為什么我們還沒(méi)有用大語(yǔ)言模型LLM來(lái)“化學(xué)重設(shè)計(jì)”老藥這聽(tīng)起來(lái)像是一個(gè)科幻點(diǎn)子讓AI去改造那些已經(jīng)上市多年的藥物讓它們變得更安全、更有效或者能治療新的疾病。但現(xiàn)實(shí)是盡管AI在藥物發(fā)現(xiàn)領(lǐng)域已經(jīng)掀起浪潮從靶點(diǎn)預(yù)測(cè)到分子生成都取得了突破但“老藥新用”或“老藥改造”這個(gè)看似更直接的領(lǐng)域卻似乎進(jìn)展緩慢。這背后不是一個(gè)簡(jiǎn)單的技術(shù)問(wèn)題而是一個(gè)復(fù)雜的系統(tǒng)工程。很多人可能認(rèn)為有了強(qiáng)大的LLM如GPT-4、Claude、DeepSeek等和分子生成模型給一個(gè)已知藥物分子“動(dòng)個(gè)小手術(shù)”應(yīng)該輕而易舉。但實(shí)際情況是從“化學(xué)重設(shè)計(jì)”的想法到真正進(jìn)入臨床中間橫亙著數(shù)據(jù)、驗(yàn)證、法規(guī)和跨學(xué)科協(xié)作的層層高墻。本文不打算空談趨勢(shì)而是要深入拆解為什么這件事這么難以及如果今天一個(gè)藥物研發(fā)團(tuán)隊(duì)想啟動(dòng)這樣一個(gè)項(xiàng)目他們真正需要面對(duì)的技術(shù)棧和實(shí)操路徑是什么我們將從LLM在藥物化學(xué)中的真實(shí)能力邊界開(kāi)始逐步深入到數(shù)據(jù)準(zhǔn)備、模型選擇、驗(yàn)證循環(huán)以及最終的工程化落地。你會(huì)發(fā)現(xiàn)這遠(yuǎn)不止是調(diào)一個(gè)API那么簡(jiǎn)單它涉及對(duì)LLM原理的深刻理解、對(duì)化學(xué)知識(shí)的編碼、以及一套嚴(yán)謹(jǐn)?shù)摹凹僭O(shè)-生成-驗(yàn)證”科學(xué)工作流。對(duì)于AI工程師、計(jì)算化學(xué)研究者或?qū)I制藥感興趣的技術(shù)人來(lái)說(shuō)這是一份從理論到實(shí)踐的避坑指南。1. 核心挑戰(zhàn)為什么“化學(xué)重設(shè)計(jì)”比想象中難在討論如何做之前必須先理解為什么沒(méi)做成。將LLM用于藥物化學(xué)重設(shè)計(jì)面臨幾個(gè)根本性挑戰(zhàn)這些挑戰(zhàn)決定了技術(shù)路徑的復(fù)雜性。1.1 數(shù)據(jù)壁壘與“非文本”的本質(zhì)LLM的核心訓(xùn)練材料是自然語(yǔ)言文本其強(qiáng)大之處在于理解和生成連貫的語(yǔ)義序列。然而化學(xué)分子是一種結(jié)構(gòu)化的、非文本的信息。一個(gè)藥物分子如阿司匹林可以用SMILES字符串一種文本表示法描述但這與自然語(yǔ)言有本質(zhì)區(qū)別。SMILES字符串的語(yǔ)法極其嚴(yán)格一個(gè)字符的錯(cuò)誤如括號(hào)不匹配就會(huì)導(dǎo)致無(wú)效分子。LLM在生成自然語(yǔ)言時(shí)有一定的容錯(cuò)和創(chuàng)造性但在生成SMILES時(shí)其“創(chuàng)造力”必須被嚴(yán)格約束在化學(xué)規(guī)則價(jià)鍵規(guī)則、立體化學(xué)等和語(yǔ)法規(guī)則之內(nèi)。直接讓未經(jīng)專(zhuān)門(mén)訓(xùn)練的通用LLM去生成或修改SMILES結(jié)果往往是大量無(wú)效的化學(xué)“亂碼”。1.2 “優(yōu)化”的多目標(biāo)性與權(quán)衡重設(shè)計(jì)一個(gè)老藥目標(biāo)很少是單一的。我們可能希望提升療效活性對(duì)靶點(diǎn)有更強(qiáng)的結(jié)合力。改善藥代動(dòng)力學(xué)ADME在體內(nèi)吸收更好、分布更佳、代謝更慢、排泄更合理。降低毒性減少對(duì)肝臟、心臟等器官的副作用。改變適應(yīng)癥讓一個(gè)鎮(zhèn)痛藥可能對(duì)神經(jīng)退行性疾病有效。 這些目標(biāo)往往是相互沖突的。增強(qiáng)活性可能使分子更疏水導(dǎo)致溶解性變差改變結(jié)構(gòu)降低毒性又可能讓分子無(wú)法穿透細(xì)胞膜。LLM需要在一個(gè)高維、多目標(biāo)的化學(xué)空間中進(jìn)行導(dǎo)航和優(yōu)化這需要精確的獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)和多目標(biāo)優(yōu)化策略。1.3 驗(yàn)證成本極高形成反饋閉環(huán)難在文本領(lǐng)域評(píng)估LLM生成結(jié)果的質(zhì)量相對(duì)快速人工閱讀、BLEU分?jǐn)?shù)等。在藥物化學(xué)中每一個(gè)AI生成的候選分子其最終驗(yàn)證需要經(jīng)過(guò)合成化學(xué)在實(shí)驗(yàn)室中實(shí)際合成出來(lái)這可能需要數(shù)周甚至數(shù)月且可能失敗。體外實(shí)驗(yàn)測(cè)試其與靶點(diǎn)的結(jié)合活性、細(xì)胞毒性等。體內(nèi)實(shí)驗(yàn)臨床前在動(dòng)物模型上測(cè)試藥效和安全性。 這個(gè)循環(huán)極其昂貴和耗時(shí)無(wú)法為L(zhǎng)LM提供海量、快速的反饋數(shù)據(jù)來(lái)持續(xù)微調(diào)。因此模型必須在有限的驗(yàn)證輪次中表現(xiàn)出極高的“一次成功率”。1.4 法規(guī)與解釋性要求藥品監(jiān)管機(jī)構(gòu)如FDA、NMPA對(duì)藥物的審批基于一套嚴(yán)格的證據(jù)體系。如果一款新藥或改良藥的分子設(shè)計(jì)完全由一個(gè)“黑箱”AI模型驅(qū)動(dòng)而研發(fā)者無(wú)法解釋“為什么選擇這個(gè)修改位點(diǎn)”、“為什么這個(gè)基團(tuán)變化能降低毒性”那么注冊(cè)申請(qǐng)將面臨巨大挑戰(zhàn)。