17种AI制药生成模型评测暴露五大短板

时间：2026年11月1日（论文于10月1日发表于《Nature Communications》，11月1日被中文技术媒体与英文科技媒体集中报道） 地点：中国上海，同济大学生命科学与技术学院、上海药物研究所、上海科技大学、临港实验室与中国科学院大学等机构联合开展 人物：第一作者 Duanhua Cao，并列第一作者 Zhehuan Fan 与 Jie Yu，团队成员还包括 Mingan Chen、Xinyu Jiang、Xia Sheng、Xingyou Wang、Chuanlong Zeng、Xiaomin Luo、Dan Teng 与 Mingyue Zheng 事件详情：论文题为 Evaluating generative models for structure-based drug discovery from de novo design to lead optimization，发表于《Nature Communications》第17卷第11281号，开放获取。团队提出结构基药物设计基准 MolGenBench，覆盖从头分子生成（de novo design）与先导化合物优化（hit-to-lead optimization）两类任务，基于结构多样的大型数据集评测了17种主流生成方法。基线评测中，从头生成模型每个靶点采样1000个分子，先导优化模型每个化合物系列采样200个分子。结果显示现有模型存在多方面短板：虚拟筛选性能偏弱、对靶点特异性生物活性空间的覆盖有限、频繁生成高风险结构基元、目标意识不足，以及对未见蛋白的泛化能力下降。部分模型在三维构象生成上有所改进，但仍难以稳定地产出真正有活性的分子。 背景：蛋白质结构预测的进步让从结构出发设计小分子成为可能，AI制药因此成为过去两年最热的赛道之一。但研究团队指出，现有的分子生成基准多使用简化的数据集和计算替代指标，难以反映真实药物研发的多样性与约束条件；在蛋白靶点的数量与结构多样性上，相比虚拟筛选领域成熟的 DUD-E 与 DEKOIS 2.0 仍然不足。如果只用计算代理指标来判定一个分子是否有效，还会系统性地低估模型重新发现已知活性化合物的能力。 影响：对AI制药赛道，这套更贴近真实研发约束的评测把能生成看起来像药的分子和能生成有活性的分子区分开来。它同时提示两条现实约束：一是虚拟筛选与靶点活性空间覆盖是被普遍低估的短板，二是生成模型对未见蛋白的泛化能力不足，换一个靶点之后表现可能明显下滑。对国内做AI制药与蛋白结构模型的公司而言，基准代码与原始数据均已公开，可以直接用来复现评测并横向比较自家模型表现。 总结：MolGenBench 用更贴近真实的数据和更严格的流程，对17种主流分子生成方法做了一次统一体检，结论并不乐观：虚拟筛选偏弱、活性空间覆盖有限、高风险结构基元频出、目标意识不足、对未见蛋白泛化下降。这些短板说明当前生成式模型在三维构象生成上的进步，还没有转化为稳定产出有效分子的能力。对行业而言，这既是一份冷静的现实提醒，也提供了一套公开可复现的比较基准，代码与数据都已开放，研究者可以直接在上面检验下一代模型。 常见问题： 问：MolGenBench 是什么？ 答：发表于《Nature Communications》的结构基药物设计基准，覆盖从头分子生成与先导化合物优化，评测了17种主流生成方法。 问：这次评测的主要结论是什么？ 答：现有模型在虚拟筛选、靶点特异性活性空间覆盖、目标意识和对未见蛋白的泛化上都有明显短板，三维构象生成变好并不等于能稳定产出有效分子。 参考来源： Nature Communications 论文原文：Evaluating generative models for structure-based drug discovery from de novo design to lead optimization https://www.nature.com/articles/s41467-026-78105-8 Scienmag 报道：New benchmark exposes persistent weaknesses in AI molecular design tools https://scienmag.com/new-benchmark-exposes-persistent-weaknesses-in-ai-molecular-design-tools/ MolGenBench 官方代码仓库（GitHub） https://github.com/CAODH/MolGenBench MolGenBench 预印本阶段代码库（GitHub） https://github.com/Intelligent-Drug-Discovery-Lab/MolGenBench MolGenBench 处理后数据与全部源数据（Zenodo） https://zenodo.org/records/20233505 同刊相关研究：AI 生成 3D 分子的统一筛选流程（Nature Communications） https://www.nature.com/articles/s41467-026-69303-5