夜雨聆风AI Agent 时代的药物发现迷局 | AIDD 深度解析
引言：算力可以购买，物理直觉不能
过去一年里，AI-Driven Drug Discovery（AIDD）最时髦的词，已经从”生成式 AI（Generative AI）“换成了”智能体 AI（Agentic AI）”。大语言模型（LLM）开始展现出惊人的推理（Reasoning / Thinking）能力，我们似乎可以把读文献、设计实验、甚至写代码，统统”外包”给 AI Agent。
但这里藏着一个残酷的双关悖论：你可以外包 thinking（让 AI 替你跑逻辑推理与流程调度），却无法外包 understanding。
当我们惊叹于 AstraZeneca 的 ChatInvent 在几分钟内做完人类需要数周的工作时，也必须正视 DO Challenge 基准里那记响亮的耳光：在不限时的开放虚拟筛选测试中，顶尖人类专家的命中率（77.8%）依然对最强多智能体系统（33.5%）形成了降维打击。
为什么？本文将硬核拆解近期 AIDD 的几项重磅进展——从 AstraZeneca 的工业级智能体系统，到打破”非蛋白原子”设计瓶颈的 LigandMPNN——透过算法的华丽外衣，直击其物理化学本质，并探讨在 AI Agent 时代，药物化学家究竟该如何跨越从”会用软件”到”看懂代码”的那道墙。
一、外包出去的 “Thinking”：当 Agentic AI 走进真实的药厂
2026 年初，《Drug Discovery Today》上接连出现两篇分量十足的文章，把”智能体落地”这件事从 PPT 拉进了流水线。值得先把两者分清楚——这本身就是一道 understanding 题：
•一篇来自AstraZeneca的 Molecular AI 团队（He、Lai、Saigiridharan 等），首次披露了已真正部署到内部药物发现流程的工业级智能体系统ChatInvent[2]；•另一篇是Uppsala 大学、剑桥大学、Broad Institute联合AIAgents4Science（AIA4S）联盟撰写的综述与案例集（Huynh、Seal 等）[1]，把散落在欧美初创公司里的真实战果系统地梳理了一遍。
一个是”我家流水线上跑着的系统”，一个是”全行业的体检报告”。下面的拆解，分别取自这两篇。
1. 永不疲倦的”虚拟项目组”
[1] 综述提炼出的 Agentic AI 架构，本质上是把 LLM 当成一个”大脑（Orchestrator）”，再为它配上四类工具：
| 工具类型 | 功能 | 药物发现中的对应角色 |
| 感知（Perception） | 从 ChEMBL、PubChem、STRING 等数据库抓数据 | 文献调研员 / 数据库管理员 |
| 计算（Computation） | 调用 AlphaFold、Nextflow 等专业计算流程 | 计算化学家 / 生物信息学家 |
| 行动（Action） | 驱动实验室自动化设备（如自动合成平台） | 合成化学家 / 实验员 |
| 记忆（Memory） | 在多步推理中保持上下文连贯 | 项目经理 / 知识管理 |
💡药物化学家的直觉映射：这就像一场效率高到反常的”项目讨论会”。LLM 是项目经理，各路工具是 DMPK 专家、合成专家和生物学家。LLM 通过 Attention 动态地把注意力压在当前最关键的节点上，自主协调靶点分析、毒性预测等多个子 Agent，完成端到端决策。那些繁琐的资料搜集与流程调度——也就是 thinking 的执行层——确实可以整包甩出去。
2. 效率上的降维打击
落到真实场景，AstraZeneca 的 ChatInvent 已经”从一个概念验证的单 Agent，长成了可扩展、稳健、带图形界面的多智能体架构”[2]——这句话翻译成人话是：它扛住了生产环境。而 [1] 综述给出的量化结论更直白：真实部署把文献分析从数周压缩到几分钟，把 assay 开发从数月压缩到数小时[1]。
在药物重定位（Drug Repurposing）类案例中，基于Supervisor 架构的多智能体系统能自主协调多个子 Agent，完成从靶点分析到毒性预测的端到端决策[1]。流程层面的脏活累活，AI 接得稳稳的。
到这里，故事还是一片光明。然后，DO Challenge 来了。
二、无法外包的 “understanding”：DO Challenge 揭示的物理天花板
既然 Agent 这么能干，我们是不是可以躺平了？2025 年，Deep Origin 团队发布的DO Challenge[3][4] 给整个行业泼了一盆冷水——而且是带冰碴的那种。
1. 资源受限的”饥饿游戏”
DO Challenge 复刻了真实的虚拟筛选（Virtual Screening）困境[4]：
•一个100 万分子构象的库，每个构象带一个DO Score（用一个治疗靶点加三个 ADMET 相关蛋白做对接、再用逻辑回归综合结合能与毒性算出来的综合评分）；•Agent 的目标是捞出 DO Score 最高的Top-1000；•但只能查询其中 10%（10 万个）的真实分数；•最终提交 3,000 个候选，按与真实 Top-1000 的重叠率打分；•只有 3 次提交机会。
Agent 必须自己写代码、自己选模型，在探索（Exploration）与利用（Exploitation）之间走钢丝。这不是答题，是做项目。
2. 人类物理直觉的”绝杀”
先说 AI 的高光时刻：在10 小时限时赛里，Deep Thought 多智能体系统（核心大脑用 Claude 3.7 Sonnet、Gemini 2.5 Pro 和 o3）拿到33.5%，几乎追平顶尖人类专家的33.6%[3][4]。更狠的是，它把 20 支入选人类团队的最好成绩（16.4%）按在地上摩擦。也就是说——面对普通战队，AI 已经赢麻了。
