MODULE 05 / 40 RECORDS
AI 模型
经典论文精读、模型范式、方法论与陷阱
- 131 Chemprop / D-MPNN 论文精读：为什么强基线比新模型更重要 Chemprop 的论文核心结论是：调优的传统基线常常打平甚至击败新模型。这篇讲清 D-MPNN 的设计与那个更重要的方法学教训。 →
- 132 MoleculeNet 论文精读：分子机器学习基准的价值和过时之处 MoleculeNet 建立了分子机器学习的评测传统，也留下了不少沿用至今的问题。这篇讲清它的贡献与必须注意的过时之处。 →
- 133 TDC 论文精读：把 AI 制药任务放回研发链条里 TDC 把 AI 任务按研发阶段组织，是比 MoleculeNet 更贴近实际的基准。这篇讲清它的设计理念与使用方式。 →
- 134 DeepChem 平台解读：适合教学和原型，不等于生产级药企平台 DeepChem 适合教学与原型，但不等于生产级平台。这篇讲清它的能力边界与在真实项目中的正确定位。 →
- 135 GuacaMol 论文精读：分子生成评测为什么容易被刷分 GuacaMol 定义了分子生成的标准评测，也暴露了这类评测容易被刷分的本质。这篇讲清它的任务设计与失效方式。 →
- 136 MOSES 论文精读：分布学习基准能回答什么，不能回答什么 MOSES 专注分布学习评测。这篇讲清它的指标体系、与 GuacaMol 的分工，以及分布指标的根本局限。 →
- 137 REINVENT 论文精读：强化学习生成分子的本质是奖励函数工程 REINVENT 用强化学习做分子生成，但真正决定成败的是奖励函数设计。这篇讲清算法机制与奖励工程的实践。 →
- 138 REINVENT4 文档精读：从论文算法到可配置生成平台 REINVENT4 把论文算法变成可配置的生成平台。这篇讲清它的运行模式、配置结构与实践要点。 →
- 139 GraphDTA 论文精读：DTA 预测为什么不能只换药物表示 GraphDTA 用图表示替代 SMILES 字符串做亲和力预测。这篇讲清它的改进、以及 DTA 任务中更根本的评测问题。 →
- 140 DeepDTA 论文精读：序列模型为什么成为 DTA 早期基线 DeepDTA 用两条 CNN 建立了 DTA 预测的基本范式。这篇讲清它为什么成为长期基线，以及它揭示的方法学问题。 →
- 141 MolTrans 论文精读：Transformer 做 DTI 时“可解释”要谨慎看 MolTrans 用 Transformer 做 DTI 并声称可解释。这篇讲清它的方法，以及注意力权重为什么不等于机理解释。 →
- 142 Uni-Mol 论文精读：3D 预训练何时比 SMILES/GNN 更有意义 Uni-Mol 的三维预训练在什么任务上真正有优势？这篇讲清它的方法、适用条件与评估要点。 →
- 143 ESM-2 论文精读：蛋白语言模型为什么能预测结构，但不是 AlphaFold 替代品 ESM-2 证明了语言模型能隐式学到蛋白结构信息。这篇讲清它的能力范围，以及它不能替代 AlphaFold 的原因。 →
- 144 ProtT5 论文精读：蛋白嵌入是特征工程，不是万能功能预测器 ProtT5 提供了另一条蛋白嵌入路线。这篇讲清编码器-解码器架构的差异、嵌入的正确用法与常见误区。 →
- 145 ChemBERTa 论文精读：SMILES Transformer 的价值和局限 ChemBERTa 把 BERT 用在 SMILES 上。这篇讲清 SMILES 预训练的价值边界与和指纹基线的真实差距。 →
- 146 MolBERT 论文精读：预训练任务比模型名字更重要 MolBERT 的核心结论是预训练任务的设计比模型名字更重要。这篇讲清各类预训练任务的效果差异与选择依据。 →
- 147 MolFormer 论文精读：十亿级 SMILES 预训练带来了什么 MolFormer 用十亿级 SMILES 预训练，也暴露了规模化的边际收益问题。这篇讲清它的技术创新与规模的真实价值。 →
- 148 MegaMolBART 模型解读：BioNeMo 里的生成模型应怎样定位 MegaMolBART 是 BioNeMo 生态中的分子生成模型。这篇讲清它的定位、与专用生成框架的差异，以及企业级部署的考量。 →
- 149 MolMIM 论文精读：隐空间优化为什么不等于发现先导物 MolMIM 用互信息机器学习一个适合优化的隐空间。这篇讲清隐空间优化的原理、优势与它不等于发现先导物的原因。 →
