Chemistry42（Insilico Medicine，JCIM 2023 等）是少数发表了较详细方法论文的商业分子生成平台。这类论文的价值在于展示了工业级生成系统的架构，但也存在商业论文固有的审读限制。
平台的方法框架
| 模块 | 内容 |
|---|---|
| 生成引擎 | 多种生成模型并行（GAN、VAE、RL、遗传算法、基于规则） |
| 奖励/打分 | 数十个打分器：活性、ADMET、可合成性、新颖性 |
| 过滤管线 | 结构警示、专利检索、多样性去冗余 |
| 结构模块 | 对接、药效团、形状匹配 |
| 输出 | 排序后的候选分子与各维度分数 |
「多引擎并行」是工业系统与学术工作的一个显著差异：学术论文通常论证「我的方法最好」，而工业系统并行运行多种方法并合并结果——因为不同方法在不同问题上各有优势，而项目关心的是拿到可用分子，不是证明某个方法优越。
可以从论文中学到的架构经验
# 1) 【多引擎 + 统一打分】
# 不押注单一生成方法
# → 各引擎生成候选，用同一套打分体系排序
# → 这个架构值得自建系统借鉴
#
# 2) 【打分器的层次化】
# 快的先跑（性质计算、规则过滤）
# 慢的后跑（对接、模型预测）
# → 分级过滤，节省算力
#
# 3) 【多样性作为一等公民】
# 不只输出最高分的分子，
# 而是保证输出集合的化学多样性
# → 因为单一化学系列的风险太高
#
# 4) 【专利检索内置】
# 生成的分子必须检查是否落入已有专利
# → 【学术工作几乎不做这一步，但工业上是必需的】
#
# 5) 【人在环路】
# 最终由化学家审阅与选择
# → 系统的定位是「产生候选」而非「决定合成什么」
#
# 6) 【可追溯性】
# 每个分子的每项分数都可查询来源
# → 决策要能解释
# 【这些架构经验的价值，
# 可能高于论文中的任何单个算法】审读商业平台论文的边界
- 无法独立复现：代码与模型不开放，报告的结果无法验证。这不是论文的错，但读者必须意识到证据等级的差异；
- 案例选择的偏倚：展示的是成功案例，失败的项目通常不会发表——这让成功率无法评估；
- 「AI 设计」的贡献难以界定：一个分子从生成到进入临床，中间有大量人工优化。「AI 设计的药物」这个说法中，AI 的实际贡献比例通常不明确；
- 时间线的叙述：「18 个月从靶点到候选化合物」这类宣称，需要看清对比基准是什么、包含哪些步骤、是否有并行的传统工作；
- 基准比较的公平性：与开源方法比较时，开源方法是否得到了同等的调优？
- 应有的态度：把它当作「工业实践的经验分享」而非「经同行验证的方法学证据」。
值得关注的实际问题
# 如果考虑使用这类平台，应该问：
#
# 关于能力：
# □ 生成的分子经过哪些过滤？能否自定义？
# □ 打分器用的是什么模型？在我的靶点上验证过吗？
# □ 能否接入我们自己的 QSAR 模型与数据？
# □ 对接与结构模块用的是什么方法？
# □ 专利检索覆盖哪些数据库？更新频率？
#
# 关于数据：
# □ 【我们的数据会如何处理？是否用于训练？】
# □ 生成的分子的知识产权归属？
# □ 数据存储在哪个法域？
#
# 关于验证：
# □ 能否用我们的历史项目做回溯验证？
# （用当年的数据，看能否「重新发现」当年的先导物）
# → 【这是最有说服力的评估方式】
#
# 关于成本：
# □ 定价模式？按项目、按分子还是订阅？
# □ 与内部自建的成本比较？
#
# 关于集成：
# □ 与现有的 ELN、化合物库、决策流程如何衔接？
#
# 【最关键的一条】：
# 要求做【回溯验证】——
# 用你自己已完成项目的早期数据，
# 看平台能否产出接近你最终选择的分子
# 这比任何 demo 都有说服力自建 vs 采购的判断
| 考量 | 自建 | 采购平台 |
|---|---|---|
| 起步速度 | 慢 | 快 |
| 与内部数据整合 | 完全可控 | 受限 |
| 定制化 | 高 | 受平台限制 |
| 能力沉淀 | 留在团队内 | 依赖供应商 |
| 成本（长期） | 人力为主 | 持续订阅 |
| 数据安全 | 可控 | 需要评估 |
| 方法更新 | 需自行跟进 | 供应商负责 |
一个务实的中间路线：用开源组件（REINVENT4、RDKit、Vina、Chemprop——见 138《REINVENT4 文档精读》、131《Chemprop / D-MPNN 论文精读》）自建基础流程，把精力投入到「自家数据的打分器」上。因为生成引擎是通用的，而真正决定质量的打分函数依赖你的专有数据——这部分外部平台无法替代。
核心判断
- 生成不是瓶颈：现在生成一百万个分子是容易的，难的是判断哪些值得合成；
- 打分函数的质量决定一切：而它依赖你的实验数据（见 137《REINVENT 论文精读》）；
- 因此，投资数据 > 投资生成算法；
- 平台的价值在于工程完备度：过滤管线、专利检索、多样性控制、可追溯性——这些「不性感」的部分才是工业可用性的关键。
关键要点
- 多引擎并行 + 统一打分是工业系统与学术工作的显著差异，这个架构值得借鉴；
- 专利检索内置——学术工作几乎不做，但工业上是必需的；
- 商业论文无法独立复现且存在案例选择偏倚，应视为经验分享而非方法学证据；
- 评估平台最有说服力的方式是用自己已完成项目做回溯验证。
说明
- 公司/平台信息变动很快，本文为方向性介绍，决策前请核对官方最新信息。
延伸资源
- PandaOmics：152《PandaOmics 平台论文精读》；REINVENT4：138《REINVENT4 文档精读》；分子生成模型：158《AI 分子生成模型》；
- 论文阅读框架：170《AI 制药论文阅读框架》；Benchmark 陷阱：169《Benchmark 陷阱》。