目录
- FARM 强行给 AI 戴上了化学家的眼镜，让它不再将原子一视同仁，而是识别官能团，这是迈向真正化学推理的一大步。
- 通过让 AI 在分析药物的局部化学「基序」时，也能「看」一眼分子的整体「肖像照」，ImageDDI 极大地提升了药物 - 药物相互作用（DDI）预测的准确性。
- FragDockRL 将分子设计变成了一场强化学习的「棋局」，AI 通过模拟真实的化学反应来「走棋」，并以对接分数作为「胜负」奖励，从而在设计之初就保证了所有「棋谱」都具备合成可行性。
1. AI 终于学会化学家语言：官能团
跟 AI 聊分子的时候，总有一种鸡同鸭讲的挫败感。我们用 SMILES 字符串把分子「翻译」给 AI，但这套语言天生就有缺陷，像个「化学文盲」。比如，COC（甲醚）和 CCO（乙醇）里都有字母 O，但我们都知道，醚键里的氧和羟基里的氧，它们的性格、脾气和反应活性，像是两个物种。但对大多数 AI 来说，O 就是 O，没什么不同。
这就是为什么那么多 AI 模型在预测性质时，总感觉像是在碰运气。它们学会了死记硬背，但没有真正理解化学的内在逻辑。
FARM 这篇论文，就是冲着解决这个问题来的。它的思路简答说，既然 O 这个字母太含糊，那我们就给它加上「定语」，创造新词啊！于是，在 FARM 的世界里，SMILES 字符串里不再只有 O，而是有了 O_ketone（酮里的氧）、O_hydroxyl（羟基里的氧）、O_ether（醚里的氧）等等。
这一个小小的改动，强迫 AI 去学习化学家最基础的语言——官能团。AI 终于知道，不同的「氧」是不能混为一谈的。
但这还没完。如果只是改了改字符串，那还不够。
FARM 还干了第二件事：它用对比学习的方法，把这种新的「官能团感知」的 SMILES 语言，和分子的图谱结构表示进行了「对齐」。就像你教一个孩子认字，不光让他读「苹果」这两个字，还同时给他看一张苹果的图片，然后告诉他：「这两个东西说的是一回事。」通过这种方式，AI 被迫将抽象的符号和具体的结构拓扑关联起来，形成了一个远比过去丰富和准确的分子表征。
那么，这个更懂化学的 AI，实战能力如何？
研究者们把它扔到了 MoleculeNet 这个化学 AI 的「高考」考场里。结果是，在 13 门科目里，FARM 拿了 11 门的状元。
对于药物发现来说，这意味着一个 AI 不仅能预测一个分子的活性，还能像一个初级药物化学家一样，向你解释它的「思考过程」——「我之所以认为这个分子活性不好，是因为它的这个酯基很容易被水解，而且缺少一个能与 235 位天冬氨酸形成氢键的基团。」
📜Title: Functional Group-Aware Representations for Small Molecules (FARM): A Novel Foundation Model Bridging SMILES, Natural Language, and Molecular Graphs
📜Paper: https://arxiv.org/abs/2410.02082v3
2. AI 药物互作预测：引入「全局视野」
在药物研发和临床用药中，药物 - 药物相互作用（DDI）预测，一直以来都是一个无比重要、但也无比棘手的问题。
当一个病人同时服用两种或多种药物时，它们之间可能会发生一些意想不到的化学反应，有的可能只是让药效打点折扣，有的则可能引发致命的毒副作用。我们当然希望能在药物上市前，甚至在设计阶段，就能预见到这些潜在的「冲突」。
过去，我们用 AI 来解决这个问题，通常的做法是把分子结构打碎，变成一堆局部的「化学基序」（motifs）——比如一个苯环、一个羧基、一个酰胺键等等。然后让模型去学习，哪些基序和哪些基序凑在一起时，容易「打架」。这个方法很直观，也取得了一定的成功。但这就像是你想判断两个乐高积木模型拼在一起会不会冲突，你只去分析它们各自用了哪些种类的积木块，却完全忽略了这两个模型整体长什么样。
ImageDDI 试图解决这个「只见树木，不见森林」的问题。
它的核心想法是让 AI 分析那些局部的化学基序之前，我们先让它看一眼这两个药物分子的「全身肖像照」。这里的「肖像照」，就是我们都很熟悉的、分子的二维或三维结构图。
当然，你不能直接把一张图片扔给一个习惯了处理序列和图谱的模型。
