药物发现不再只做单点预测：智能体把设计、合成与实验串成闭环，自主性被分成六级

药物发现中的AI被重新定位：不再只是完成预测或生成单个任务的被动程序，而是能围绕一个高层研究目标自行拆解子任务、调用计算或实验工具、并根据中间结果调整后续动作的协作系统。 此前的经典机器学习、深度学习和生成模型各自擅长药物-靶点相互作用预测、分子性质估计或按指定性质从头设计小分子与治疗性蛋白，但基本局限在单一任务或局部步骤，跨学科、多步骤、强反馈的完整流程仍依赖人工串联。 综述以设计-合成-测试-分析循环为主线梳理靶点发现、先导化合物优化、生物大分子设计、临床候选评估、逆合成规划与自动化实验平台，并用同一套自主性分级对代表性系统逐一标注协作架构与开源可及性。

为区分真正的智能体与工具增强流程，综述提出从第0级到第5级的自主性谱系，按科学决策能力、系统自主性和所需人工介入程度三个维度定级。 第0级固定工具与第1级辅助流水线仍属前智能体阶段，执行路径由预设逻辑或人工流程主导；算法分界出现在第2级任务控制器，此时大语言模型开始主动调度工具并在界面层面完成错误恢复。 第3级闭环研究者能围绕目标持续调整策略并形成更高层推理闭环，第4级自演化系统通过保留跨项目经验优化工作方式，第5级虚拟科学家则能主动提出新研究问题；综述明确指出药物发现领域尚不存在完全独立的第5级系统，当前进展主要集中在第2至第4级。

在多个具体环节，智能体架构带来的提升可与底层模型规模分离：性能增益主要来自工具调度、反馈闭环与角色分工，而非单纯换用更强的基座模型。 传统非智能体流程需要研究者手工编写脚本、调试奖励函数、配置环境，或由计算生物学家完成数据预处理与脚本开发。 结核抗生素发现中，同样的扩散生成模型与ADMET预测工具，顺序流水线生成的分子获专家认可率为58.0%，由智能体调度并迭代重规划后升至82.6%；逆合成安全约束任务中，基于120亿参数开源小模型的LARC在致癌物规避上成功率为82.1%，而未封装为智能体的GPT-4o仅为3.6%。

综述面向计算与实验两类研究者，覆盖靶点发现、先导化合物设计、生物大分子设计、临床候选评估、逆合成规划和自动化实验平台，并以设计-合成-测试-分析循环组织全流程。文中提出的第5级虚拟科学家被明确定位为理论终极愿景，作者主张在可预见的未来，科学家在环的副驾驶模式仍是最实际、最可扩展的部署形态。

综述指出，完全独立、无需人类监督即可自主定义科学问题并完成闭环研究的第5级系统在药物发现领域尚不存在，当前最先进进展集中在第2至第4级。作者同时强调，现有研究往往未能充分区分智能体架构的贡献与单纯扩大基座模型或使用更好工具链的贡献，并呼吁采用严格消融与标准化量化指标。