LLM的決策過(guò)程需要一定的可解釋性至少需要與傳統(tǒng)的基于結(jié)構(gòu)的藥物設(shè)計(jì)SBDD和定量構(gòu)效關(guān)系QSAR等可解釋方法相結(jié)合。理解了這些挑戰(zhàn)我們就能明白一個(gè)可行的技術(shù)方案必須是一個(gè)精心設(shè)計(jì)的系統(tǒng)而非單一模型的應(yīng)用。接下來(lái)我們將構(gòu)建這樣一個(gè)系統(tǒng)的技術(shù)藍(lán)圖。2. 技術(shù)架構(gòu)LLM如何融入藥物重設(shè)計(jì)工作流一個(gè)完整的、基于LLM的化學(xué)重設(shè)計(jì)系統(tǒng)絕非僅僅是一個(gè)分子生成器。它是一個(gè)融合了多種AI技術(shù)和化學(xué)信息學(xué)工具的智能工作流。其核心架構(gòu)可以理解為“LLM as a Controller Expert Models”。2.1 核心架構(gòu)分層我們可以參考AI Agent的架構(gòu)思想將系統(tǒng)分為以下幾個(gè)層級(jí)層級(jí)功能常用技術(shù)/模塊控制與規(guī)劃層 (Orchestration)理解任務(wù)目標(biāo)拆解子步驟協(xié)調(diào)各專(zhuān)家模型工作。決定“改哪里”、“怎么改”。LLM (如GPT-4, Claude) Prompt工程。LLM在此作為“首席科學(xué)家”和“項(xiàng)目經(jīng)理”進(jìn)行邏輯推理和任務(wù)規(guī)劃。感知與表示層 (Representation)將化學(xué)分子、蛋白質(zhì)靶點(diǎn)、生物活性數(shù)據(jù)等非結(jié)構(gòu)化信息轉(zhuǎn)化為AI模型可以處理的數(shù)值表示向量。分子嵌入模型。例如? 基于Transformer的模型如ChemBERTa將SMILES轉(zhuǎn)化為向量。? 圖神經(jīng)網(wǎng)絡(luò)GNN將分子圖結(jié)構(gòu)轉(zhuǎn)化為向量。? 3D卷積網(wǎng)絡(luò)處理分子構(gòu)象。專(zhuān)家模型層 (Expert Models)執(zhí)行具體的、專(zhuān)業(yè)化的預(yù)測(cè)任務(wù)為控制層提供決策依據(jù)。?屬性預(yù)測(cè)模型預(yù)測(cè)分子的活性、毒性、溶解度等QSAR模型。?分子生成模型根據(jù)約束條件生成新分子如REINVENT, MolGPT。?逆合成分析模型評(píng)估分子合成的難易度如Retro*。知識(shí)庫(kù)與記憶層 (Knowledge Memory)存儲(chǔ)領(lǐng)域知識(shí)如化學(xué)反應(yīng)規(guī)則、已知構(gòu)效關(guān)系、專(zhuān)利信息、項(xiàng)目歷史和歷史決策供LLM檢索參考。向量數(shù)據(jù)庫(kù) (如Chroma, Weaviate) RAG (檢索增強(qiáng)生成)。將非結(jié)構(gòu)化的文獻(xiàn)、數(shù)據(jù)庫(kù)如ChEMBL, PubChem知識(shí)向量化存儲(chǔ)。驗(yàn)證與反饋層 (Validation Feedback)對(duì)接實(shí)驗(yàn)數(shù)據(jù)評(píng)估生成分子的質(zhì)量形成閉環(huán)用于優(yōu)化模型。實(shí)驗(yàn)管理系統(tǒng)ELN/LIMS接口自動(dòng)化實(shí)驗(yàn)平臺(tái)如液體處理機(jī)器人的數(shù)據(jù)回傳。2.2 工作流程示意一次典型的“重設(shè)計(jì)”任務(wù)流程如下任務(wù)解析用戶輸入自然語(yǔ)言指令如“優(yōu)化藥物A在保持其對(duì)靶點(diǎn)X活性的前提下將其口服生物利用度提高20%并降低其hERG毒性風(fēng)險(xiǎn)?！敝R(shí)檢索RAGLLM控制層從向量知識(shí)庫(kù)中檢索藥物A的化學(xué)結(jié)構(gòu)、已知的構(gòu)效關(guān)系、類(lèi)似物的毒性數(shù)據(jù)、提升生物利用度的常見(jiàn)策略如引入特定官能團(tuán)等。分子表示與分析感知層將藥物A的分子轉(zhuǎn)化為向量。專(zhuān)家模型層中的屬性預(yù)測(cè)模型對(duì)原藥A的各個(gè)屬性進(jìn)行基準(zhǔn)評(píng)估。規(guī)劃與決策LLM綜合檢索到的知識(shí)和專(zhuān)家模型的評(píng)估制定修改策略。例如“在苯環(huán)的對(duì)位引入一個(gè)小的極性基團(tuán)如羥基可能在不影響活性的情況下改善溶解度和代謝穩(wěn)定性。需要調(diào)用分子生成模型在保持核心藥效團(tuán)不變的前提下探索該位置的取代基。”分子生成與篩選LLM將結(jié)構(gòu)化指令如SMILES、修改約束發(fā)送給分子生成模型。生成模型產(chǎn)生一批候選分子。隨后這批分子被送入多個(gè)屬性預(yù)測(cè)模型進(jìn)行快速虛擬篩選高通量篩選打分排序。迭代與報(bào)告LLM分析虛擬篩選結(jié)果判斷是否滿足目標(biāo)。若不滿足則調(diào)整策略進(jìn)入下一輪生成。若滿足則LLM生成一份綜合報(bào)告包括推薦分子列表、修改理由、合成可行性分析和下一步實(shí)驗(yàn)建議。這個(gè)架構(gòu)中LLM的核心價(jià)值在于“理解”和“規(guī)劃”它用自然語(yǔ)言溝通連接了化學(xué)家的直覺(jué)、領(lǐng)域知識(shí)和一系列專(zhuān)業(yè)的、沉默的AI工具。3. 環(huán)境準(zhǔn)備構(gòu)建你的藥物重設(shè)計(jì)AI工具箱要?jiǎng)邮謱?shí)踐上述架構(gòu)你需要搭建一個(gè)跨學(xué)科的技術(shù)棧。以下是一個(gè)基于Python的、相對(duì)可行的開(kāi)源工具組合。3.1 基礎(chǔ)軟件環(huán)境操作系統(tǒng)Linux (Ubuntu 20.04) 或 macOSWindows可通過(guò)WSL2進(jìn)行。Python3.9 或 3.10版本。