这里的技术关键，在于一个「自适应特征融合」模块。你可以把它想象成一个艺术评论家。这个评论家会先看一眼药物 A 的肖像照，然后提炼出一些关键的「视觉印象」：「嗯，这个分子看起来很长、很扁平，左边有一个很大的疏水区域。」然后，当 AI 开始逐一分析药物 A 的那些局部化学基序时，这个评论家就会在一旁不断地提醒它：「嘿，你现在看到的这个苯环，它可不是孤立存在的，它是那个疏水区域的一部分。」
通过这种方式，ImageDDI 就实现了一种「局部细节」与「全局视野」的动态结合。模型在判断一个特定的基序可能扮演什么角色时，不再是盲人摸象，而是有了一个整体的、空间的「语境」（context）。
那么，多了这么一个「艺术评论家」，效果如何呢？
结果是，ImageDDI 在多个标准的 DDI 预测任务中，都击败了那些只看局部基序的「老前辈」们。这证明了，分子的全局形状和空间布局信息，对于理解它们之间复杂的相互作用，确实是不可或缺的。
作者还通过可视化的方法，让我们能够「看」到 AI 的思考过程。通过生成热力图，他们可以清晰地标示出，在预测某一对药物会发生相互作用时，模型到底关注了哪几个关键的化学基序。这让 ImageDDI 从一个预测准确但无法解释的「黑箱」，变成了一个能为我们提供化学洞见的、透明的「白箱」。
在用 AI 解决复杂的科学问题时，多模态信息的融合，往往是通往更高性能的关键路径。
📜Title: ImageDDI: Image-enhanced Molecular Motif Sequence Representation for Drug-Drug Interaction Prediction
📜Paper: https://arxiv.org/abs/2508.08338
3. AIDD：可合成性不再是空谈
FragDockRL 将分子设计变成了一场强化学习的「棋局」，AI 通过模拟真实的化学反应来「走棋」，并以对接分数作为「胜负」奖励，从而在设计之初就保证了所有「棋谱」都具备合成可行性。
它把整个问题，重新框定成了一场我们都熟悉的游戏：下棋。
AI 的角色，是一个棋手。
棋盘，就是目标蛋白的结合口袋。
棋子，是一系列预先准备好的、商业上可购买的「化学积木」（building blocks）。
规则，就是一系列我们知道在实验室里能跑得通的、可靠的化学反应。
现在，游戏开始了。
我们先在棋盘上，放上一个已知的、能和靶点弱结合的「核心片段」。然后，轮到 AI 下棋了。它的每一步「棋」，都不是凭空想象的，而是从那本「规则书」里，选择一个反应，再挑选一个「化学积木」，把它接到现有的分子上。比如，它决定走一步「铃木反应」，然后从它的「棋子盒」里，挑一个合适的硼酸，把它接到核心片段的一个溴原子上。
下完一步棋，我们就需要判断这步棋是好是坏。这就是「对接分数」登场的地方。每走一步，程序就会快速地计算一下新生成的分子，与蛋白口袋的结合得有多好。这个分数，就是给 AI 的「奖励」。如果分数变高了，AI 就知道：「嗯，这是一步好棋。以后遇到类似的情况，我可以多考虑走这一步。」如果分数变低了，它就知道：「这步棋走臭了，下次得避免。」
这个过程，就是强化学习的精髓。AI 像一个初级的棋手，一开始可能只是胡乱落子。但它下了成千上万盘棋之后，就会慢慢地、通过这些奖励和惩罚的反馈，学会什么样的「棋路」，对于攻克眼前这个特定的「棋盘」（蛋白口袋），是最有效的。
为了让这个「奖励信号」更靠谱，作者们还用了一个技巧，叫做「栓系对接」（tethered docking）。在计算对接分数时，他们会把那个初始的核心片段，像用钉子一样，暂时「钉」在口袋里。这就像是在教一个新手画画时，你先帮他把画纸固定在画板上。这能防止 AI 在探索新片段的时候，把整个分子的起始位置都搞丢了，从而让它能更专注于优化那些新加上去的「胳膊」和「腿」。
这项工作承认 AI 目前还不是一个无所不能的「化学之神」。但它可以成为一个非常强大的、不知疲倦的、能严格遵守规则的「学徒」。它生成的每一个分子，背后都有一条清晰的、逻辑上可行的合成路线。它不会再给你一些合成化学家看了都想退休的「怪物」。
当然，它也有自己的局限性。比如，AI 有时候会有点「路径依赖」，反复地去尝试一些它已经知道是好棋的步骤，而不敢去探索更广阔的未知。
📜Title: FragDockRL: A Reinforcement Learning Framework for Fragment-Based Ligand Design via Building Block Assembly and Tethered Docking
📜Paper: https://www.biorxiv.org/content/10.1101/2025.08.12.670002v1