Chemistry42：AI 分子生成平台适合解决什么问题

Chemistry42 是 Insilico Medicine（英矽智能）的生成式小分子设计平台。它把「多种生成算法 + 多目标打分 + 自动过滤」封装成一个工程化产品，用户给定靶点结构或已知配体，平台产出并排序候选分子。它是少数有公开临床进展背书的商业生成平台之一。

它适合解决什么问题

工作方式

• 多算法并行：不押注单一生成模型，而是同时跑生成对抗、强化学习、遗传算法、基于片段的组装等多条路线，再统一打分排序。这种「集成」思路比追求单个最强模型更工程化。
• 多目标打分：结合对接分数、药效团匹配、ADMET 预测、新颖性、合成可及性等数十个维度。
• 自动过滤：结构警报、PAINS、反应性基团、专利结构比对。
• 人机协同：产出后由药化专家审查筛选，平台不做最终决策。

可借鉴的设计

即使不采购这类平台，它的几个设计选择对自建能力很有参考价值：

• 不依赖单一生成算法：不同算法的搜索偏好不同，集成能覆盖更广的化学空间，也降低了「押错模型」的风险。
• 打分护栏优先于生成能力：生成模型总会钻打分函数的空子，所以合成可及性、结构警报这类护栏必须内建，而非事后补。这与 REINVENT4（见 221《REINVENT4》）的实践经验一致。
• 把人的判断放进闭环：平台的定位是「产出高质量候选供专家筛选」，而不是「自动决策」。这个定位是务实的。
• 可追溯：每个产出分子记录来自哪个算法、各项打分是多少，便于事后分析哪条路线有效。

怎么评估这类平台

• 要求在自家已知体系上做回测：给平台一个你已经做过、知道答案的项目（隐去答案），看它能否重新发现已知活性分子或相似骨架。这是最有说服力的评估方式，远胜看宣传材料。
• 关注产出的可合成性：让自家合成化学家评估一批产出分子的合成难度与路线可行性。生成分子「看起来合理但没人能做出来」是这类工具的常见问题。
• 核对新颖性的真实性：产出分子是否真的不在已有专利中？平台的专利比对能力有限，仍需专业检索。
• 算清总成本：平台费用 + 合成验证成本 + 内部人力。生成一百个分子不难，把它们做出来测活性才是主要开销。

延伸资源

• 公司案例：308《Insilico Medicine》；开源对照：221《REINVENT4》；
• 生成模型评测：222《GuacaMol》、223《MOSES》；
• 分子生成范式见「AI 模型」模块。