从数据到药物：多模态大模型在 AI for Science 中的高效实践

摘要：导读我是来自粤港澳大湾区数字经济研究院（IDEA）的李昱。我想和大家探讨一个激动人心且相对较新的领域——科学智能，即 AI for Science。科学研究的范式在历史上经历了数次演进。图灵奖得主吉姆·格雷（Jim Gray）将其总结为四个阶段：从几千年前的实

导读我是来自粤港澳大湾区数字经济研究院（IDEA）的李昱。我想和大家探讨一个激动人心且相对较新的领域——科学智能，即 AI for Science。科学研究的范式在历史上经历了数次演进。图灵奖得主吉姆·格雷（Jim Gray）将其总结为四个阶段：从几千年前的实验归纳（第一范式），到几百年前基于理论模型的模型推演（第二范式），再到近几十年的仿真模拟（第三范式）。而今天，我们正处在一个由数据驱动的时代，迎来了科学研究的第四范式——数据密集型科学发现。

AI for Science 的核心，正是利用人工智能技术，特别是其强大的“数据+模型”范式，与传统科学研究方法深度交叉融合，从而革新科研的全流程。近年来，我们见证了 AI 在各个科学领域的惊人突破：DeepMind 登顶国际数学奥林匹克竞赛，Evo 2 模型实现了对所有物种 DNA、RNA 和蛋白质功能的精准预测，微软的 MatterGen 能根据设定的性质直接生成新材料。这些成果无不预示着，一个由 AI 赋能的科学发现新时代已经到来。

主要内容包括以下几个部分：

1. 化学与制药行业的困境与 AI 带来的曙光

2. IDEA 化学大模型：模型能力的构建

3.IDEA 化学大模型：数据能力的基石

4. 总结与展望

分享嘉宾｜李昱博士 IDEA研究院主任研究员、AI4Science负责人

编辑整理｜半糖

内容校对｜郭慧敏

出品社区｜DataFun

化学与制药行业的困境与 AI 带来的曙光

在众多科学领域中，我们团队目前重点关注的是化学与生物医药，尤其是新药研发。这个行业是典型的知识密集型和高风险行业，其传统的研发范式主要依赖于科学家的专家直觉和大量的试错实验。

这一传统模式存在三大痛点：

周期长：一款新药从研发到上市，平均耗时超过 10 年。成本高：平均成本超过 10 亿美元，有时甚至更高。成功率低：令人沮丧的是，即便投入如此巨大的时间和金钱，仍有超过 90% 的候选药物在临床试验阶段失败，这被称为新药研发的“死亡之谷”。

从国内需求来看，我们有 32% 的靶点药物依赖进口，54% 的国产药稳定性有待提高，创新药的研发和国产替代迫在眉睫。

面对这样的困境，AI for Science 为我们提供了一个历史性的机遇。通过数据与模型双轮驱动的模式，AI 能够提供精准的预测，大幅度加速传统的人工驱动的科学发现流程，显著缩短科研周期。正如 AlphaFold 将蛋白质结构解析的时间从数年缩短到分钟级别，我们相信，AI 有望成为我国在医药、材料、化工等关键领域突破“卡脖子”困境、实现“弯道超车”的强大引擎。

为了将 AI 技术应用于复杂的化学和药物研发流程，我们构建了一个分层化的技术框架，涵盖了从底层数据积累、基础模型构建到上层应用能力的全链路。

整个药物研发（临床前）可以简化为**设计（Design）、合成（Make）、测试（Test）、分析（Analyze）**的 DMTA 循环。每个环节都耗时耗力，且环环相扣，任何一步的延误或失败都会导致巨大的沉没成本。我们的目标，就是用 AI 模型赋能这些关键环节。

1. 小分子药物：精准预测蛋白质-配体亲和力

在小分子药物设计中，一个核心任务是预测候选药物分子与靶点蛋白质的结合亲和力。这就像是设计一把能精准打开特定锁（靶点）的钥匙（药物）。

我们开发了 LigUnity 模型，它专注于提升蛋白质-配体结合亲和力预测的精确性和效率。该模型通过先进的对比学习算法进行预训练，能够学习到蛋白质口袋（Pocket）和配体（Ligand）在嵌入空间中的深刻关联。

虚拟筛选：在虚拟筛选任务中，LigUnity 的表现显著优于包括传统对接方法在内的多种基线模型。过去需要 40 年才能完成的筛选任务，我们现在可以在 40 天内完成，极大地提升了效率。先导化合物优化：结合主动学习策略，LigUnity 还能在 “Hit-to-lead” 任务中不断迭代，从一个初步的 “钥匙雏形” 出发，逐步优化，找到活性更高的分子结构。

这项工作已经被《Cell》子刊接受，并获得了高度认可。

抗体药物是另一大类重要的生物药。我们针对其特性开发了专门的模型。

抗体语言模型 AbLingua：蛋白质和抗体本质上是由氨基酸组成的序列，非常适合用语言模型来建模。但与自然语言不同，氨基酸的 “词典” 大小只有 20 个左右，这限制了模型的表达能力。我们通过创新的 Tokenization 方法（例如，将三个氨基酸组合成一个 Token），将词典大小扩展到 8000，显著提升了模型性能。我们发现，一个 600M 参数的 AbLingua 模型，其效果甚至优于更大的模型，这表明在特定领域，并非模型越大越好，数据和模型的适配至关重要。