建議使用conda或venv創(chuàng)建獨(dú)立的虛擬環(huán)境。包管理pip和conda。3.2 核心Python庫(kù)在你的虛擬環(huán)境中安裝以下關(guān)鍵庫(kù)# 創(chuàng)建并激活conda環(huán)境 conda create -n drug-llm python3.9 -y conda activate drug-llm # 基礎(chǔ)科學(xué)計(jì)算與數(shù)據(jù)處理 pip install numpy pandas scipy scikit-learn matplotlib seaborn jupyter # 深度學(xué)習(xí)框架 (以PyTorch為例) # 請(qǐng)根據(jù)你的CUDA版本訪問(wèn)PyTorch官網(wǎng)獲取安裝命令例如 # pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 化學(xué)信息學(xué)核心庫(kù) pip install rdkit-pypi # RDKit的官方PyPI版本化學(xué)計(jì)算的瑞士軍刀 pip install mordred[full] # 分子描述符計(jì)算 pip install pysmiles # SMILES處理 # 分子表示與深度學(xué)習(xí) pip install dgl -f https://data.dgl.ai/wheels/cu118/repo.html # 圖神經(jīng)網(wǎng)絡(luò)庫(kù)如用DGL # 或 pip install torch_geometric # 另一個(gè)流行的圖神經(jīng)網(wǎng)絡(luò)庫(kù) # LLM接入與Agent框架 pip install openai # 如需調(diào)用OpenAI API pip install langchain # LLM應(yīng)用開(kāi)發(fā)框架用于組裝工作流 pip install chromadb # 輕量級(jí)向量數(shù)據(jù)庫(kù)用于RAG # 分子生成與強(qiáng)化學(xué)習(xí)可選進(jìn)階 # pip install reinvent-chemistry # 需要從源碼安裝或查找可用wheel # pip install guacamol # 分子生成基準(zhǔn)框架3.3 關(guān)鍵數(shù)據(jù)資源沒(méi)有數(shù)據(jù)一切無(wú)從談起。你需要準(zhǔn)備或能夠訪問(wèn)以下數(shù)據(jù)分子結(jié)構(gòu)數(shù)據(jù)原藥的SMILES、SDF或MOL文件。生物活性數(shù)據(jù)原藥及其類(lèi)似物對(duì)相關(guān)靶點(diǎn)的IC50、Ki等數(shù)值?？蓮墓矓?shù)據(jù)庫(kù)獲取ChEMBL大規(guī)模的生物活性數(shù)據(jù)。PubChem包含大量化合物及其生物測(cè)定數(shù)據(jù)。BindingDB專(zhuān)注蛋白質(zhì)-配體結(jié)合數(shù)據(jù)。ADME/Tox數(shù)據(jù)用于訓(xùn)練屬性預(yù)測(cè)模型。來(lái)源包括公共數(shù)據(jù)集如Tox21, ClinTox。商業(yè)數(shù)據(jù)庫(kù)如ADMETlab。公司內(nèi)部歷史數(shù)據(jù)最具價(jià)值。3.4 LLM API配置以O(shè)penAI為例如果你使用云端LLM服務(wù)需要配置API密鑰。# config.py 或環(huán)境變量中管理 import os from openai import OpenAI # 方法1設(shè)置環(huán)境變量推薦 # 在終端中執(zhí)行export OPENAI_API_KEYyour-api-key-here # 方法2在代碼中配置 client OpenAI( api_keyos.environ.get(OPENAI_API_KEY), # 從環(huán)境變量讀取 ) # 注意務(wù)必妥善保管API Key不要硬編碼在代碼中提交到版本控制系統(tǒng)。環(huán)境就緒后我們就可以開(kāi)始構(gòu)建核心模塊了。4. 核心模塊實(shí)現(xiàn)從分子表示到智能規(guī)劃我們將分步實(shí)現(xiàn)一個(gè)簡(jiǎn)化但完整的工作流原型。4.1 分子表示與屬性預(yù)測(cè)專(zhuān)家模型首先我們需要一個(gè)能評(píng)估分子屬性的專(zhuān)家模型。這里以訓(xùn)練一個(gè)簡(jiǎn)單的隨機(jī)森林模型來(lái)預(yù)測(cè)溶解度logS為例。# property_predictor.py import pandas as pd import numpy as np from rdkit import Chem from rdkit.Chem import Descriptors, rdMolDescriptors from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score import joblib def compute_molecular_descriptors(smiles_list): 計(jì)算一組SMILES字符串的分子描述符 desc_list [] valid_smiles [] for smi in smiles_list: mol Chem.MolFromSmiles(smi) if mol is not None: # 計(jì)算一些基本的描述符 desc {} desc[MolWt] Descriptors.MolWt(mol) desc[LogP] Descriptors.MolLogP(mol) desc[HBD] Descriptors.NumHDonors(mol) desc[HBA] Descriptors.NumHAcceptors(mol) desc[TPSA] Descriptors.TPSA(mol) desc[NumRotatableBonds] Descriptors.NumRotatableBonds(mol) desc_list.append(desc) valid_smiles.append(smi) return