大语言模型能做药物发现吗？一个基准测试说：别太乐观
大语言模型能做药物发现吗？一个基准测试说：别太乐观
大语言模型（LLM）在文本理解、代码生成、数学推理等任务上的表现令人印象深刻。于是很自然地出现了一个问题：这些模型能不能用在药物发现上？
药物发现是一个极其昂贵、极其缓慢的过程。一个新药从靶点发现到上市通常需要 10-15 年、数十亿美元。如果 AI 能加速其中任何一个环节，价值都是巨大的。
但”能写文章”和”能设计药物”之间，隔着一道巨大的鸿沟。
DrugPlayGround：一个系统的基准测试
2026 年初，Liu 等人在 arXiv 上发表了 DrugPlayGround，一个专门评测 LLM 和 embedding 在药物发现任务上表现的基准测试。
这个基准涵盖了药物发现流程中的多个关键任务，包括：
- 分子性质预测（这个分子有没有毒性？溶解度好不好？）
- 药物-靶点相互作用预测（这个分子能不能和目标蛋白质结合？）
- 分子生成（设计一个具有特定性质的新分子）
- 反应预测（这个化学反应会生成什么产物？）
- 文献挖掘（从海量论文中提取药物相关信息）
测试的模型包括了主流的 LLM（GPT-4、Claude、Llama 等）以及专门为药物发现训练的 embedding 模型。
结果：LLM 在某些任务上还行，在另一些任务上很差
基准测试的结果可以概括为一句话：LLM 是不错的”阅读理解者”，但不是合格的”分子设计师”。
在文本类任务上——比如从论文中提取药物信息、总结临床试验结果、回答药物相关问题——LLM 的表现相对较好。这不奇怪，因为这些任务本质上就是”读懂文本”，这正是 LLM 被训练来做的事情。
在分子性质预测任务上——比如预测一个分子是否有毒性——LLM 的表现参差不齐。一些简单的性质预测任务，LLM 能给出大致正确的判断。但对于需要精确物理化学直觉的任务（比如预测分子的三维构象与蛋白质的结合方式），LLM 的表现远不如专门训练的小模型。
在分子生成任务上——设计一个具有特定性质的新分子——LLM 的表现最差。这不是因为 LLM “不聪明”，而是因为分子生成需要的不是语言能力，而是对三维空间、化学键、电子分布的物理理解。LLM 是在文本上训练的，它对分子的理解停留在 SMILES 字符串（一种用文本表示分子的方式）的层面，而不是分子的真实三维结构。
为什么”能写文章”不等于”能设计药物”
这个差距的根本原因是：语言和分子遵循不同的物理规律。
语言是一维的符号序列。一个句子的意思主要由词序和词汇选择决定。”猫追老鼠”和”老鼠追猫”用的是同样的词，但意思完全不同——区别只在于词序。
分子是三维的实体。一个分子的性质主要由它的三维结构决定——原子之间的距离、键角、电子云分布、疏水性表面。同样的原子组成（同样的”词”），不同的三维排列（不同的”语序”），可能产生完全不同的生物学性质。
LLM 学会了在一维符号序列中找规律，但它没有学会在三维空间中理解物理。这就像一个只读过菜谱的人——他知道红烧肉的做法写在纸上是什么样的，但他从没进过厨房，不知道火候、油温和肉的纹理是什么关系。
LLM 在药物发现中就没有价值吗
不是。但它的价值可能不在于”直接设计药物”，而在于辅助药物发现流程中的其他环节：
文献挖掘和知识整合。 药物发现涉及海量的文献——临床试验报告、基因组数据、蛋白质结构数据、专利文献。LLM 在处理这些文本数据方面有天然优势。它可以帮你从几万篇论文中找到与你的靶点相关的信息，这比人工阅读快得多。
合成路线规划。 一个药物分子设计出来之后，还需要找到一种可行的化学合成方法。LLM 在分析化学反应文献、预测合成路线方面可能有价值——因为这本质上是一个”文本推理”问题（从已知反应推导未知反应）。
实验设计和数据分析。 LLM 可以帮助设计实验方案、分析实验结果、生成实验报告。这些任务主要是文本处理，LLM 能胜任。
但核心的分子设计任务——生成新的候选分子、预测分子与靶点的结合方式——目前仍然需要专门的模型。 这些模型需要理解三维结构、物理化学性质、量子力学效应，而这些是 LLM 目前不具备的能力。
这和前面几篇文章有什么关系
在本系列的前几篇文章中，我们讨论了生成式模型（GAN、扩散模型、Flow Matching）在分子设计中的应用。这些模型之所以有效，是因为它们直接在分子的结构空间中操作——学习三维结构的分布，而不是文本的分布。
CAGenMol 学习的是分子在三维空间中的合理构象。EvoFlows 学习的是蛋白质编辑在结构空间中的流动。Proteina-Complexa 学习的是蛋白质结合物的结构先验。
这些模型和 LLM 的根本区别在于：它们的”语言”是分子结构，而不是文本。 它们读的不是句子，而是原子坐标。
DrugPlayGround 的结果恰好验证了这个直觉：在需要物理化学直觉的任务上，专门训练的结构感知模型远优于通用的语言模型。
边界在哪里
第一，benchmark 设计本身的局限。 DrugPlayGround 选择的任务和评估指标可能不能完全代表真实的药物发现需求。在实际的药物研发中，很多任务是模糊的、多目标的、需要领域专家判断的，不容易用标准化的 benchmark 来评估。
第二，LLM 在快速进化。 这篇论文测试的是 2025-2026 年初的模型。LLM 的能力在飞速提升，今天的”不能”可能明天就变成”能”。更重要的是，多模态 LLM（同时处理文本和结构数据）的发展可能会改变这个格局。
第三，LLM + 专门模型的组合可能比单独任何一个都强。 一种可能的未来是：LLM 负责理解文献、设计实验、分析结果，专门的结构模型负责分子设计和性质预测，两者通过 agent 框架协作。这种”分工合作”的模式可能比”一种模型做所有事情”更现实。
第四，”不能直接设计药物”不等于”没有价值”。 药物发现是一个漫长的流程，LLM 即使只能加速其中的 10%，也可能节省数亿美元和数年时间。
对不同读者意味着什么
如果你在做计算药物设计： 不要指望 LLM 替代你的专业模型。但可以考虑用 LLM 来辅助文献调研、数据预处理和结果解释。选择工具时要看任务的性质——需要物理直觉的任务用专门模型，需要文本理解的任务用 LLM。
如果你在投资或管理 AI 制药项目： 对”用 LLM 做药物发现”的宣传保持警惕。目前的证据表明，LLM 在核心的分子设计任务上表现不佳。真正有价值的 AI 制药工具仍然是那些专门针对分子结构设计的模型。
如果你是这个系列的读者： 从生成式模型的潜力到 LLM 的局限，这个系列展示了一个核心观点：不同的 AI 技术有不同的适用边界。 没有一种模型能解决所有问题。理解每种模型能做什么、不能做什么，比追逐最新方法更重要。
参考文献
- Liu, T. et al. (2026). DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery. arXiv preprint.
- Didi, K. et al. (2026). Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute. arXiv preprint. ICLR 2026 Oral.
- Li, Y. et al. (2026). CAGenMol: Condition-Aware Diffusion Language Model for Goal-Directed Molecular Generation. arXiv preprint.