化学通识第27讲——计算化学与AI制药：用算法设计分子

访问DeepWrite

排版设置

在这里统一调整字体、字号、目录停靠位置和正文显示方式，不挤占右上角工具条。

字体

字号

目录层级

目录停靠位置

决定目录固定在左侧还是右侧，方便按手势习惯或演示场景调整。

正文显示方式

决定正文是否保留独立阅读卡片背景；关闭后正文会更贴近整页背景。

中文长文先试中文经典；英文长文先试 English Essay。目录默认显示到 H2，可按需要扩到 H4；目录位置和正文显示方式也可以在这里统一调整。

朗读菜单

直接在 HTML 页面内朗读，下载文件和独立分享页都可使用。这里只保留最少功能。

当前状态：未开始

语音

语速 0.82x

高亮级别

浏览器支持时会记住上次朗读位置。

全屏专注式阅读说明

这页优先保留鼠标与触摸操作，让阅读、选词、点击链接和查看目录互不打扰。

单击正文空白区：同时显示或隐藏主题区和目录。
开始滚动正文：自动进入专注态，减少阅读时的视觉干扰。
双击正文空白区：进入或退出全屏专注式阅读状态。
全屏专注时，按 Esc 或点击“退出全屏专注”：退出全屏。

化学通识第27讲——计算化学与AI制药：用算法设计分子

场景钩子

上一讲，纳米化学与超分子教我们"让分子自己拼"——可一个新的麻烦随之浮现：要让一堆分子按设想自组装，你得先设计出"正确形状、正确相互作用"的零件。而过去设计分子，靠的是化学家的灵感加一遍遍试错：先猜一个结构，合成它，测性质，不对再改。全合成里一步接错，可能几个月白干；药物研发里，上万个候选分子最终只有一个能走到病人手里，平均耗十几年、烧几十亿。问题出在哪？出在"造之前算不准"——我们太晚才知道一个分子到底行不行。

把场景拉到病床前会更具体。一种新抗生素，细菌已经产生耐药，临床在等；化学家手里有一堆可能的骨架，但哪一个既能掐住细菌的命门、又不会顺手伤了人体？要回答，传统做法得把候选一个个合成出来做实验。如果能在烧钱烧时间之前，先用算法算出"哪个最可能成药、哪个大概率有毒"，研发就从一个一个试，变成了一张带导航的地图。

于是本讲的核心问题是：能不能在造出分子之前，先用算法预测它的结构、能量、反应性和生物活性？甚至让机器直接"生成"自然界根本没有的好分子？ 我们会讲清四件事——从第一性原理出发的量子化学计算、追踪动态的模拟、数据驱动的构效关系、以及今天最热的人工智能分子设计，并落到它如何改变制药、催化与材料。

原理讲透

第一条路叫量子化学，也就是"从物理定律直接算"。它的根基是描述电子如何运动的那个方程，可惜除了最简单的体系，这个方程没有精确解，于是化学家发展出种种近似——其中最常用的一种，是把"所有电子的整体行为"作为计算对象，绕过逐个电子的麻烦。有了这套方法，不必进实验室，只要给出原子坐标，计算机就能算出电子怎么分布、分子能量多高、哪个键最容易断、反应会卡在哪一步。它能预测一条反应路径上哪一步最慢（呼应第 12 讲动力学里的活化能），也能算出分子该有什么特征光谱（呼应第 23 讲分析化学）。一句话：它让性质从"测出来"变成"算出来"。更进一步，它能给出反应每一步的能垒高低——哪一步最难过（呼应第 12 讲动力学），化学家据此判断该换催化剂还是改温度；它还能比较不同催化活性位点的强弱，在合成之前就预测"哪种配方更可能好"。这等于在进实验室前，先用方程把弯路标出来，把"试遍所有配方"压缩成"先算再挑几个"。模拟还能给出"自由能景观"——把折叠看成小球在起伏的山地里找最低谷，蛋白天然构象就是那个谷底；药物结合则是把小球推到另一个更深的谷。这让"动态"第一次有了可计算的图，而不只是两张静态快照；当然，模拟也有天花板：原子越多、时间越长，算力越吃紧，所以常与实验轮替——算一段、验一段、再算。

第二条路是模拟，追踪"动起来"的样子。量子化学给你一张静态的"快照"——某个构型下的能量；可真实分子在抖、在转、在折叠。于是化学家把原子当成小球，用经典力学去跑它们的轨迹，看蛋白质怎么从一条链盘成三维、药物怎么嵌进结合口袋、材料在受力下怎么变形。这种模拟填补了"静态结构"和"动态行为"之间的缝，让我们看见反应和折叠的"过程"，而不只是起点终点。

第三条路是数据驱动的构效关系。它不走第一性原理，而是用统计把"分子长什么样"和"它有什么活性"直接挂钩：收集成千上万个已知分子，标出哪类片段带来毒性、哪类带来活性，建立经验规律。这其实是早一代的"机器学习"雏形——不深究为什么，先从数据中找模式。它的好处是快、对大分子也管用；坏处是只在"见过的数据"附近可靠，预测不了太新的结构。