pd.DataFrame(desc_list), valid_smiles # 假設(shè)我們有一個(gè)CSV文件包含SMILES和對(duì)應(yīng)的溶解度數(shù)據(jù) (logS) # 數(shù)據(jù)格式smiles,logS data pd.read_csv(solubility_data.csv) smiles data[smiles].tolist() y data[logS].values # 計(jì)算描述符 X_df, valid_smiles compute_molecular_descriptors(smiles) # 對(duì)齊y值 y_valid y[:len(valid_smiles)] # 劃分訓(xùn)練集和測(cè)試集 X_train, X_test, y_train, y_test train_test_split(X_df.values, y_valid, test_size0.2, random_state42) # 訓(xùn)練隨機(jī)森林模型 rf_model RandomForestRegressor(n_estimators100, random_state42, n_jobs-1) rf_model.fit(X_train, y_train) # 評(píng)估 y_pred rf_model.predict(X_test) print(fTest RMSE: {np.sqrt(mean_squared_error(y_test, y_pred)):.3f}) print(fTest R^2: {r2_score(y_test, y_pred):.3f}) # 保存模型 joblib.dump(rf_model, solubility_predictor.pkl) print(模型已保存為 solubility_predictor.pkl) # 預(yù)測(cè)函數(shù) def predict_solubility(smiles): 預(yù)測(cè)單個(gè)分子的溶解度 X_df, _ compute_molecular_descriptors([smiles]) if X_df.empty: return None model joblib.load(solubility_predictor.pkl) return model.predict(X_df.values)[0] # 示例預(yù)測(cè)阿司匹林的溶解度 aspirin_smi CC(O)OC1CCCCC1C(O)O pred_logS predict_solubility(aspirin_smi) print(f阿司匹林 ({aspirin_smi}) 的預(yù)測(cè)logS: {pred_logS:.3f})4.2 構(gòu)建知識(shí)庫(kù)與RAG系統(tǒng)我們需要讓LLM能夠訪問(wèn)藥物化學(xué)知識(shí)。這里使用ChromaDB構(gòu)建一個(gè)簡(jiǎn)單的文獻(xiàn)摘要知識(shí)庫(kù)。# knowledge_base.py import chromadb from chromadb.config import Settings from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.document_loaders import TextLoader import os # 初始化ChromaDB客戶端和嵌入模型 chroma_client chromadb.PersistentClient(path./chroma_db) # 注意此處使用OpenAI Embeddings需要API Key。也可替換為開(kāi)源模型如sentence-transformers embeddings OpenAIEmbeddings(openai_api_keyos.environ.get(OPENAI_API_KEY)) # 假設(shè)我們有一個(gè)文本文件里面是相關(guān)的藥物化學(xué)知識(shí)摘要每段以空行分隔 loader TextLoader(drug_chemistry_knowledge.txt) documents loader.load() # 分割文本 text_splitter RecursiveCharacterTextSplitter(chunk_size500, chunk_overlap50) texts text_splitter.split_documents(documents) # 創(chuàng)建向量存儲(chǔ) vectorstore Chroma.from_documents( documentstexts, embeddingembeddings, clientchroma_client, collection_namedrug_chem_knowledge ) print(知識(shí)庫(kù)構(gòu)建完成。) # 檢索函數(shù) def retrieve_relevant_info(query, k3): 檢索與查詢(xún)最相關(guān)的知識(shí)片段 docs vectorstore.similarity_search(query, kk) return \n\n.join([doc.page_content for doc in docs]) # 示例檢索關(guān)于“提高口服生物利用度”的知識(shí) query What are common strategies to improve oral bioavailability of drugs? relevant_info retrieve_relevant_info(query) print(檢索到的相關(guān)信息) print(relevant_info[:500]) # 打印前500字符4.3 LLM控制層與任務(wù)規(guī)劃這是系統(tǒng)的“大腦”。我們使用LangChain來(lái)組裝一個(gè)鏈讓LLM根據(jù)用戶指令和檢索到的知識(shí)制定計(jì)劃。