夜雨聆风SOTALAB ·
——
这两天，AI 制药又一次刷屏。
Merck 和 Moderna 宣布，个体化 mRNA 新抗原疗法 intismeran autogene 联合 KEYTRUDA，在高危黑色素瘤辅助治疗 III 期临床试验中，达到了无复发生存期和远处无转移生存期两个关键终点。
图 1｜Merck 与 Moderna 的个体化 mRNA 新抗原疗法公布 III 期阳性结果后，AI 制药再次成为行业讨论的焦点
这不是一句“AI 治愈癌症”就能概括的故事。
它更像是几条长线终于在临床结果里交汇：肿瘤测序让医生看见患者个体化的突变，mRNA 平台把这些信息转化成可制造的治疗方案，算法参与新抗原筛选与设计，最后再由大规模临床试验给出验证。这里面没有单点奇迹，更多是多年技术积累走到了一起。
对 AI 制药行业来说，这条新闻真正值得关注的地方在于：AI 正在从“研发辅助工具”，慢慢进入更接近真实决策和临床转化的位置。
但越往真实项目里走，问题越不会只停留在“模型有多强”。
药物研发最终要落到一轮轮具体判断：数据能不能信，结构证据够不够，风险是不是已经影响推进，下一轮实验该先做什么。一个模型能写出漂亮解释是一回事，能不能在这些判断里帮上忙，是另一回事。
这也是 SoTALab 做药化专家数据 Medicine Design Eval & Training Data 的原因。
我们今天想讨论的正是它能不能真正参与药物化学项目。
01 榜单让进步可见，但项目不会按榜单推进
过去几年，AI 制药领域并不缺 benchmark。
化学知识问答、分子性质预测、反应预测、分子生成、工具调用，各类评测让模型能力变得更容易比较。
榜单本身是有价值的。没有这些公共尺度，行业很难判断模型到底进步在哪里，也很难把不同团队的结果放到同一张桌上讨论。
问题在于，真实药化项目很少是一个孤立任务。
项目里常见的情况是，多项指标同时摆在面前，而且彼此牵制。活性、选择性、溶解度、渗透性、代谢、安全性、合成可行性、专利空间，没有哪一项可以单独决定项目命运。
药化团队每天做的不是寻找一个“标准答案”，而是在不完整的信息里做取舍。
这一轮该优先提高活性，还是先把风险压下来；一个结构解释看起来合理，但有没有足够实验支撑；一个分子设计很漂亮，但合成路线和专利空间是否允许继续推进。
这些判断，才是项目真正前进或停下来的地方。
所以，当 AI 模型开始进入药物研发，单纯知道它在某个榜单上排名靠前还不够。行业更需要知道的是：它能在哪一类项目问题里稳定帮忙，在哪些地方还需要人类专家兜底。
02 真正难的，是有证据边界的取舍
药物化学家的价值，不只是知道某个官能团、某条反应或某个性质指标。
更关键的是，他们知道证据能支持到哪里，也知道哪些结论现在还不能说太满。
这类能力很难用一个简单的“答对 / 答错”衡量。
一个答案可能方向对，但证据用错了；也可能结论保守，但恰好指出了关键风险。真实项目里，这两种答案的价值完全不同。
SoTALab 想评测的，正是这种更接近项目现场的能力：模型能不能把分子设计、实验数据、结构证据、ADMET 风险、合成路线和专利约束放在同一个情境里，给出可追踪、可复核的判断。
03 难度分层，是为了看模型适合放在哪个位置
我们设计了 L1-L3 三层难度。
这不是为了把题目做难。
相反，它是为了让模型能力有更清楚的使用边界。一个模型能稳定完成 L1，可能已经适合做知识整理和基础分析；如果能在 L2 上给出可靠设计，就可以进入更实质的药化协作；如果在 L3 上也能给出有证据、有边界的判断，才真正接近项目决策支持。
对药企、biotech 和 AI 制药团队来说，这种分层比“榜单第几名”更实用。
04 让模型直接读原始证据，难度会明显上来
真实项目很少只给模型一段整理好的文字。
实验数据可能在表格里，结构信息可能在 PDB 或论文补充材料里，专利边界可能藏在 claim 里，关键风险可能来自某个不起眼的对照实验。