⚠️残酷的真相（The “No-AI-Fluff” Principle）：可一旦把时间限制摘掉、让所有人放开手脚，剧情急转——人类专家的最高成绩冲到77.8%，而 Deep Thought 依然卡在33.5%，只排到全场第三[3][4]。能跨过那道坎、把 AI 远远甩开的，不是哪支团队，而是两位单枪匹马的领域专家。
这暴露了当前 AI Agent 的物理天花板：它们极度依赖预设的启发式规则，缺乏对化学空间底层拓扑的物理直觉。Deep Origin 自己复盘的”失败模式”几乎是逐条打脸——Agent 频繁误解甚至无视关键指令，攻击高级深度学习方案（自定义 GNN、3D CNN）时多半因调参拙劣而失败，还常常烧光预算却不自知[4]。
这里藏着全文最妙的一个反差，值得你记到笔记本上：该任务的 DO Score 来自固定的对接构象，所以”位置非不变性（position non-invariance）“恰恰是高分要素[4]。可 AI Agent 偏偏反复地、不顾明确指令地，端出旋转/平移”不变”或”等变”的方案——结果一头撞墙。换句话说，它们把别处的”标准答案”当成了万能钥匙，却没看懂这把锁的物理结构。
请记住这个反差。我们马上会看到，同一个”等变/不变性”的直觉，在下一个故事里是神器，在这里却是陷阱。这种”看场合下菜”的判断力，正是无法外包的 understanding。
三、底层逻辑的重构：从 ProteinMPNN 到 LigandMPNN
要理解什么叫”无法外包的 understanding”，我们去看 David Baker 实验室（2024 年诺贝尔化学奖团队）的一手活。
他们的ProteinMPNN[6] 曾是蛋白质逆向折叠（Inverse Folding）的王者：给一个目标 3D 骨架，反推出最优氨基酸序列。但它有个致命盲区——它是个”纯蛋白”模型，看不见小分子、核酸和金属离子。对一个要做酶设计、做小分子结合口袋的药物化学家来说，这等于让裁缝在没有客人的房间里量体裁衣。
1. 引入”配体感知”的第一性原理
2025 年，Justas Dauparas 等人在《Nature Methods》上发表了LigandMPNN[5]。它在 ProteinMPNN 的基础上接上了一个专门的”蛋白-配体编码器（Protein-Ligand Encoder）”，从第一性原理出发，解掉了三个核心问题：
| 物理问题 | LigandMPNN 的解法 | 药物化学类比 |
| 非蛋白原子的空间几何 | 显式建模 N、Cα、C、O、Cβ 与配体原子间距离，作为边特征 | 精确测量口袋尺寸与配体形状互补性 |
| 旋转/平移不变性（invariance） | 用原子间距离编码 + 消息传递，使设计结果不随刚体运动改变 | 分子在空间里转个身，结合自由能不变 |
| 侧链构象（PSCP） | 自回归预测 χ₁–χ₄ 扭转角的混合分布 | 给”毛坯房骨架”做精装修、摆软装 |
一个值得较真的小注：LigandMPNN（和 ProteinMPNN 一样）靠的是距离特征带来的不变性（invariance），严格说并不是 e3nn / Tensor Field Network 那一类形式化的 SE(3)等变（equivariance）网络。两个词差一个字，物理含义差一层楼，对要”看懂代码”的人来说，这种区别恰恰是分水岭。
2. 性能碾压与”代码 vs 论文”的潜规则
在与小分子相互作用的残基序列恢复率上，LigandMPNN 达到63.3%，远超 ProteinMPNN（50.5%）和传统 Rosetta（50.4%）；核酸位点 50.5%（对 35.2% / 34.0%）；金属离子结合位点更冲到惊人的77.5%（对 36.0% / 40.6%）[5]。
🔍代码 vs 论文的潜规则：当你真的去啃 LigandMPNN 的 GitHub 源码，会发现论文里那套优雅的”消息传递机制”，在实现里往往是一堆高度优化的张量乘法和掩码（masking）。许多人能看懂论文的数学公式，可一打开源码，看到密密麻麻的
torch.einsum和维度变换，瞬间就懵了。这道鸿沟，正是”无法外包的 understanding”最具体的样子。
请注意第三节和第二节的对照：在 LigandMPNN 里，旋转/平移不变性是让模型理解结合口袋的超能力；在 DO Challenge 里，盲目套用不变/等变性却是让 Agent 翻车的陷阱。工具是同一把，分寸是两回事——而分寸，从来不在 API 文档里。
四、从”调包侠”到”架构师”：技与道，重夺主导权
《庄子·养生主》里，庖丁为文惠君解牛，“砉然向然，奏刀騞然，莫不中音”。文惠君赞他技术好，庖丁却纠正：“臣之所好者道也，进乎技矣。” 他凭的不是眼睛去看、刀去砍，而是”以神遇而不以目视，官知止而神欲行”——对牛的肌理结构了然于胸，刀自然游走于筋骨之间的空隙。
调包是”技”，物理直觉是”道”。AI Agent 已经能把”技”卷到普通人难以企及的高度；而横亘在它面前、也横亘在每个 AIDD 从业者面前的，是那道”进乎技矣”的”道”。在这个 thinking 可外包、understanding 不可外包的时代，能力断层正在急剧放大。下面是一张诚实的能力地图：
| 级别 | 能力特征 | 面临的风险 |
| Novice 新手 | 只会用网页版工具（如在线版 LigandMPNN），知其然不知其所以然 | 完全可被 AI 替代 |
| Intermediate 中级 | 能跑通 GitHub 开源代码，会改简单参数，自称”调包侠” | 大概率被 AI Agent 替代 |
| Advanced 高级 | 读得懂论文公式，理解 Attention、等变性的物理意义 | 部分工作被替代，但仍有价值 |
