十一月四日公开的一项研究，把AI筛肽的完整链条走了一遍。靶点是骨质疏松治疗里被反复验证的RANKL蛋白，做法是先建肽库、用两套对接工具交叉筛选、用序列生成模型做优化、过一遍成药性评估，再进细胞与动物实验，最后用结合实验确认机制。从算力到实验台，中间没有断层。
整条路线分四道工序。第一步建库，把已知的肽序列收集起来，按长度、电荷、疏水性做初步分类，形成一个可以检索的候选池。第二步对接，把每个候选放进靶点的结合口袋，算一个结合能，把明显不合格的剔掉。
第三步优化，用序列生成模型在保留关键位点的前提下改写侧链，生成一批自然界里没有的变体。第四步过滤，跑成药性评估，看吸收、分布、代谢、排泄与毒性这几项有没有硬伤，把算得出好分数但根本进不了体内的候选清掉。
四道工序的顺序不能乱。先对接再优化，是因为要保住与靶点结合的那几个关键残基；先优化再对接，会得到一堆结合好但结构诡异的序列。先过滤再生成，能省掉大量无意义的算力。这类流程设计比模型选型更影响成败。
建库这一步也决定了上限。肽库的来源通常包括天然肽、文献报道的活性肽、以及按靶点家族推断的类似序列。库的多样性不够，后面所有环节再精细也只能在很小的空间里打转。研究里没有公布库的具体规模，这恰恰是评估这类工作成色时最该追问的一项。
研究里同时用了经典对接软件与一个基于点云的深度学习模型。两者的判断逻辑不一样：前者按力场与几何形状打分，物理意义清楚，但对柔性构象处理粗糙；后者从大量结构中学习过结合模式，速度快、能捕捉一些非直观的相互作用，但缺乏可解释性。
两个都跑，取交集，是这套流程的核心手法。只信物理打分，容易漏掉那些构象上看起来别扭但实际上能结合的肽；只信学习模型，容易命中训练集里的模式而错过真正新颖的结构。取交集会牺牲召回率，换来命中率的提升。
代价是算力翻倍。对肽这种长度短、构象空间相对小的分子还能接受，换成抗体这类大分子就跑不动了。这也是为什么AI制药的进展往往先在肽、小分子这些领域出现，而不是在最难的靶点上先突破。
还有一种做法是分工而不是交叉：一个工具负责粗筛，另一个只复核排名靠前的几十个候选。这样算力花得更省，但会漏掉那些被粗筛误杀的候选。选哪种，取决于候选池的大小和对漏检的容忍度，没有通用答案。
用循环网络做序列优化这件事，容易和写文本的模型混为一谈。它的任务其实是条件生成：给定一个母序列与一个目标属性，比如结合更强、更稳定、更容易合成，逐位改写氨基酸，同时保证序列仍然可折叠、不引入免疫原性风险。
这类模型的训练数据是已知的肽序列及其活性标注。数据量通常只有几万条，远小于语言模型，所以模型必须做得很小、约束很强。研究里把它放在对接筛选之后，只对通过初筛的少数候选做局部优化，而不是从零生成，这也是小数据场景下的常规做法。
局限同样明显。模型学到的是序列与属性之间的相关关系，不是物理规律。它给出的高分组序列表面上很好，实际合成出来可能折叠错、可能聚集、可能被血清里的酶几分钟切碎。这些都要靠实验回答，模型只能把候选数量从百万级压到几十个。
ADMET这五项评估在论文里通常只有一行字，实际却是最容易被低估的环节。一个肽在体外结合得再好，如果口服不吸收、半衰期只有几分钟、或者在高浓度下对肝细胞有毒，它就走不到临床。
计算评估能给的是初筛。溶解度、渗透性、血浆蛋白结合率这些指标有成熟的预测模型，准确率够用来排序，不够用来定论。研究里把它放在最后一步，是因为它最便宜也最快，能在进实验室之前砍掉大部分明显不合格的候选。
真正的门槛在后面。肽类药物的通病是稳定性差、膜透过性差，这两个问题在计算阶段几乎看不出来，必须做血浆稳定性实验、做细胞渗透实验。所以这条流水线省的是前面的时间，省不了后面的验证，把AI的作用理解成加速筛选比理解成替代实验更准确。
细胞层面用的是破骨细胞分化实验，通过特异性染色看候选肽能不能抑制破骨细胞的形成。这一步相对便宜，一次能跑几十个浓度梯度，用来确定有效浓度区间。
动物层面用的是去卵巢模型小鼠，这是骨质疏松研究的经典模型：切除卵巢后雌激素水平下降，骨吸收加快，骨量快速流失，用来模拟绝经后骨质疏松。要评估候选肽能否减缓骨丢失，需要分组、给药数周、做组织切片与骨密度检测，还要做免疫安全性评估看有没有引起异常免疫反应。
这一步的成本与周期决定了整条流水线的节奏。前面几个月的计算，可能在动物实验阶段被一次阴性结果推翻。这也是AI制药最现实的定位：它让进入动物实验的候选更靠谱，从而减少失败批次的浪费，而不是让失败消失。伦理审批与动物福利的约束也在收紧，能少做一批就是实实在在的收益。
研究最后用下拉实验与共免疫沉淀确认候选肽与靶点的直接结合。这两种实验的逻辑很朴素：把靶点或者候选肽固定住，看另一方会不会被一起拉下来，再用免疫印迹验证。它们回答的是一个非常具体的问题：这两者到底有没有物理接触。
这一步不能省。计算对接给的只是预测，细胞实验给的是表型，两者之间缺一个因果链。如果候选肽确实抑制了破骨细胞，但并没有结合RANKL，那它可能是通过别的通路起效，后续的优化方向就完全错了。
把整条链路放在一起看，这项工作的价值不在某一个模型多先进，而在流程完整：每个结论都有对应层级的证据，从结合能到细胞表型到动物药效到分子互作，逐层收敛。这种“干湿结合”的研究范式，正在成为AI制药领域的标准写法，也是审稿人与产业方判断成色的主要依据。