过去几年，AI设计分子的宣传语几乎都一样：给一个蛋白结构，几十秒就能生成上万个候选化合物。这套叙事在10月下旬被一份基准测试拖回了地面。《Nature Communications》刊出的MolGenBench对17种主流生成式方法做了统一评测，覆盖从全新分子设计到先导化合物优化两类任务，结论不是某个模型不行，而是整个领域存在共性短板。
此前的分子生成评测常被诟病，原因是数据集被简化过。为了让指标好看，评测集往往剔除难处理的结构，或者用计算代理代替真实实验。模型在简化数据上分数很高，一进真实项目就不够用。MolGenBench的做法是反其道而行，用规模更大、结构更多样的数据集重建测试环境，尽量还原真实药物发现中的异质性与约束。
换数据集这件事看起来只是工程细节，实际改变了结论的性质。同一批模型在新基准上的表现普遍低于它们此前自报的成绩，说明过去的领先幅度有相当一部分来自评测集与训练集的接近。这一点对做采购决策的药企尤其重要，因为它们的评估往往直接引用论文里的分数。
这次评测的范围划得很清楚，两类任务合一：一类是全新设计，从靶点结构出发生成此前不存在的分子；另一类是先导化合物优化，在已有苗头化合物的基础上改结构、提活性、降毒性。这两件事在真实项目里属于不同阶段，对模型的要求也不同，前者的难点是覆盖面，后者的难点是精确微调而不破坏已有优势。把两类放在同一基准里评，才能看出一个模型到底适合放在管线的哪一段。
报告点出的第一组问题是虚拟筛选表现偏弱，同时生成分子对靶点特异性活性空间的覆盖有限。翻成直白的话：模型能画出看起来像药的分子，但画出的分子未必和指定靶点有关系。研究者把这归为靶点意识的缺失，模型学到的更多是"药长什么样"的统计规律，而不是"这个口袋需要什么"的结构约束。
第二组问题是泛化。在训练时没见过的蛋白上，模型的表现下降明显。这一点在真实研发里最致命，因为药企提的新靶点几乎都是没见过的。评测设计者特意把未见蛋白单独拆出来测，就是为了把这个落差量化，而不是让它在总体平均分里被稀释掉。
虚拟筛选弱这个短板尤其值得展开。生成模型通常先造出成千上万个候选，再用对接或打分函数筛一遍，问题在于打分函数本身并不准确，筛出来的前十名里有几个真能结合，取决于打分器而不是生成器。评测把这两步合起来看，得出的结论就变成了"端到端可用性不足"，而不是"生成能力不足"。这个区分很重要，因为它指向的改进方向完全不同：前者要修打分与筛选，后者才要改模型。
第三个发现更容易被忽略，后果却最直接：生成的分子里频繁出现高风险结构基元。这类片段在药物化学里有明确记载，可能带来毒性、代谢不稳定或反应性中间体。它们在生成模型眼里是"高活性分子的常见组成"，在化学家眼里是需要规避的雷区。
这个偏差的来源不难理解。模型从文献与专利里学分布，而公开文献中的分子天然偏向已成功的骨架，那些因毒性被淘汰的失败案例大多不会发表。训练数据只见过成功，模型就倾向于复制成功，缺少对失败边界的认识。要修这个问题，得把阴性数据也纳入训练，而这类数据恰恰是药企最不愿公开的资产。
这条发现的实际影响是增加了一道人工复核工序。原本不少团队希望模型直接输出可合成的候选清单，现在必须插一步结构警示筛查，把含高风险基元的分子先剔掉再去合成。对动辄合成几十个化合物的项目来说，这道工序省下的不只是钱。
换个角度看，这恰恰是AI可以做得更好的地方。人工检查几万个候选不现实，规则库与子结构匹配却很适合自动化。把化学家的经验写成告警规则，让模型在生成时就避开这些结构，比事后筛选更省算力。
报告并非全是负面。部分模型在生成三维分子构象方面有明显改善，产出的结构在几何上更合理。这是真实的进步，说明从二维图表示向三维结构的建模迁移已经起效，构象生成这一环的瓶颈正在被解决。
但研究者特意留了一句提醒：这些模型仍难以稳定产出有活性的分子，结构合理性与生物功能之间还存在落差。几何上站得住的分子，未必能和靶点结合，更未必能在细胞里起作用。这个落差是整个AI制药最核心的难题，也是为什么算得再快也替代不了湿实验。
构象改善这件事本身有明确的技术来源。过去两年三维分子生成从等变网络走向扩散与流匹配，几何先验被直接编码进模型，产出的键长键角更像真实分子，环的构象分布也更接近晶体结构。这些进步在计算层面可验证，也确实让后续的对接与动力学模拟更容易收敛。但它们解决的是"这个分子长什么样"，不是"它在这个口袋里会不会起作用"。
从长成什么样到起了什么作用，中间还隔着力场精度、溶剂效应、质子化状态与膜透性四道关，每一道都足以让完美候选在实验里失效。这也是AI制药公司对外讲述时最谨慎的地方：能公开的多是计算指标，湿实验命中率往往只在合作方内部验证。评测者把这句话写进讨论，等于给整个领域划了一条诚实的边界。
这份基准还有一个明确的自我限定：它只评测计算表现，报告的是基准结果而非实验室验证。也就是说，它衡量的是模型在标准计算任务上的能力，不是任何生成化合物的临床或治疗价值。这个限定写得很克制，但恰恰指出了整个领域的下一步。
把蛋白结构预测与小分子配体设计放进同一套标准里评，是这份工作的方法论贡献。结构预测这些年进步很快，很多人默认结构一准，配体设计就水到渠成，实际两者之间隔着活性、选择性、成药性与安全性四道关。MolGenBench把这条链上的第一段接上了标准化的接口，后面的段落还需要湿实验数据来填。在那些数据出现之前，任何"AI把药物发现周期缩短一半"的说法，都只能算愿景。
更务实的期待是把基准当成筛子而不是证书。先用它淘汰掉明显不合格的方法，再把留下来的送去做小规模湿实验，这个顺序比先信分数再补验证省钱得多。基准的价值也在这里，它不告诉你哪个模型最好，只告诉你不该在哪些方向上继续浪费时间。