抗体结构预测模型 idealFold：抗体结构中存在高度可变的 CDR 区域，这是传统蛋白质结构预测模型（如 AlphaFold）的难点。我们的 idealFold 模型，结合了 AbLingua 提取的序列特征和专门的结构模块，能够实现高通量、高精度的抗体结构预测，速度和精度均达到业界领先水平。蛋白多聚体结构预测：对于多个蛋白质亚基如何组装成一个大的复合物，AlphaFold 的效果不佳。我们利用图神经网络学习拼接顺序，能够准确预测包含超过 15 个亚基的大型多聚体的复杂结构。

随着通用大语言模型（LLM）的兴起，我们也在积极探索其在化学领域的应用。

多模态分子助手 InstructMol：我们将分子的图结构信息作为一种新的模态，通过一个 Projector 与预训练的 LLM（如 Llama）进行对齐。通过指令微调，InstructMol 能够理解并执行与药物发现相关的多项任务，如分子描述生成、正向/逆向反应预测等。

多模态化学合成预测模型 Presto：在 InstructMol 的基础上，Presto 进一步扩展了处理多个分子输入和输出的能力。它通过两阶段的预训练对齐，能够处理包含任意数量分子和文本交错的复杂化学反应方程式，在产率预测、反应条件选择等任务上表现出色。

“模型” 和 “数据” 是 AI 的双翼，缺一不可。在 AI for Science 领域，高质量、大规模的专业数据是训练出强大模型的基础。然而，化学领域存在着严重的数据孤岛问题。

全球医药专业数据库的市场规模高达数千亿美元。然而，即便是像 SciFinder 和 GOSTAR 这样业界领先的商业数据库，其收录的结构化实验数据也仅在数百万到数千万的量级。与此同时，还有海量的、价值连城的数据沉睡在数以亿计的科学文献和专利的非结构化文本、表格和图片中。

人工提取这些数据不仅效率低下，而且成本高昂。一份几百上千页的药物专利，一个专业的科研人员可能需要数周时间才能完成数字化整理。这些专利文档的特点是：

内容复杂：包含完整的化学结构图、化学基团、合成路线、活性数据表格等多种模态信息。

排版多样：篇幅长，排版格式各异，表格结构不规范。

语言众多：涵盖中、英、日等多种语言。

为了高效、精准地从这些复杂的文档中挖掘数据，我们开发了一套“大模型+小模型”结合的自动化解决方案。

小模型各司其职：我们自研了多个针对特定任务的 “小模型”，包括：布局识别与表格解析模型：能够精准解析各类复杂排版的表格，准确率达到 96%。光学化学结构识别（OCSR）模型：这是我们的核心技术之一。通过在数百万级别的专利数据上进行训练，我们的 OCSR 模型在分子结构识别的准确率上从开源模型的 80% 提升到了 95% 以上，在公开可测评模型中排名第一。二元组关系模型：能够准确地将识别出的化学结构与其在文中的编号（ID）进行关联，准确率达到 94%。大模型处理泛化与推理：利用 GPT-4、Gemini 等先进的大语言模型，解决多语言理解和复杂语义推理的问题。

通过这套系统，我们将解析一份上千页专利的时间从数周缩短到了 1 小时以内，实现了数据挖掘能力的指数级提升。

基于强大的数据和模型能力，我们正在开发更智能的应用助手。

专利分析助手：结合搜索与推理能力，帮助科研人员快速分析专利布局，评估项目的市场潜力和技术可行性。

配方优化助手：这是一个非常实际的应用场景。在材料科学或化学合成中，实验人员需要不断尝试调整配方以优化产率或产品性能。这是一个典型的小样本数据问题。我们利用 XGBoost 等经典机器学习模型，结合大模型的报告生成和逻辑推理能力，为合作企业提供智能化的配方推荐和优化思路，目前已在实际合作中取得了非常好的效果。04总结与展望

回顾我们的实践，AI for Science 的核心在于用 AI 大幅度加速传统基于人工驱动的科学发现流程。我们通过构建数据和模型这两个强大的引擎，并让它们相互驱动、协同进化，为复杂的科学问题提供了前所未有的解决方案。

我们正处在科学研究第四范式的浪潮之巅。展望未来，我们还有更远大的目标：

打通全流程：目前我们的模型更多是赋能研发流程中的单个环节。我们希望将这些环节串联起来，形成一个从文献理解、靶点发现、分子设计、性质预测到合成路径规划的端到端 AI 解决方案，这可能需要一个多智能体（Multi-Agent）的协作系统。实现干湿实验闭环：将我们的 AI 预测（干实验）与自动化实验平台（湿实验）相结合，形成一个“设计-实验-验证-再设计”的快速迭代闭环，让 AI 真正成为一个能够自主进行科学探索的“虚拟科学家”。拓展领域：将我们在药物研发领域积累的经验和能力，拓展到新材料、新能源等更广泛的化学相关领域。