Drug Discov. Today｜跨越化学语法与生物语义的鸿沟，大语言模型在分子设计中的前沿进展

分子设计的核心挑战在于如何将“可写的分子结构”与“具有生物功能的分子”联系起来。化学语法指的是分子表示的规则体系，例如价态、环结构及SMILES表达的合法性；而生物语义则关乎分子在生物系统中的作用，如结合活性、毒性及通路调控。

在大语言模型框架下，这种语义对齐可分为三个层面：结构语义（涉及三维构象与结合位点匹配）、功能语义（对应活性与药效等表型特征）以及知识语义（来源于文献与数据库的生物医学知识）。模型通过多模态预训练，将化学结构、生物序列与文本信息映射到统一空间，从而实现跨领域理解。

图1 从传统“孤立模型”到LLM统一框架的转变

在分子表示方面，SMILES仍是最常用形式，但其对语法错误敏感。SELFIES等新型表示方法通过设计保证100%语法合法性，但会带来序列长度增加等问题。进一步地，片段级表示与图结构表示能够更好地保留化学结构信息，提高可解释性与可合成性。

蛋白质则通常以氨基酸序列表示，这种“生物语言”隐含了三维结构与功能信息。将蛋白序列作为条件输入，可以实现针对特定靶点的分子生成。

在模型架构上，研究主要集中在三类：一是编码器模型（如ChemBERTa）用于表征学习与性质预测；二是解码器模型（如MolGPT）用于分子生成；三是编码器-解码器模型用于反应预测与逆合成分析。此外，MoE（专家混合）结构与统一Transformer框架进一步提升了多任务能力。

图2 多模态表示体系，从1D序列、2D图结构到3D几何信息，并结合蛋白序列与文本知识，在统一模型中实现融合。

在分子设计的早期阶段，大语言模型主要依赖序列信息（如SMILES或SELFIES）进行分子生成与优化。这种“序列驱动”的设计范式本质上是将分子看作一种语言，通过学习其语法规则与统计分布来生成新结构。随着模型规模扩大与训练策略改进，这类方法逐渐从简单的随机生成转向“可控生成”，即通过提示词或条件输入对分子属性进行精细调控。

在这一框架下，研究者可以通过自然语言或结构化指令直接指定目标性质，例如“提高水溶性”“降低脂溶性”或“避免心脏毒性”。模型在生成过程中将这些约束映射到潜在空间，从而生成符合要求的分子。这种能力显著降低了传统药物设计中依赖经验规则与反复试错的成本，使得分子优化从“人工调参”转向“语言驱动”。

进一步地，序列模型还可以结合外部评估工具形成反馈机制，例如通过对接评分、QSAR模型或ADMET预测结果，对生成分子进行实时筛选与再优化。这种闭环式优化使模型能够在多目标之间寻找平衡，例如在活性与溶解性之间进行权衡。然而，由于序列表示本身缺乏空间信息，这类方法在处理结构复杂或依赖三维构象的任务时仍存在局限。

随着研究深入，单纯基于序列的建模逐渐难以满足药物设计对空间结构与生物语义的需求，多模态架构成为新的发展方向。这类方法通过融合化学结构、蛋白质信息以及文本知识，实现对分子行为的更全面理解。

在结构感知框架中，分子不再只是线性序列，而是以图结构甚至三维坐标形式参与建模。模型通过图神经网络或几何深度学习模块提取空间特征，再与语言模型的语义表示进行融合，从而在同一模型中同时处理“结构”和“语义”。这种融合带来的关键优势在于能够显式建模分子与蛋白口袋之间的空间匹配关系。模型不仅能够生成化学上合理的分子，还能考虑其是否能够“嵌入”目标蛋白的结合位点，从而提升设计结果的实际有效性。同时，多模态模型还可以整合生物医学文献中的知识，使分子设计具备更强的生物学解释能力。从发展趋势来看，这类架构正在向统一基础模型演进，即在一个模型中同时处理2D结构、3D构象、蛋白序列与文本信息。这种统一表示为复杂任务（如蛋白-配体共设计）提供了新的可能性。

图3 结构感知框架，包括多模态输入（序列、图结构、3D坐标）、融合架构（GNN与Transformer结合）以及结构条件生成（针对蛋白口袋设计配体）。

大语言模型的真正潜力不仅体现在生成能力上，更体现在其作为智能体参与完整科研流程的能力。在药物研发中，这种能力体现为对设计-合成-测试-分析（DMTA）全过程的自动化控制。

在这一体系中，模型不再只是生成分子，而是作为决策核心，协调多个工具与模块完成复杂任务。例如，在设计阶段生成候选分子后，模型可以自动调用分子对接程序评估结合能力，再通过毒性预测模型筛选安全性，随后根据结果调整设计策略。更进一步，模型还可以参与逆合成规划，将目标分子转化为可执行的化学反应路径，并生成实验控制代码，实现与自动化实验设备的联动。这种从“虚拟设计”到“真实实验”的贯通，使药物研发从传统的人机协作模式转向高度自动化的闭环系统。当实验结果反馈回模型后，系统能够基于真实数据进行迭代优化，从而逐步逼近最优分子。这种自我强化机制使得药物研发不再依赖线性流程，而成为一个动态、自适应的探索过程。

图4 完整DMTA（设计-合成-测试-分析）闭环，LLM作为核心控制器，实现从虚拟设计到真实实验的自动优化。

与自然语言任务不同，分子生成的评估涉及多个维度，且每一维度都直接影响其实际应用价值。传统评估通常从化学合法性出发，确保生成分子满足基本化学规则，例如价态正确、结构闭合等。在此基础上，新颖性与多样性成为衡量模型探索能力的重要指标。高新颖性意味着模型能够跳出训练数据的限制，而高多样性则有助于覆盖更广泛的化学空间，提高命中潜在候选分子的概率。

然而，仅依赖这些统计指标难以反映实际药物开发需求。更高层次的评估需要引入药物相关性质，如QED评分、logP、分子量及Lipinski规则等，以判断分子的“药物相似性”。对于结构驱动设计，还需要考虑结合能、构象合理性及空间匹配程度。

近年来，评估体系逐渐从单一指标转向综合评价框架，将化学可行性、生物活性与合成难度纳入统一体系。这种转变反映了从“生成好分子”到“生成可用药物”的目标升级。

图5 从孤立指标评估向综合系统评估的转变，强调合成可行性、生物相关性与结构合理性的协同。