# llm_planner.py from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.chat_models import ChatOpenAI # 或使用其他兼容模型 import json # 初始化LLM llm ChatOpenAI( model_namegpt-4, # 或 gpt-3.5-turbo temperature0.2, # 較低的溫度以獲得更確定性的輸出 openai_api_keyos.environ.get(OPENAI_API_KEY) ) # 定義規(guī)劃提示模板 planning_template 你是一位資深的藥物化學(xué)家AI助手。你的任務(wù)是根據(jù)用戶請(qǐng)求和提供的背景知識(shí)為“老藥化學(xué)重設(shè)計(jì)”項(xiàng)目制定一個(gè)詳細(xì)的技術(shù)方案。 用戶請(qǐng)求{user_query} 相關(guān)背景知識(shí) {background_knowledge} 原藥物分子信息 - SMILES: {original_smiles} - 已知屬性可選: {known_properties} 請(qǐng)輸出一個(gè)JSON格式的方案包含以下字段 1. analysis: 對(duì)原藥優(yōu)勢(shì)和不足的分析。 2. modification_strategy: 具體的化學(xué)修飾策略例如在哪個(gè)部位引入/去除/替換什么基團(tuán)為什么。 3. objectives: 明確、可量化的優(yōu)化目標(biāo)列表例如將logP降低到3將預(yù)測(cè)的hERG風(fēng)險(xiǎn)概率降低50%。 4. constraints: 必須保持不變的化學(xué)特征或?qū)傩岳绫仨毐Ａ艉诵乃幮F(tuán)分子量增加不超過(guò)50 Da。 5. next_step: 建議的下一步具體行動(dòng)例如使用生成模型在指定位置探索10個(gè)取代基然后進(jìn)行虛擬篩選。 只輸出JSON不要有其他任何解釋。 PLANNING_PROMPT PromptTemplate( input_variables[user_query, background_knowledge, original_smiles, known_properties], templateplanning_template ) planning_chain LLMChain(llmllm, promptPLANNING_PROMPT) def generate_redesign_plan(user_query, original_smiles, known_properties): 生成重設(shè)計(jì)計(jì)劃 # 1. 從知識(shí)庫(kù)檢索相關(guān)信息 background retrieve_relevant_info(user_query) # 2. 調(diào)用LLM生成計(jì)劃 plan_json_str planning_chain.run( user_queryuser_query, background_knowledgebackground, original_smilesoriginal_smiles, known_propertiesknown_properties ) # 3. 解析JSON try: plan json.loads(plan_json_str.strip()) return plan except json.JSONDecodeError as e: print(f解析LLM輸出為JSON失敗: {e}) print(f原始輸出: {plan_json_str}) return None # 示例為“布洛芬”制定一個(gè)優(yōu)化計(jì)劃 ibuprofen_smiles CC(C)CC1CCC(CC1)C(C)C(O)O # 布洛芬的SMILES user_request 優(yōu)化布洛芬(Ibuprofen)目標(biāo)是減少其對(duì)胃腸道的刺激副作用同時(shí)盡可能保持其抗炎鎮(zhèn)痛活性。 known_props 已知布洛芬是非選擇性COX抑制劑其羧酸基團(tuán)是引起胃腸道刺激的主要原因之一。 plan generate_redesign_plan(user_request, ibuprofen_smiles, known_props) if plan: print(生成的優(yōu)化計(jì)劃) print(json.dumps(plan, indent2, ensure_asciiFalse))5. 整合工作流從指令到候選分子列表現(xiàn)在我們將各個(gè)模塊串聯(lián)起來(lái)形成一個(gè)端到端的原型。# integrated_workflow.py from property_predictor import predict_solubility, predict_activity # 假設(shè)還有活性預(yù)測(cè)函數(shù) from llm_planner import generate_redesign_plan import random # 假設(shè)我們有一個(gè)簡(jiǎn)單的分子生成器這里用隨機(jī)替換模擬真實(shí)項(xiàng)目需接入如REINVENT等模型 def simple_molecule_generator(original_smiles, modification_site_info, num_variants10): 一個(gè)極其簡(jiǎn)化的分子生成模擬。 在實(shí)際應(yīng)用中這里應(yīng)接入專(zhuān)業(yè)的分子生成模型如基于Transformer或GNN的模型。 original_smiles: 原藥SMILES modification_site_info: LLM規(guī)劃中指定的修飾策略文本描述 num_variants: 生成變體的數(shù)量 # 這是一個(gè)占位函數(shù)。真實(shí)實(shí)現(xiàn)需要復(fù)雜的化學(xué)信息學(xué)操作。 # 這里返回一些隨機(jī)修改的SMILES作為演示。 