OpenAI 的 LifeSciBench 也有类似观察：当任务需要处理附件证据时，模型通过率会明显低于纯文本任务。原因很简单，整理好的结论已经替模型做了一半工作；真正的研究任务，需要模型自己从材料里抽取信息、对齐口径、形成判断。
Medicine Design Eval & Training Data 会沿着这个方向设计题目。
每道题不仅有题干和参考答案，还会记录能力维度、研发阶段、难度、附件证据、评分锚点、来源许可和泄漏风险。项目决策题允许多条合理答案路径，但每条路径都要能追溯到具体证据。
评测的重点，不只是模型最后选了什么，而是它为什么这么选。
05 一个样例题，为什么要拆成多个评分点
有一道样例题，来自一个片段发现得到的变构抑制剂系列。
题目要求模型解释两步分子改造：A 到 B，把柔性侧链约束起来；B 到 C，再引入一个邻位甲基。模型需要结合实验数据和结构证据，说明每一步改造带来的变化，也要指出哪些解释目前还不能确定。
这道题看起来像一道普通 SAR 题，但真正评分时不会只看一句结论。
完整答案不只是“讲得通”，还要讲得有边界。
这正是药化项目里常见的难点。很多错误不是因为模型完全不知道，而是因为它把证据用过了头。
06 SoTALab 正在推进开放共建
Medicine Design Eval & Training Data 的目标量级约为 200 题，覆盖 8 个能力维度和 L1-L3 难度梯度。
题目以小分子为主，同时覆盖抗体 / ADC payload / linker、大环 / 多肽等方向；研发阶段则从 hit triage、lead optimization，延伸到 PCC nomination / FTO。
我们希望它最终不是一份静态题库，而是一套可持续更新的药化评测基础设施。
因此，Medicine Design Eval & Training Data 会重视几件事：
图 6｜每道题都需要记录题干、附件、评分锚点、rubric、来源许可和泄漏风险。这样评测结果才可追溯，训练数据也更适合后续定向补齐能力短板
更重要的是，我们会引入人类基线。由药化专家在同一套题上作答，并经过盲评复核，作为判断模型是否接近人类项目水平的参照。
目前我们已经建立 100 位药化出题专家组成的核心网络，背后连接 20 万知乎高质量答主可触达作者池与 2000+ 在库 PhD。专家方向覆盖小分子、多肽、AIDD / CADD、SBDD、ADMET / DMPK、合成路线、专利分析等。
覆盖清华化学系博士后、北大前沿交叉博士、德国开姆尼茨工业大学博士、清华药学博士等背景，方向包括小分子 / 多肽药物设计、AIDD / CADD、化学生物学、药理药效与药毒检测等。
07 热点会过去，评测会留下来
AI 制药的热点还会继续出现，这对行业不是坏事。
热点让更多人看到技术可能性，也让资本、药企、biotech 和模型团队更愿意把问题往前推。但真正进入项目以后，大家最终还是要回到一件事：模型能不能在真实研发流程里稳定创造价值。
Medicine Design Eval & Training Data 想做的，就是给这个问题提供一把更接近药化项目现场的尺子。
不是只看模型会不会答题，而是看它能不能读证据、识别风险、提出设计、承认证据边界，并帮助团队做出下一步判断。
如果你正在训练、选型或评估 AI 药化模型，或者你也希望推动更开放、更可复现的药化评测，欢迎参与 Medicine Design Eval & Training Data 共建。
原文链接：https://sotalab.ai/zh/whitepapers/medchem
关于 SoTALab
SoTALab 将全球权威专家的专业知识转化为数据和评估结果，用于训练最先进的模型。我们是一支专注的团队，致力于招募工程师和研究人员，希望我们的工作能够塑造前沿人工智能的学习方式。
若您想要加入我们或对我们感兴趣，请联系contact@sotalab.ai
© THE END
转载请联系本公众号获得授权