PROBE让AI改药不再瞎蒙

过去两年，结构驱动药物设计里最热的叙事之一，就是让 LLM agent 拿着蛋白口袋和初始配体不断提出修改建议，像一个永不停机的虚拟药化学家一样迭代优化。这个方向当然很有吸引力，因为它对应的是一个大家都想要的能力：更快地产生更好的候选分子。

但真实情况没有宣传语那么顺滑。很多系统确实很会“改”，却不一定很会“改对”。一个分子加入新的疏水基团，也许 docking 分数变高了；可与此同时，它可能变得更大、更油、更难溶、更难合成，甚至埋下明显毒性或代谢风险。也就是说，模型看到的是“这个口袋好像塞得更满了”，研发团队看到的却是“这东西离真正可开发又远了一步”。

这就是为什么我会说，很多 AI 改药流程并不是不会生成，而是在没有局部经验的前提下过早下手。它像一个很会写答案的人，却还没学会先做草稿。看上去效率很高，实际却常常在关键地方顾此失彼。

很多非专业读者会以为药物优化的核心问题是“怎样找到更贴合口袋的分子”。这当然是问题的一部分，但远远不是全部。一个有潜力的药物分子，至少要同时满足两件事：一是和靶点结合得足够好，二是它本身仍然像一个值得继续开发的药。

第一件事决定的是活性，第二件事决定的是可开发性。前者更像“打得中”，后者更像“打中了以后还能不能真的用”。现实里，这两个目标经常天然冲突。你为了增强结合力，往往想加更强的相互作用基团、让分子更深入口袋、让接触面积更大；但这么做以后，分子也可能更笨重、更不平衡、更容易踩进成药性陷阱。

所以问题的关键不只是“能不能提出一个更强修改”，而是“能不能提出一个双赢修改”。PROBE 最聪明的地方，就是它先把这个矛盾正式量化，而不是继续默认一切优化都能自然向好。

这篇论文不是想证明“大模型已经能自动做药”，而是想正面回答一个更具体、更有价值的问题：为什么现有 LLM agent 在药物优化里经常无法同时改好 affinity 和 druggability？

作者给出的判断很直接：很多 agent 在做分子编辑时，并不知道蛋白口袋和配体复合物会对局部修改产生什么响应。换句话说，它不是在“基于局部规律做优化”，而更像在“缺乏经验的情况下尝试猜一个更好的答案”。

PROBE 这套框架的目的，就是把这种局部经验补回来。它的关键词其实不在 molecule optimization，而在 probing-guided。也就是说，先通过受控修改去探路，再在探过的基础上做真正优化。

这篇论文非常值得点赞的一点，是它没有一上来就只报最终成绩，而是先设计了两个诊断指标，专门用来拆穿现有流程的问题到底出在哪。第一个指标衡量：一次编辑到底有多大概率能同时把两个目标一起变好。第二个指标衡量：当一个目标变好时，另一个目标多大概率会跟着变差。

看上去这只是两个技术性统计量，但它们实际非常重要。因为它们把“最后有没有产出一个高分分子”这件事拆成了更底层的问题：你的优化动作本身到底是不是经常在互相打架。很多系统不是最后一步出了错，而是每一步局部编辑都在累积冲突。

对 AI4Science 来说，这种做法非常有价值。它提醒我们，复杂科学系统里最怕的不是结果暂时不够高，而是你连失败模式都没看清。PROBE 先把失败机制量出来，再谈优化，这个顺序是对的。

如果用一句大白话解释 PROBE，它其实就是：别急着把分子往“看起来更强”的方向猛改，先做几次小范围试探，看这个口袋到底喜欢什么、不喜欢什么，再决定大方向。

这种思路特别像真正的药化学家。现实里的经验丰富研究者，往往不会在完全未知的局部结构环境里一次性押宝一个复杂改造方案，而是会先拿几个类似物做探针：这个位点加个小疏水基团会怎样，这个位置换个极性取代基会怎样，这段 scaffold 稍微拉长会怎样。先试几步，摸清局部脾气，再继续往前走。

PROBE 的先进之处就在这里。它让 agent 不再扮演“天降最优答案的神谕者”，而开始扮演“先做小实验、再积累经验、再优化决策的研究助手”。这一步虽然听起来没那么魔幻，但反而更接近真实研发现场。

论文里两个很关键的中间产物，一个叫 site map，一个叫 EditManual。它们其实就是把“试探得到的局部经验”显式保存下来，而不是让模型临场发挥、临场遗忘。

site map 可以理解成口袋—分子局部修改的风险地图。它会告诉你：哪些位点更有机会同时提升亲和力和成药性，哪些位点看似能增活却很可能把分子往坏方向带，哪些子结构本身已经暴露出风险，应该优先清理。也就是说，它先回答“哪里值得动，哪里最好别乱碰”。

EditManual 则更像操作手册。做过一轮 probe edits 之后，系统会总结出：在这个局部环境里，某类修改通常会带来什么趋势，哪些动作更可能双赢，哪些动作经常导致冲突。这个手册的价值极高，因为它把一次次局部试探沉淀成了后续优化的可复用知识，而不是让 agent 每一步都重新猜。