rdkit_mol Chem.MolFromSmiles(original_smiles) if not rdkit_mol: return [] generated_smiles [] # 模擬隨機(jī)在分子上添加一個(gè)甲基或羥基非常不嚴(yán)謹(jǐn)僅用于演示流程 for i in range(num_variants): # 深度拷貝分子 new_mol Chem.RWMol(rdkit_mol) try: # 隨機(jī)選擇一個(gè)原子非氫 atoms [atom for atom in new_mol.GetAtoms() if atom.GetSymbol() ! H] if not atoms: continue rand_atom random.choice(atoms) # 隨機(jī)決定添加甲基還是羥基 if random.random() 0.5: # 添加甲基 new_mol.AddAtom(Chem.Atom(6)) # 碳原子 new_mol.AddBond(rand_atom.GetIdx(), new_mol.GetNumAtoms()-1, Chem.BondType.SINGLE) else: # 添加羥基 new_mol.AddAtom(Chem.Atom(8)) # 氧原子 new_mol.AddBond(rand_atom.GetIdx(), new_mol.GetNumAtoms()-1, Chem.BondType.SINGLE) new_mol.AddAtom(Chem.Atom(1)) # 氫原子 new_mol.AddBond(new_mol.GetNumAtoms()-2, new_mol.GetNumAtoms()-1, Chem.BondType.SINGLE) # 轉(zhuǎn)換為SMILES smi Chem.MolToSmiles(new_mol) if smi and smi ! original_smiles: generated_smiles.append(smi) except: continue return list(set(generated_smiles))[:num_variants] # 去重 def run_redesign_workflow(user_request, original_smiles, known_properties): 運(yùn)行完整的重設(shè)計(jì)工作流 print(*50) print(啟動(dòng)藥物化學(xué)重設(shè)計(jì)工作流) print(f原藥: {original_smiles}) print(f請(qǐng)求: {user_request}) print(*50) # 步驟1: LLM規(guī)劃 print(\n[步驟1] LLM正在分析請(qǐng)求并制定策略...) plan generate_redesign_plan(user_request, original_smiles, known_properties) if not plan: print(規(guī)劃失敗。) return print(f策略分析: {plan.get(analysis, N/A)[:200]}...) print(f修改策略: {plan.get(modification_strategy, N/A)[:200]}...) # 步驟2: 基于策略生成候選分子 print(\n[步驟2] 基于策略生成候選分子...) candidates simple_molecule_generator( original_smiles, plan.get(modification_strategy, ), num_variants8 ) if not candidates: print(未能生成有效的候選分子。) return print(f生成了 {len(candidates)} 個(gè)候選分子。) for i, smi in enumerate(candidates[:3]): # 只展示前3個(gè) print(f 候選{i1}: {smi}) if len(candidates) 3: print(f ... 以及另外 {len(candidates)-3} 個(gè)。) # 步驟3: 虛擬篩選屬性預(yù)測(cè) print(\n[步驟3] 對(duì)候選分子進(jìn)行虛擬篩選...) screening_results [] for smi in candidates: # 這里調(diào)用之前訓(xùn)練好的屬性預(yù)測(cè)模型 pred_sol predict_solubility(smi) # 假設(shè)還有其他預(yù)測(cè)模型如活性(pred_act)、毒性(pred_tox) # pred_act predict_activity(smi, targetCOX-1) # pred_tox predict_hERG_risk(smi) # 簡(jiǎn)化只使用溶解度作為示例評(píng)分。真實(shí)情況需多目標(biāo)加權(quán)。 score pred_sol if pred_sol is not None else -10 # 無(wú)效分子給低分 screening_results.append({ smiles: smi, predicted_logS: pred_sol, score: score }) # 按分?jǐn)?shù)排序 screening_results.sort(keylambda x: x[score], reverseTrue) # 步驟4: 輸出推薦列表 print(\n[步驟4] 虛擬篩選結(jié)果與推薦) print(排名 | SMILES | 預(yù)測(cè)logS | 綜合評(píng)分) print(-*70) for i, res in enumerate(screening_results[:5]): # 展示前5名 print(f{i1:2d} | {res[smiles]:30s} | {res[predicted_logS]:8.3f} | {res[score]:8.3f}) # 步驟5: 生成實(shí)驗(yàn)建議報(bào)告 print(\n[步驟5] 下一步實(shí)驗(yàn)建議由LLM生成) # 這里可以再次調(diào)用LLM基于篩選結(jié)果和原始計(jì)劃生成更具體的建議。 