- 150 ProteinMPNN 论文精读：逆折叠模型为什么改变蛋白设计流程 ProteinMPNN 让蛋白序列设计的成功率跃升。这篇讲清逆折叠问题、它的关键设计与在设计流程中的位置。 →
- 151 RFdiffusion 论文精读：扩散模型怎样生成可设计蛋白骨架 RFdiffusion 用扩散模型生成可设计的蛋白骨架。这篇讲清它的条件生成能力、设计流程与实验成功率的现实。 →
- 152 PandaOmics 平台论文精读：靶点发现证据链要怎么拆开看 PandaOmics 用多组学与文献证据做靶点发现。这篇讲清它的证据类型、如何拆解证据链，以及审读时的关键问题。 →
- 153 Chemistry42 JCIM 论文精读：商业生成平台的方法框架和审读边界 Chemistry42 的论文给出了商业生成平台的方法框架。这篇讲清它的架构、可审读的部分与需要保留判断的地方。 →
- 154 AI 靶点发现模型：从相关信号到因果假设的证据梯度 靶点发现的 AI 模型输出的是假设而非结论。这篇给出从相关信号到因果假设的完整证据梯度与实操判据。 →
- 155 AI 活性预测模型：先定义决策，再选择分类、回归或排序 活性预测模型该做分类、回归还是排序，取决于你要支持什么决策。这篇给出从决策倒推建模方式的完整框架。 →
- 156 AI ADMET 预测模型：多任务学习有用，但不能掩盖实验体系差异 多任务学习对 ADMET 预测有用，但掩盖不了实验体系的差异。这篇讲清各终点的特点、数据陷阱与务实做法。 →
- 157 AI DTI 预测模型：序列、图、结构和知识图谱各解决不同问题 DTI 预测有序列、图、结构、知识图谱四条路线，各自解决不同问题。这篇讲清它们的适用场景与选择依据。 →
- 158 AI 分子生成模型：VAE、GAN、RL、Diffusion 不是同一种工具 VAE、GAN、RL、扩散不是同一种工具，各自适合不同的生成任务。这篇给出选型框架与共同的实践要点。 →
- 159 图神经网络 GNN：分子图模型强在哪里，为什么仍会输给指纹基线 GNN 在分子建模中强在哪里，又为什么常常输给指纹基线。这篇讲清消息传递的机制、固有局限与实践判断。 →
- 160 等变神经网络：3D 分子模型必须尊重旋转和平移对称性 三维分子模型必须尊重旋转和平移对称性。这篇讲清不变性与等变性的区别、实现方式与选型判断。 →
- 161 Transformer 在分子中的应用：从 SMILES 到图、3D 和多模态 Transformer 在分子中有 SMILES、图、三维、多模态四种用法。这篇讲清各自的适用性与实践判断。 →
- 162 扩散模型在药物设计中：从去噪生成到可验证假设 扩散模型在药物设计中用于姿势、结构与分子生成。这篇讲清它的机制、在各任务上的表现与可验证性要求。 →
- 163 大语言模型与药物发现：让 LLM 做编排，不要让它装成实验仪器 LLM 在药物发现中适合做编排与信息处理，不适合装成实验仪器。这篇给出合理的用法边界与落地场景。 →
- 164 多模态模型：结构、序列、文本和组学融合前先解决对齐问题 多模态模型融合结构、序列、文本与组学，但对齐问题必须先解决。这篇讲清对齐的含义、常见陷阱与务实做法。 →
- 165 主动学习 Active Learning：少做实验的前提是知道该问哪个问题 主动学习能显著减少实验次数，但前提是知道该问哪个问题。这篇讲清采集函数的选择、批量策略与实际约束。 →
- 166 不确定性估计：模型什么时候应该说“我不知道” 模型什么时候该说「我不知道」？这篇讲清不确定性的来源、估计方法、校准检验与在决策中的用法。 →
- 167 模型外推性：药物发现真正考验的是新骨架和未来数据 药物发现真正考验模型的是新骨架与未来数据。这篇讲清各种划分方式的严格程度与正确的评测设计。 →
- 168 可解释性 AI：解释要能帮助化学决策，而不是只画热图 可解释性要能帮助化学决策，而不是画一张好看的热图。这篇讲清各类方法的可靠性与验证要求。 →
- 169 Benchmark 陷阱：AI 制药论文高分是怎样被制造出来的 AI 制药论文的高分是怎样被制造出来的？这篇系统列出常见的评测陷阱与识别方法。 →
- 170 AI 制药论文阅读框架：任务、数据、模型、验证、落地五问 读 AI 制药论文可以按任务、数据、模型、验证、落地五个维度系统展开。这篇给出完整的问题清单与判断标准。 →