估，而是在所有底层分析完成之后，做最后的综合排序与理由生成。换句话说，这里的 LLM 更像“总评专家”，而不是“基层测量员”。

这件事的好处很明显。第一，模型的错误更容易定位。如果结果不理想，你可以回头看是相互作用证据不够、极性惩罚没覆盖到，还是推理层权重分配有问题。第二，系统的可迭代性会更强。你不需要每次都重训一个庞大模型，只要新增更好的分析工具、替换某个弱模块、补充新的指标，整个框架就可能提升。

从 AI4Science 的大方向来看，这其实很有代表性：在高风险科学场景里，大模型短期内最靠谱的位置，往往不是“独立发现规律”，而是“把多源证据整合成更接近专家思维的判断”。这听起来没有那么炸裂，但反而更可能先落地。

先说最直白的结果：在 10 个蛋白-配体系统、162 个候选 pose 的平衡基准上，AgenticPosesRanker 的 best-pose accuracy 做到了 50%，与固定设计的 Smina 基线持平，显著高于 7.7% 的均匀随机基线。很多人看到这里可能会立刻下结论：那不就是没赢吗？

如果只从 headline 指标看，确实没赢。但这恰恰是这篇论文最有意思的地方。它没有靠包装话术把“持平”说成“碾压”，而是很老实地告诉你：当前这条路线至少已经证明，AI agent 可以在物理解释层面参与 pose 重排，而且不是瞎排。它的决策依据与客观指标之间存在明显一致性。也就是说，问题更像出在“证据还不够全”，而不是“模型完全不会判断”。

对做科研的人来说，这种结果其实比一个偶然冲高的分数更有参考价值。因为它说明系统已经搭出了一个可验证、可拆解、可优化的框架。分数没过线，未必代表方向错了；有时恰恰意味着，方向对了，但还差关键组件。

论文给出的更细结果显示：在 Smina 原本就做得不错的 5 个系统里，这个 agent 保住了其中 4 个；在 Smina 原本失败的 5 个系统里，它成功救回了 1 个。这个表现当然还谈不上扭转乾坤，但它很说明问题——系统并不是完全无差别地复述基线，而是已经能够在个别难例上做出不同判断，且有时这种不同判断是对的。

这意味着什么？意味着 agentic 框架已经开始具备“局部纠偏”能力。它未必能大面积碾压传统方法，但在最需要人工复核的那些困难案例里，它可能已经能提供额外价值。而真实研发里，很多时候最值钱的并不是把所有简单题都再做一遍，而是尽量少错过那些真正重要的难题。

论文还做了 decision-attribution analysis，发现 agent 自报的工具权重与客观 metric separation 的中位相关达到 0.83。这个数字虽然不直接等于准确率提升，但它提供了一条非常关键的证据：模型说自己为什么这么判，和数据里真正区分 pose 的信号之间，是有较强对齐的。对于一个强调解释性的系统来说，这比单纯多涨几个百分点还更重要。

因为很多论文一旦没赢，最容易做的事就是模糊表达：换指标、挑子集、讲故事，最后把结果包装成一种若有若无的胜利感。但这篇工作更像一次诚实的概念验证。它清楚地把天花板指出来了：不是 LLM 会不会推理的问题，而是当前前端工具能不能覆盖真正决定 near-native pose 的关键物理因素。

这个判断非常重要。它意味着后续优化方向是清晰的。你不需要盲目地去换一个更大的模型、更多的 token、更复杂的 prompt；更可能有效的，是往证据层补真正有区分力的分析，比如更好的能量重评分、柔性诱导契合信息、短程动力学稳定性、溶剂与水网络效应，甚至更细粒度的几何质量指标。

说白了，这篇论文没有用结果“惊艳你”，但它用问题拆解方式“说服你”。而在科学工作里，后者往往更重要，因为它决定这条路线是不是值得继续投资源。

传统打分函数的优势很明确：快、便宜、成熟、易于大规模部署。只要你做的是海量初筛，它们依然是非常现实的选择。问题在于，它们通常把复杂物理因素压缩成一个单值输出，一旦这个输出错了，研究者很难知道错在哪里，也很难知道下一步该如何修正。