print(plan.get(next_step, 請(qǐng)根據(jù)虛擬篩選結(jié)果選擇Top 3-5個(gè)分子進(jìn)行合成與體外測(cè)試。)) return screening_results, plan # 運(yùn)行示例工作流 if __name__ __main__: # 以對(duì)乙酰氨基酚撲熱息痛為例嘗試優(yōu)化其溶解度 paracetamol_smiles CC(O)NC1CCC(CC1)O request 優(yōu)化對(duì)乙酰氨基酚(Paracetamol)的分子結(jié)構(gòu)旨在提高其水溶性以開(kāi)發(fā)更適合兒童或吞咽困難患者的液體制劑同時(shí)需確保其解熱鎮(zhèn)痛活性核心不變。 known 對(duì)乙酰氨基酚是常見(jiàn)的解熱鎮(zhèn)痛藥其苯環(huán)上的酚羥基和酰胺基是藥效關(guān)鍵基團(tuán)。水溶性一般。 results, final_plan run_redesign_workflow(request, paracetamol_smiles, known)6. 運(yùn)行、驗(yàn)證與結(jié)果解讀運(yùn)行上述整合腳本你將看到一個(gè)模擬的工作流輸出。在真實(shí)場(chǎng)景中你需要6.1 驗(yàn)證生成分子的有效性使用RDKit檢查每個(gè)生成分子的化學(xué)有效性from rdkit import Chem from rdkit.Chem import Descriptors def validate_and_filter_molecules(smiles_list): 驗(yàn)證SMILES并計(jì)算基本屬性 valid_molecules [] for smi in smiles_list: mol Chem.MolFromSmiles(smi) if mol is None: continue # 可選進(jìn)行更嚴(yán)格的檢查如 sanitize try: Chem.SanitizeMol(mol) # 計(jì)算一些關(guān)鍵屬性用于過(guò)濾 mw Descriptors.MolWt(mol) logp Descriptors.MolLogP(mol) # 示例過(guò)濾分子量600 LogP在合理范圍 if 50 mw 600 and -2 logp 5: valid_molecules.append({ smiles: smi, mol: mol, MW: mw, LogP: logp }) except: continue return valid_molecules6.2 評(píng)估虛擬篩選的可靠性虛擬篩選模型的性能至關(guān)重要。你需要?jiǎng)澐知?dú)立的測(cè)試集確保模型沒(méi)有過(guò)擬合。使用外部驗(yàn)證集來(lái)自不同來(lái)源的數(shù)據(jù)評(píng)估模型的泛化能力。計(jì)算關(guān)鍵指標(biāo)對(duì)于分類(lèi)模型如毒性預(yù)測(cè)關(guān)注AUC-ROC、精確率、召回率對(duì)于回歸模型如活性預(yù)測(cè)關(guān)注RMSE、R2。進(jìn)行領(lǐng)域適應(yīng)性測(cè)試如果你的訓(xùn)練數(shù)據(jù)主要來(lái)自某類(lèi)分子而你要優(yōu)化的老藥屬于另一類(lèi)模型預(yù)測(cè)可能不準(zhǔn)。需要考慮遷移學(xué)習(xí)或領(lǐng)域自適應(yīng)。6.3 結(jié)果解讀與決策AI給出的候選分子列表只是一個(gè)起點(diǎn)。藥物化學(xué)家需要結(jié)合自己的經(jīng)驗(yàn)進(jìn)行判斷合成可行性生成的分子是否容易合成逆合成分析模型如ASKCOS, Retro*) 可以輔助評(píng)估。專(zhuān)利空間新分子是否已被專(zhuān)利覆蓋需要進(jìn)行專(zhuān)利檢索。結(jié)構(gòu)新穎性與已知藥物或化合物庫(kù)相比是否具有足夠的新穎性 最終AI是強(qiáng)大的輔助和靈感來(lái)源但決策權(quán)必須掌握在具備深厚領(lǐng)域知識(shí)的科學(xué)家手中。7. 常見(jiàn)問(wèn)題與排查思路在實(shí)際搭建和運(yùn)行此類(lèi)系統(tǒng)時(shí)你會(huì)遇到各種問(wèn)題。以下是一些典型問(wèn)題及解決思路問(wèn)題現(xiàn)象可能原因排查方式解決方案LLM生成的分子SMILES無(wú)效1. LLM對(duì)化學(xué)語(yǔ)法理解不足。2. Prompt未明確約束輸出格式。1. 檢查L(zhǎng)LM輸出是否為純SMILES字符串。2. 使用RDKit的Chem.MolFromSmiles()驗(yàn)證。1. 在Prompt中嚴(yán)格要求輸出標(biāo)準(zhǔn)SMILES。2. 使用SMILES語(yǔ)法檢查器作為后處理過(guò)濾器。3. 采用分子令牌化的專(zhuān)門(mén)模型如MolGPT進(jìn)行生成。屬性預(yù)測(cè)模型準(zhǔn)確率低1. 訓(xùn)練數(shù)據(jù)量少或質(zhì)量差。2. 分子描述符不能有效表征該屬性。3. 數(shù)據(jù)分布不均衡。1. 檢查訓(xùn)練集和測(cè)試集的性能差異。2. 進(jìn)行特征重要性分析。3. 繪制預(yù)測(cè)值與真實(shí)值的散點(diǎn)圖。1. 收集更多、更高質(zhì)量的數(shù)據(jù)。2. 嘗試更高級(jí)的分子表示如分子指紋、圖神經(jīng)網(wǎng)絡(luò)嵌入。3. 使用數(shù)據(jù)增強(qiáng)或處理不平衡數(shù)據(jù)的方法如SMOTE。向量檢索返回不相關(guān)知識(shí)1. 嵌入模型不適合化學(xué)文本。2. 文本分塊策略不合理。3. 查詢(xún)語(yǔ)句不明確。1. 人工檢查被檢索到的文本片段是否相關(guān)。2. 嘗試不同的分塊大小和重疊度。3. 