论文后半段使用了 affinity agent、druggability agent 和 co-optimization agent 三方协作。这种设计并不只是“为了看起来更 agentic”，而是很符合问题本身的结构。因为这里的冲突，不是单个评分函数能轻松抹平的，而是真正存在多个目标之间的博弈。

affinity agent 更像那个一直提醒你“别把结合力搞丢”的人，druggability agent 更像那个一直提醒你“别把分子改成没法开发”的人，co-optimization agent 则负责在两边意见之间找更平衡的编辑路线。三者不是彼此重复，而是各自代表一个真实优化视角。

关键在于，它们不是在一张白纸上吵架，而是在 site map 和 EditManual 提供的局部经验上协商。这样协同才有意义。否则多 agent 只会把“盲目猜”变成“多人一起猜”，并不能真正提升判断质量。

今天很多 AI 论文最容易走的路线，是把模型做得更大、prompt 设计得更复杂、工具接得更多，然后期待系统自然变聪明。但 PROBE 提醒我们，在科学优化问题里，更核心的未必是规模，而是中间层知识是否建立起来。

你可以把这理解成：不是换个更能说的大脑，就自动会做更好的实验设计。真正重要的是，系统是否知道哪些小实验最有信息量、哪些局部响应值得重点记住、哪些目标冲突需要提前暴露出来。没有这些中间层经验，再强的生成能力也容易走弯路。

所以这篇论文最有启发性的地方，不是又证明了 LLM 很强，而是证明了“试探—总结—再优化”这条路径，在科学任务里可能比“直接生成最终答案”更稳、更可信。

摘要里给出的 headline result 很直接：在 CrossDocked2020 基准上，PROBE 做到了 state-of-the-art，并显著缓解了两个诊断指标所揭示的失败模式。这意味着什么？意味着它不仅最后成绩更高，而且优化过程本身的冲突也确实减少了。

这点很重要，因为很多方法只是在最终结果上偶尔撞对了，却并没有让中间优化逻辑变得更健康。PROBE 的意义恰恰在于，它把问题往前推了一步：不是最后多拿了一个好分子，而是让单次编辑更有机会变成双赢动作。

如果这个趋势在更多数据和更多任务上持续成立，它的价值会比单个 benchmark SOTA 大得多。因为它说明方法论本身可能是对的，而不是只是在某个榜单上碰巧适配。

我觉得这篇论文对 AI 制药最重要的启发，是让大家重新认识 agent 在药物设计里的角色。它未必首先要成为“从零生成神药”的创作者，反而更可能先成为一个会做高价值局部试探、会整理局部经验、会帮助人类少走弯路的智能优化助手。

这种角色听上去没有那么传奇，但很现实。药物设计最怕的不是没有候选，而是大量候选里混着很多“看起来不错，实际上很难成”的方向。一个能提前暴露冲突、缩小无效搜索空间的系统，真实价值可能比一个只会大规模吐新结构的系统更高。

从这个角度看，PROBE 实际上是在把 AI 往“更像研究搭档”而不是“更像自动写手”的方向推。它不是替代药化学家，而是在模仿药化学家最关键的一种工作习惯：先试探，再判断。

当然，今天就宣布“AI 药化学家已经来了”还太早。第一，PROBE 的验证场景依然主要是结构驱动计算优化，距离真实湿实验闭环、体内验证和临床开发还有很长距离。第二，这套方法明显更适合高价值候选的精细优化，而不是最前端极大规模库筛选。

第三，它当前主打的是 affinity 和 druggability 双目标，但真实成药决策的目标远不止两个。选择性、毒性、代谢、合成成本、专利空间，都会把问题进一步复杂化。PROBE 是否能自然扩展到这些额外目标，还需要时间验证。

第四，probe 本身也要花成本。怎样设计更少但信息量更高的试探动作，怎样避免 probe 结论被局部噪声误导，怎样把 EditManual 保持在足够稳健的抽象层级，这些都还是后续必须继续打磨的问题。

如果只看表面，PROBE 似乎只是又一个把多 agent、结构信息和优化流程拼起来的系统。但我觉得它真正重要的地方，在于它纠正了一个思路：科学优化不一定要从“直接猜最终答案”开始，更靠谱的做法，往往是先做小规模高信息量试探，再逐步积累局部经验。

这件事对 AI 制药特别关键，因为药物设计从来不是单目标竞赛，而是一个不断平衡冲突、不断缩小搜索空间、不断修正假设的过程。谁能更早把“局部响应经验”编码进系统，谁就更有机会做出真正有研发价值的 agent。

所以今天这篇论文最值得记住的一句话，不是“又一个 SOTA”，而是：AI 改药如果还在闭眼乱改，模型再大也没用；真正的进步，是让它先学会像药化学家一样，小心地试探，再聪明地下刀。

关注 AI4SCIENCE Frontiers

每天深度解读一篇 AI+科学前沿论文，长按识别二维码即可关注

让科学知识更易懂，让前沿研究更亲近