AgenticPosesRanker 多出来的，不只是一个 LLM，而是一套“可追责”的判断过程。你能看到它参考了哪些工具、哪些证据更强、为什么某个 pose 被排前、另一个被压后。对于科研团队来说，这种解释层会直接影响协作效率，因为结构生物学家、计算化学家和药化人员终于可以围绕同一份可读证据讨论，而不是围绕一个神秘分数争论。

当然，代价也很明显：流程更长，调用更多工具，吞吐量未必适合最前端的大规模筛选。所以它当下最合理的位置，不是全面替代传统打分，而是接在关键节点做精排、复核和难例分析。把位置摆正，你反而更容易看见它的真实价值。

如果把这篇论文放到更大的 AI 制药版图里看，它传递的其实是一个很现实的信号：智能体最先成熟的角色，未必是“从零发现新药”，而可能是“把多源证据整理成更可靠的判断，再辅助人类做决策”。这听上去不够传奇，却可能更接近产业真正愿意买单的方向。

因为药物发现流程不是缺一个会说话的模型，而是缺一套能减少误判、加快复核、帮助跨团队沟通的系统。尤其在结构相关决策上，一个能解释自己为什么这么排的 agent，可能比一个只多涨一点分、但说不清原因的黑箱更有用。

从科研智能体角度看，这也是一个很值得观察的模式：agent 不是直接拥有万能能力，而是建立在明确工具链之上，通过工具收集证据，再通过推理做最后整合。这种“工具先行、智能体后判”的范式，很可能会在更多 AI4Science 任务里复现。

第一，样本规模还是小。10 个系统、162 个 pose，足够说明概念，但远远不够下全面定论。真实药物发现场景的蛋白口袋多样性、配体复杂度、诱导契合效应，都可能让表现发生明显变化。第二，当前 headline 结果没有超过强基线，所以任何“AI 已经改写 pose ranking”的说法都还太早。

第三，也是更本质的一点：这套方法高度依赖前端证据质量。若 primary tools 和 derived assessments 没有覆盖真正决定 near-native pose 的关键物理因素，那么后端 LLM 再会整合，也只能在不完整证据上做次优选择。换句话说，框架的上限被工具层牢牢卡住了。

第四，LLM 的解释虽然和客观区分信号较为一致，但这不代表它已经具备稳定、普适、跨体系迁移的科学判断能力。它现在更像一个被严格约束的解释型决策器，而不是一个能自主发现新规律的科学家。看清这一点，才能避免对这类系统产生不必要的神化。

如果让我判断这条路线下一步最该投哪里，我会优先投证据层，而不是 prompt 花活。比如加入更强的能量重评分、局部分子动力学稳定性、蛋白柔性响应、桥联水效应、更细粒度的相互作用几何评价，甚至把实验已知结构先验接入系统。只要证据层变强，LLM 作为整合器的上限就会被一起抬高。

此外，这类框架还很适合与更大流程对接。它完全可以成为虚拟筛选后的精排模块，也可以成为 hit-to-lead 阶段的结构复核助手，甚至可以与实验设计建议联动，告诉研究者哪些 pose 值得优先做后续验证。那时候它的价值就不再只是“排个名”，而是成为研发流程里的决策节点。

所以真正值得期待的，不是明天它立刻超过所有传统基线，而是它是否能沿着“工具更强—解释更稳—决策更可信”的路线持续进化。如果能，那它在 AI 制药里站稳脚跟的概率其实不低。

如果只看结果，它不是王炸；如果看方法论，它却很可能是一种很有代表性的早期信号。它告诉我们，AI 进入科学工作流，未必一定要一上来就全面替代传统方法。相反，更现实的路径可能是先把那些最难解释、最容易误判、最需要人工复核的环节接过来，做成一层能被人理解、也能被人质疑的智能判断层。

对 AI4Science 读者来说，这类论文真正值得跟的地方就在这里：它改变的不是某个单点 benchmark 的输赢，而是未来科研系统应该怎样把“证据”“推理”和“决策”连起来。今天它还没赢 Smina，但它已经把下一步该怎么赢，说得比很多论文更清楚了。

关注 AI4SCIENCE Frontiers

深度解读 AI + 科学前沿论文，帮你更快看懂真正重要的新进展

如果你关心 AI 制药、蛋白设计、科研智能体和 AI4Science，欢迎关注，不错过关键进展

长按识别二维码，关注公众号