AI如何加速新药早期筛选?

新药早期筛选的难点，不只是找到能与靶点结合的分子，而是从大量化合物中，挑出值得继续投入实验资源的对象。AI的核心作用是改善筛选顺序、减少低价值尝试，而不是直接判断某个分子能够成为药物。

从海量信号到实验优先级

DNA编码化合物库与AI的结合，体现了这种分工：前者通过编码帮助研究人员识别筛选中的化合物，提供大规模实验数据；后者分析分子特征与筛选信号之间的关联，为后续验证提供优先级。

关键区别在于，筛选信号不等于药效。分子表现出结合信号，并不自动意味着它能调节靶点功能，更不意味着它能在人体内安全有效。AI输出应被视为“哪些分子更值得验证”的判断，而非成药结论。

因此，训练数据的质量直接影响提效空间。若实验噪声被当成有效信号，或训练数据不能代表待筛选的分子，模型可能只是更快地推荐错误方向。评估模型时，不能只看它对已有数据的拟合程度，更要看推荐对象在后续独立实验中的表现。

加速来自实验闭环

更合理的路径是让预测与实验持续衔接：模型提出候选分子，实验检验其活性与选择性，再把成功和失败的结果反馈给模型。每轮筛选既寻找有希望的分子，也修正下一轮的判断依据。

候选排序还不能只追求单一活性。是否容易制备、是否具有合适的吸收与代谢特征、是否存在安全性风险，都应逐步纳入取舍。否则，早期筛选得到的“高分分子”，可能只是把淘汰成本推迟到了后续阶段。

判断AI是否真正加速研发，应关注它是否让有限实验资源获得更多经验证、可继续推进的分子，而不是只看计算速度或筛选规模。即使一个项目整体推进很快，也不能把全部时间收益归因于AI；早期筛选提效与临床安全性、有效性验证，仍是不同的问题。