AI 药物发现学习路线：生物、药化、算法三条主线怎么补

AI 药物发现是典型的交叉领域。没有人能同时精通生物、药化与算法——关键是知道每条线的「最小必要知识」是什么，以及如何判断自己的短板。

三条主线的最小必要知识

主线	最小必要	能做什么判断
生物	靶点的作用机制、通路、疾病关联	这个靶点值不值得做
药化	成药性、SAR、合成可行性	这个分子像不像药
算法	建模、评测、不确定性	这个结果能不能信

三条线对应三个不同的「否决权」：生物学家能说「这个靶点不行」，药化学家能说「这个分子不行」，算法工程师能说「这个评测不可信」。缺任何一条，项目都可能在错误的方向上走很远。

生物学主线

# 【最小必要】
#   □ 中心法则：DNA → RNA → 蛋白
#   □ 蛋白的结构层次与功能关系
#   □ 主要的靶点类别及其特点：
#     激酶、GPCR、核受体、离子通道、蛋白酶、
#     表观遗传调控因子、转录因子
#   □ 信号通路的基本概念
#   □ 疾病模型：细胞、类器官、动物
#   □ 【证据梯度】：相关 vs 因果（见 154）
#
# 【进阶】
#   □ 组学技术与数据类型
#   □ 药理学：受体理论、量效关系
#   □ 免疫学基础（做生物药/免疫治疗必需）
#
# 【判断标准】：
#   能不能读懂一篇靶点验证的论文，
#   并说出它的证据强度处在哪一层？
#
# 【常见误区】：
#   把「这个基因在疾病中高表达」
#   当作「抑制它能治病」
#   → 这是最常见也最昂贵的错误

药物化学主线

# 【最小必要】
#   □ 有机化学基础：官能团、反应类型、立体化学
#   □ 成药性概念：
#     类药性（见 064）、配体效率（见 071、072）
#   □ ADME 的基本过程（见 082）
#   □ 【SAR 的读法】（见 073）
#   □ 常见的结构警示（见 069）
#   □ 【合成可行性的直觉】：
#     什么样的分子容易做，什么样的很难
#
# 【进阶】
#   □ 生物电子等排体
#   □ 代谢途径与代谢软点
#   □ 前药与制剂策略
#   □ 专利与化学空间
#
# 【判断标准】：
#   看到一个分子，能不能说出
#   「它可能有什么问题」？
#   例：这个酰肼基团有反应性风险；
#       这个分子 logP 太高会有溶解度问题；
#       这个季碳中心合成会很麻烦
#
# 【最有效的学习方式】：
#   【看真实项目的 SAR 表格】
#   一个系列几十个类似物与它们的数据
#   → 比读教科书有用得多
#
# 【常见误区】：
#   只看活性数字，不看分子结构
#   → 生成模型产出的「高分分子」
#     常常一眼就能看出不可能是药

算法主线

# 【最小必要】
#   □ Python：pandas、numpy、matplotlib
#   □ scikit-learn：训练、交叉验证、指标
#   □ 【评测设计】：
#     数据划分（见 051、167）、过拟合、泄漏
#   □ 【不确定性与适用域】（见 166）
#   □ RDKit 基本操作（见 022）
#   □ 梯度提升（LightGBM/XGBoost）
#
# 【进阶】
#   □ 深度学习基础：PyTorch
#   □ 图神经网络（见 159）
#   □ 生成模型（见 158）
#   □ 分子动力学与自由能（见 123、127）
#
# 【判断标准】：
#   看到一个模型的评测结果，
#   能不能指出它可能高估了多少、为什么？
#
# 【常见误区】：
#   1) 【一上来就学深度学习】
#      而实际项目中，认真调优的
#      ECFP + LightGBM 常常已经够用（见 131）
#
#   2) 【追新模型而忽视评测设计】
#      换模型的收益远小于修正评测的收益
#
#   3) 【不做基线】
#      没有基线就无法判断新方法是否真的更好

按背景的补课顺序

你的背景	优先补	顺序建议
计算机 / 数学	药化 > 生物	① 化学信息学基础 ② 成药性概念 ③ SAR 阅读 ④ 靶点生物学
化学 / 药学	算法（尤其评测）	① Python + pandas ② sklearn + 评测 ③ RDKit ④ 深度学习（可选）
生物 / 医学	药化 + 算法	① Python ② 化学信息学 ③ 成药性 ④ 建模
计算化学	机器学习方法论	① 评测设计 ② ML 基础 ③ 深度学习

最有效的学习方式

# 【做一个完整的小项目】比读十本书有效
#
# 推荐的入门项目：
#
# 项目一：【建一个活性预测模型】（1~2 周）
#   1) 从 ChEMBL 下载某个靶点的活性数据（见 226）
#   2) 数据清洗：去重、标准化、处理删失数据（见 046、056）
#   3) 计算 ECFP 指纹（见 045）
#   4) 【骨架划分】训练 LightGBM（见 051）
#   5) 评测：与随机划分对比，看差距
#   6) 加不确定性估计（见 166）
#   → 【这个项目覆盖了最核心的技能】
#
# 项目二：【跑通一次对接】（1 周）
#   1) 从 PDB 下载共晶结构
#   2) 结构准备（见 105）
#   3) 【重对接验证】（见 096）
#   4) 对一批分子对接并排序
#   5) 用 PLIP 分析相互作用（见 108）
#   → 理解结构基方法的流程与陷阱
#
# 项目三：【读一个真实项目的 SAR】（持续）
#   找一篇药化论文，看它的 SAR 表格
#   → 尝试解释：为什么这个取代基更好？
#   → 【培养化学直觉的最快方式】
#
# 【学习的顺序原则】：
#   先做出【能跑通的东西】，再理解原理
#   → 有了具体的问题，读理论才有针对性

关于交叉沟通

最有价值的技能不是精通某一条线，而是能与另外两条线的人有效沟通；
常见的沟通失败：
- 算法人员说「AUC 0.85」，化学家不知道这意味着什么——应该说「按模型排序，前 100 个里大概有 X 个真的有活性」；
- 化学家说「这个分子不行」，算法人员不知道为什么——应该追问具体是哪个基团、什么问题；
- 生物学家说「这个靶点很好」，其他人不知道证据强度——应该问「是哪一层的证据」。
实用建议：把模型输出翻译成对方能直接使用的形式——化学家要的是「合成哪几个」，不是 AUC 数字。

关键要点

三条线对应三个否决权：靶点不行 / 分子不行 / 评测不可信——缺任何一条都危险；
计算背景的人最该补药化——看到分子能说出「它可能有什么问题」；
不要一上来就学深度学习——评测设计的收益远大于换模型；
最有效的学习是做一个完整的小项目，而非广泛读教程。

延伸资源

全流程地图：001《AI 药物发现是什么》；CADD 边界：002《AI DD 与传统 CADD 的区别》；
TeachOpenCADD：012《TeachOpenCADD 教程》；RDKit Cookbook：013《RDKit Cookbook》；论文阅读：170《AI 制药论文阅读框架》。