第四条路，才是今天引爆恐慌与希望的人工智能生成式设计。把几千万个已知分子及其性质喂给模型，让它学会"结构—性质"的映射；再让一个生成模型（比如基于图神经网络或扩散思想）产出新分子，并用预测器反复打分、筛选。最惊人的一幕发生在蛋白质上：从一条氨基酸序列直接预测它的三维结构，精度在近年出现了飞跃，把"先有结构才有功能"这个卡了生物学几十年的瓶颈一下打通。分子设计从"人想、机器算"升级到"机器想、机器筛"。

原理落点：计算化学与人工智能凭什么能成立？它们把化学家脑中的"直觉"翻译成可计算的映射——一端是从第一性原理出发，用物理定律直接推算性质，不依赖实验；另一端是从数据中学习规律，再外推到没见过的分子。两者合力，让分子设计从"试错"转向"导航"：先算蓝图，再决定造不造、怎么造。这本身就是一次对"自然与人造之间那条线"的重新划定——过去分子只能被大自然"发现"、被化学家"碰巧合成"；现在它可以被"推算生成"，一个分子还没被合成，就已经在屏幕上被"想"了出来。

来龙去脉

计算的种子埋得很早。1927 年，两位学者用刚诞生的量子力学，第一次算出了氢分子里电子的结合，证明"用方程算化学"不是梦；但那时的算力，连一个稍大的分子都跑不动。真正的铺开要等计算机。上世纪六七十年代，分子力学与模拟、以及构效关系先后成形，化学家开始用机器辅助，但主要还是算小体系、做经验关联。

九十年代是个拐点：前面说的那种主流量子近似走向成熟，让几十个原子的分子也能被认真计算；与此同时，"组合化学"兴起——用自动化一口气合成海量分子，再用高通量筛选去淘金。可人们很快发现，合成容易、筛选难，几百万个分子测不过来，反而更渴求"先算后筛"。高通量机器人一天能合成上千个，可表征与活性测试的通量跟不上，海量分子堆在库里"测不过来也用不掉"，这反过来把压力推给了计算——既然测不动，就先算。这反过来逼出了更狠的计算需求。

真正的引爆在最近十几年：深度学习配上暴增的化学数据库，让模型第一次"见多识广"。引爆点尤其出现在蛋白质结构预测上：从一条氨基酸序列直接猜三维结构，精度在近年出现飞跃，让"先有结构才有功能"的瓶颈被打通——这等于给药物设计装了一台望远镜，靶点长什么样先看清，药才好往哪打。从预测蛋白结构到生成全新分子，计算化学跨过了"算已知"到"生成未知"的门槛。这条线的意义在于——它把第 25 讲全合成"倒着想"的活，部分交给了算法：化学家不再只靠经验和逆合成手动拆解，而是让模型在亿万个可能路线里帮着导航。每一次"让机器参与造物决策"，都是一次对"自然与人造之间那条线"的重新划定。

破除误解

误解一：计算能完全取代实验。错，而且会害事。第一性原理有近似误差，选不同的算法版本结果可能漂移；数据驱动模型更受训练数据偏差影响——没见过的机制它容易瞎猜。算出来的结论必须回到实验验证。计算是"导航仪"，不是"目的地"，它告诉你往哪开，但不保证路上没坑。

误解二：人工智能能凭空发明任何药。错。生成模型本质是在"训练数据分布"里做聪明的拼接与外推，对全新作用机制仍很弱；更关键的是，"算出来活性好"不等于"在人身上安全有效"——吸收、代谢、分布、毒性，很多环节模型算不准。事实是，真正由人工智能设计、走到临床并证明有效的分子，目前仍是个位数，大量宣称还停在"工作假说"阶段：它为什么被提出（缩短研发周期）、需要什么证据才能晋级（严格的临床有效性与安全性数据）、若成立意味着什么（造物从试错变导航，自然与人造的线再被擦淡），都得等真实病人身上的结果说话。

误解三：有了算力，就不需要化学家了。错。问题怎么提、数据怎么挑、模型结果怎么判、算出来矛盾时信谁，仍靠人的化学判断。人工智能是放大了化学家的"手"和"眼"，而不是替代了"脑"。把算法当裁判、把化学家当操作员，是本末倒置。

现实落点

落到制药现场，这是最被寄望也最该冷静看待的一块。蛋白质结构预测让研究者能先看清"敌人在哪"——靶点长什么样，药物才好往哪打；分子生成加虚拟筛选，能把上百万候选先砍到几百个再进实验，省下的时间和经费是数量级的。已有少数由算法设计、进入临床的分子公开报道——例如用生成模型重新发现了某种抗生素骨架、或设计出口能破坏细菌膜的短肽——但正如前面强调，多数仍处在验证中，属于「工作假说」，远没到"AI 包办制药"的地步。更常见也更稳的，是算法帮化学家"缩小候选集"：把上百万个分子先算到几百个再进实验，把十几年的盲筛压缩成几个月的有向搜索。它现在的真实角色，是"超级助手"而非"自动发明家"。把话说得更直白些：算法擅长在已知空间里找好答案，却不擅长提出人类还没想到的问题。具体说，针对耐药菌，生成模型能从海量分子里挑出传统筛选会漏掉的骨架，再把最有戏的几个送进实验，把"大海捞针"变成"按图索骥"；"老药新用"也是稳落地——把已知安全的分子重新用模型筛一遍，找新适应症，这条路上算力已经帮上忙。更稳的落地是"老药新用"：把已知安全分子重新筛一遍，找新适应症，这条路上人工智能已经帮上忙。

