Beacon-2把人体有效剂量变成可算的奖励函数：智能体优化后预测剂量降17倍
核心概要
Inductive 发布 Beacon-2，把人体有效剂量作为化学优化的奖励函数，直接由分子结构端到端预测。此前 AI 药物发现多只优化效价，而效价只是剂量的一个输入。在 ExpansionRx 公开盲测的 325 个化合物上，全盲预测剂量与用实测 ADME 数据算出的剂量 Spearman 秩相关为 0.79、平均倍数误差 2.4 倍；在 20 个合作项目中平均秩相关 0.61。
深度剖析
Beacon-2 把临床前优化的目标从单一效价换成人体有效剂量，让智能体可以对着一个整合了效价与药代动力学的数值反复迭代。 此前 AI 药物发现的前沿主要集中预测效价，而只优化不完整的奖励函数会带来奖励劫持；多参数打分或硬性性质阈值又可能优化错目标或过早淘汰候选分子。 在 ExpansionRx 公开盲测的 325 个具备完整实测 ADME 数据的化合物上，Beacon-2 的全盲预测剂量与用实测体外数据经 PK/PD 模块算出的剂量相比，Spearman 秩相关 0.79、平均倍数误差 2.4 倍。
系统由三个可配置模块串成：ADMET-PK 模块预测渗透性、肝细胞稳定性等体外性质和有体内数据时的临床前药代性质，效价模块给出结构相关的效价估计，PK/PD 模块再用生理学启发的机理模型把两者合成剂量。 效价模块提供两条路径，一是基于内部基础设施和自动构象放置流程的自由能扰动计算，二是尚处 alpha 阶段、可微调的共折叠亲和力模型。 在 20 个运行于 Compass 平台、化学空间与项目阶段各异的合作项目中，Beacon-2 的平均 Spearman 秩相关为 0.61；当同一项目内两个化合物的实测剂量相差 3 倍以上时，它选出低剂量设计的比例超过 81%。
在 SARS-CoV-2 Mac1 抑制剂 AVI-6451 的公开案例中，药物化学智能体 Indy 接入 Beacon-2 后，在 5 轮、每轮 10 个化合物的预算内把预测日剂量降低约 17 倍，最优化合物 IB-47 出现在最后一轮。 同一智能体从同一化合物出发、预算相同但只优化效价时，预测剂量停滞甚至变差，预测效价最好的 IB-93 剂量反而比原化合物差 17 倍。 对两轮各取前 10 个化合物做三项复核：Beacon-2 组平均 QED 为 0.64、效价组为 0.52；三位药物化学家在 10 组盲配对中 87% 选择 Beacon-2 组；换用基于大鼠体内清除率和分布容积的 PK 配置重算，Beacon-2 组平均剂量仍低 20 倍，效价组为 5 倍。
启示与展望
已展示的范围是 ExpansionRx 公开盲测数据集上的回顾性盲预测、20 个在研合作项目的前瞻性跟踪，以及一个以 AVI-6451 为起点的计算案例；两项剂量评估都使用了假设的 10 nM 参考效价。适合关注先导优化与 AI 智能体奖励设计的药物化学和计算化学读者。
预测剂量最终需要湿实验验证，团队表示正朝着让接入 Beacon-2 的智能体在实验闭环中迭代低剂量方向推进。效价模块中的共折叠亲和力模型目前处于 alpha 阶段。公开盲测因不含效价数据而采用假设的 10 nM 参考效价，20 个项目的剂量投影同样使用该假设值。