| Expert 专家 | 能把论文公式与底层源码一一对应，能改模型架构，能从零搭建 Agentic 工作流 | 驾驭 AI，不可替代 |
“看懂代码并能动手魔改”，是横亘在 Advanced 与 Expert 之间的那道叹息之墙。只有翻过它，你才守得住那份”无法被外包的”东西。
尾声：别忘了问题是什么
给那台超级计算机起名 “Deep Thought” 的人，一定读过《银河系搭车客指南》。在道格拉斯·亚当斯的故事里，超级电脑 Deep Thought 足足算了750 万年，最后郑重其事地宣布：生命、宇宙以及一切的终极答案，是42。
可笑之处在于——没有人记得”终极问题”到底是什么。
这恰恰是整个 Agentic AI 时代最精妙的隐喻。你可以把”计算答案”这件事外包给一台算上 750 万年也不喊累的机器；但“我们到底在问什么”——这个问题，永远得由人来扛。DO Challenge 里那 77.8% 与 33.5% 的鸿沟，不是算力的差距，是”懂得问对问题”的差距。
如果你在啃 LigandMPNN 源码时感到吃力；如果你想在公司里部署类似 ChatInvent 的多智能体系统却无从下手；如果你想在 DO Challenge 这样的真实战场上，做那个跨过 50% 的人——
欢迎加入 42 号远征队。
长按识别上方二维码 → 加入微信群，一起翻墙、一起进步。
我们不负责给你”42”。我们负责，陪你把问题问清楚。
参考文献
注：以下 [1][2] 为 2026 年新刊文章，卷期与文章编号建议以出版方页面最终核定为准。
[1] Huynh, D. L., Seal, S., Reid, D., Carpenter, A. E., Bender, A., & Spjuth, O. (2026). AI agents in drug discovery: applications and case studies.Drug Discovery Today. （Uppsala 大学 / 剑桥大学 / Broad Institute 及 AIAgents4Science 联盟）https://doi.org/10.1016/j.drudis.2026.104650[1]
[2] He, J., Lai, H., Saigiridharan, L., Ghiandoni, G. M., et al. (2026). Democratising real-world drug discovery through agentic AI.Drug Discovery Today. （AstraZeneca, Molecular AI — ChatInvent 系统）https://doi.org/10.1016/j.drudis.2026.104605[2]
[3] Smbatyan, K., Ghukasyan, T., Aghajanyan, T., Dabaghyan, H., et al. (2025). Can AI Agents Design and Implement Drug Discovery Pipelines?arXiv:2504.19912.https://arxiv.org/abs/2504.19912[3]
[4] The Deep Origin Team. (2025). Benchmarking and Development of AI-Based Agentic Systems for Autonomous Drug Discovery.Deep Origin Blog.https://deeporigin.com/blog/benchmarking-and-development-of-ai-based-agentic-systems-for-autonomous-drug-discovery[4]
[5] Dauparas, J., Lee, G. R., Pecoraro, R., An, L., Anishchenko, I., Glasscock, C., & Baker, D. (2025). Atomic context-conditioned protein sequence design using LigandMPNN.Nature Methods, 22(4), 717–723.https://doi.org/10.1038/s41592-025-02626-1[5]
[6] Dauparas, J., Anishchenko, I., Bennett, N., et al. (2022). Robust deep learning–based protein sequence design using ProteinMPNN.Science, 378(6615), 49–56.https://doi.org/10.1126/science.add2187[6]
References
[1]:https://doi.org/10.1016/j.drudis.2026.104650[2]:https://doi.org/10.1016/j.drudis.2026.104605[3]:https://arxiv.org/abs/2504.19912[4]:https://deeporigin.com/blog/benchmarking-and-development-of-ai-based-agentic-systems-for-autonomous-drug-discovery[5]:https://doi.org/10.1038/s41592-025-02626-1[6]:https://doi.org/10.1126/science.add2187