落到催化与材料现场，计算同样在改写试错。设计一种新催化剂（呼应第 21 讲），过去要合成几十个配方挨个测；现在可以先算活性位点、算反应物怎么吸附、算哪一步最卡，只把最有戏的几个送去合成。电池正极、光伏吸光层，也能"反向设计"——先定下想要的性质，再让算法反推该用什么组成。这和上一讲纳米化学是搭档：纳米结构调尺寸调性质，计算帮你在合成前就猜准哪个尺寸哪个形貌最好。落到材料现场，反向设计已在光伏里见效：钙钛矿这类新吸光层，成分空间巨大，靠计算先筛出稳定又高效的配比，再送去合成，省去海量试错（呼应第 22 讲材料化学）；电池电解质的配方优化，同样越来越多交给模型先算后验。

落到环境与代价现场，计算毒理是一把没被充分利用的扫帚。一个新分子在投产前，可以用模型预测它会怎么降解、会不会在生物里累积、代谢产物有没有毒（呼应第 24 讲绿色化学）。理想情况下，"会不会变成永久污染物"在造之前就算出来，而不是像氟利昂、全氟类物质那样，几十年后才知道闯了祸。这正是"从源头设计"的算力版本——把第 24 讲说的"收拾烂摊子"提前到"根本不造烂摊子"。比如某类含氟化合物，模型能在设计阶段就预警"它降解慢、易在脂肪里累积"，化学家据此换一个易断的骨架，避开重蹈全氟类物质的覆辙。算力最该骄傲的，不是造出多神奇的分子，而是帮我们少造几个会赖着不走的分子——把代价算在出厂之前。

前沿假说档案（标注身份）：「工作假说」——由人工智能从头生成、自然界不存在的候选药物与功能分子。它被提出的理由很硬：传统研发又慢又贵，若能由算法直接产出高活性、低毒性的分子，等于给"重造物质"装上了自动驾驶。但它要晋级为可靠方法，必须跨过三道坎：第一，模型在全新化学空间的外推误差要有严格标定；第二，生成分子的"可合成性"要被验证（第 25 讲逆合成能不能落地）；第三，也是最难的一关——临床上的安全与有效，模型绕不过真实人体。它若成立，意味着"自然与人造之间那条线"被擦到近乎透明：分子可以在没被合成、没在自然界存在过时，就被人类的算法"想"出来。但想出来不等于该造出来，尤其当分子关系到生命与生态。

现实落点收束：算力把化学家的"手"伸到了造物之前——先算蓝图，再决定造不造、怎么造。这让"重划自然与人造的边界"多了一种全新工具：分子可以没被合成，就被"推算生成"。但算得再准，最后也要回到实验与伦理：机器生成的不代表该造，尤其涉及生命、环境与不可降解的分子。能算出来，和该不该造出来，是两件事。

承前启后

本讲为整条线立起"用算法导航造物"的能力：从第一性原理到数据驱动，从"算已知"到"生成未知"。它把第 11 讲热力学、第 23 讲分析、第 25 讲全合成、第 26 讲纳米，接到一条"先算后造"的新范式上——我们不必再只靠双手和运气，算力成了化学家的另一双手。这一步又一次重划了"自然与人造之间那条线"：分子从"被发现的"变成"被生成的"。它没让化学家失业，而是把人从重复试错里解放出来，去做只有人能做的定义问题与判断结果。它没有改变一个老事实：最难的永远不是"算得准"，而是"算完之后，落不落得地、该不该落"。

但所有这些本事——合成、纳米、计算——最终都指向一个最古老也最尖锐的化学之问：一堆无生命的简单分子，是怎么自发组织成有生命的？ 我们已经能造出复杂分子、能搭纳米结构、能算准性质，可"生命"这件事，似乎比"复杂"多了点什么。下一讲，生命起源与化学演化，正面接手这条线，去问那个门槛到底在哪。

一句话记住：让算法在造物之前先画出蓝图，化学就从"试错的工匠"变成"带导航的工程师"——但蓝图再漂亮，落地的锤子和该不该落下的判断，依然在人手里。每一次化学的进步，都是一次对"自然与人造之间那条线"的重新划定。

排版设置

朗读菜单

全屏专注式阅读说明

化学通识 第27讲——计算化学与AI制药：用算法设计分子

场景钩子

原理讲透

来龙去脉

破除误解

现实落点

承前启后

化学通识第27讲——计算化学与AI制药：用算法设计分子