AI 能否胜任真实世界的药物发现？

小分子药物发现常处于微小结构改变带来巨大后果的情形，而依赖海量数据训练的当前 AI 方法在这类情形下可能表现不佳。 把“细微结构变化—大生物学后果”这一情形明确界定为 AI 方法的困难区间，而非笼统讨论 AI 在药物发现中的能力。 属于本文基于两个案例研究提出的论证性判断，文中以“结构变化后果大”与“依赖海量数据训练”作为推理依据，未给出量化基准。

对相当一部分药物发现项目而言，生物学理解有限与数据稀疏进一步限制进展，构成 AI 方法难以适用的区间。 将数据稀疏与生物学理解不足并列为限制条件，说明困难不仅来自算法，也来自项目本身的知识与数据条件。 为文中论述性陈述，未提供项目比例、样本量或统计数字。

在两个具备结构与生化数据的案例中，计算化学与药物化学的紧密结合，加上对化学形状与蛋白质相互作用的深入理解，使靶向计算分子设计在疗效与选择性上产生超比例收益。 以具体案例展示“计算+药物化学+形状与相互作用理解”的组合路径所能达到的效果，而非单纯依赖数据驱动的模式识别。 基于两个案例研究，且案例以结构与生化数据为特征；文中未给出具体化合物、靶点、数值或效应量。

这些案例凸显当前 AI 方法的一项挑战：对细微、低数据扰动的敏感性；AI 若要产生变革性影响，需超越模式识别，理解或显式模拟连接细微结构变化与生物结果的机制性“为什么”。 把“机制性理解或显式模拟”设为 AI 在药物发现中取得变革性影响的前提条件，并据此划定 AI 作为人类工作补充而非独立方案的机会。 为作者基于案例提出的观点与方向性主张，属于论证与展望，而非实验验证的结论。

本文的结论面向小分子药物发现，尤其是那些结构变化后果大、生物学理解有限、数据稀疏的项目；其论证建立在两个具备结构与生化数据的案例之上，因此所描述的“计算与药物化学紧密结合、重视化学形状与蛋白质相互作用”的路径，适用于能够获得此类结构信息并有人类专家深度参与的设计场景。文中同时指出，在 AI 尚未具备机制性理解或显式模拟能力之前，其现实定位是与人类工作互补，而非独立解决方案。

读者仍会关注：两个案例的具体靶点、化合物与结构—活性关系细节在本文中未展开，因此“超比例收益”的具体幅度与可复现性有待原文进一步说明；此外，AI 如何从模式识别走向机制性理解或显式模拟，文中提出为方向而非已实现路径，其可行性与所需数据条件仍是开放问题。