測(cè)試不同的查詢(xún)語(yǔ)句。1. 使用在科學(xué)文獻(xiàn)上微調(diào)過(guò)的嵌入模型如all-MiniLM-L6-v2或?qū)ｉT(mén)化學(xué)模型。2. 優(yōu)化分塊策略確保語(yǔ)義完整性。3. 讓LLM幫助重寫(xiě)或擴(kuò)展查詢(xún)語(yǔ)句。工作流運(yùn)行速度慢1. LLM API調(diào)用延遲高。2. 屬性預(yù)測(cè)模型推理慢。3. 分子生成步驟計(jì)算密集。1. 使用異步調(diào)用并發(fā)處理多個(gè)分子。2. 對(duì)模型進(jìn)行性能剖析。3. 考慮使用GPU加速。1. 對(duì)LLM的調(diào)用進(jìn)行批處理和緩存。2. 將屬性預(yù)測(cè)模型轉(zhuǎn)換為ONNX或使用更輕量級(jí)模型。3. 對(duì)于生成步驟考慮使用本地部署的專(zhuān)用模型而非API。多目標(biāo)優(yōu)化結(jié)果不理想1. 目標(biāo)之間相互沖突。2. 優(yōu)化算法陷入局部最優(yōu)。3. 獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)不合理。1. 分析帕累托前沿Pareto Front。2. 檢查生成分子的多樣性。1. 采用多目標(biāo)優(yōu)化算法如NSGA-II。2. 引入多樣性獎(jiǎng)勵(lì)鼓勵(lì)探索不同化學(xué)空間。3. 允許用戶在優(yōu)化過(guò)程中動(dòng)態(tài)調(diào)整目標(biāo)權(quán)重。無(wú)法解釋AI的修改建議1. 模型本身是黑箱如深度神經(jīng)網(wǎng)絡(luò)。2. 決策過(guò)程缺乏記錄。1. 詢(xún)問(wèn)化學(xué)家對(duì)建議的直觀理解。2. 使用可解釋AIXAI工具。1. 結(jié)合使用可解釋的模型如基于規(guī)則的QSAR。2. 記錄LLM的推理鏈Chain-of-Thought。3. 使用SHAP、LIME等工具解釋屬性預(yù)測(cè)模型。8. 最佳實(shí)踐與工程化建議要將原型推進(jìn)到可用的研發(fā)工具你需要遵循以下最佳實(shí)踐8.1 數(shù)據(jù)治理與版本控制數(shù)據(jù)標(biāo)準(zhǔn)化建立統(tǒng)一的分子標(biāo)識(shí)符如標(biāo)準(zhǔn)InChIKey、活性數(shù)據(jù)單位和實(shí)驗(yàn)協(xié)議描述。版本化數(shù)據(jù)集使用DVCData Version Control或類(lèi)似工具管理訓(xùn)練數(shù)據(jù)集和特征集的版本。元數(shù)據(jù)記錄為每個(gè)數(shù)據(jù)點(diǎn)記錄來(lái)源、實(shí)驗(yàn)條件、置信度等元數(shù)據(jù)。8.2 模型生命周期管理模型注冊(cè)表使用MLflow或Weights Biases跟蹤所有屬性預(yù)測(cè)模型、生成模型的版本、超參數(shù)和性能指標(biāo)。自動(dòng)化再訓(xùn)練設(shè)置流水線當(dāng)新實(shí)驗(yàn)數(shù)據(jù)積累到一定量時(shí)自動(dòng)觸發(fā)模型再訓(xùn)練和評(píng)估。模型監(jiān)控在生產(chǎn)環(huán)境中監(jiān)控模型預(yù)測(cè)結(jié)果的分布漂移及時(shí)發(fā)現(xiàn)性能衰減。8.3 系統(tǒng)架構(gòu)與部署模塊化設(shè)計(jì)將分子表示、屬性預(yù)測(cè)、分子生成、RAG檢索、LLM規(guī)劃等模塊解耦通過(guò)清晰的API如FastAPI通信。工作流編排使用Apache Airflow、Prefect或Metaflow來(lái)編排復(fù)雜的多步驟重設(shè)計(jì)工作流確保可重現(xiàn)性和錯(cuò)誤處理。容器化使用Docker容器封裝每個(gè)模塊的依賴(lài)環(huán)境確保環(huán)境一致性。API網(wǎng)關(guān)與前端為藥物化學(xué)家提供一個(gè)簡(jiǎn)單的Web界面如Streamlit或Gradio讓他們可以提交任務(wù)、查看結(jié)果、進(jìn)行交互式反饋。8.4 人機(jī)交互與反饋循環(huán)可視化提供分子結(jié)構(gòu)可視化、屬性雷達(dá)圖、化學(xué)空間分布圖等幫助專(zhuān)家理解AI的產(chǎn)出。交互式修正允許化學(xué)家手動(dòng)編輯AI生成的分子并將修改后的分子作為正/負(fù)反饋重新輸入系統(tǒng)用于微調(diào)生成模型。實(shí)驗(yàn)數(shù)據(jù)回流建立自動(dòng)化管道將濕實(shí)驗(yàn)合成、測(cè)試的結(jié)果結(jié)構(gòu)化后回流到訓(xùn)練數(shù)據(jù)庫(kù)中持續(xù)優(yōu)化模型。8.5 安全與合規(guī)數(shù)據(jù)安全處理內(nèi)部化合物數(shù)據(jù)時(shí)確保數(shù)據(jù)庫(kù)和模型存儲(chǔ)的訪問(wèn)安全。審計(jì)追蹤記錄每一次重設(shè)計(jì)任務(wù)的完整輸入、輸出、使用的模型版本和操作人員滿足研發(fā)合規(guī)要求。知識(shí)產(chǎn)權(quán)檢查在流程中集成初步的專(zhuān)利檢索步驟避免在已知專(zhuān)利化合物上浪費(fèi)時(shí)間。通過(guò)將LLM的規(guī)劃與推理能力與專(zhuān)業(yè)的化學(xué)信息學(xué)工具和嚴(yán)謹(jǐn)?shù)墓こ虒?shí)踐相結(jié)合我們才能逐步逼近“用AI化學(xué)重設(shè)計(jì)老藥”的愿景。這條路充滿挑戰(zhàn)但每一步扎實(shí)的進(jìn)展都可能為藥物研發(fā)帶來(lái)新的效率突破。對(duì)于開(kāi)發(fā)者而言深入這個(gè)交叉領(lǐng)域意味著不僅需要掌握AI技術(shù)更需要理解化學(xué)領(lǐng)域的語(yǔ)言和邏輯這正是最具價(jià)值的挑戰(zhàn)所在。