要点
- 场景：药物发现后期的分子修饰——拿到一个先导化合物，要在成千上万种可能的类似物中决定先合成哪些，反应位点预测（哪里断键、哪里成键）是关键。
- 方法：Minot 等人在《Nature Computational Science》提出主动学习+几何深度学习闭环：模型主动挑选最值得做的实验，实验数据回流持续改进模型；对称感知网络从每个标注实验中榨取更多信息。
- 验证：在支架切分（更贴近真实发现场景）下，图神经网络明显优于 XGBoost；研究同时产出了公开数据集，形成了数据高效化学的验证模板。
解读
这篇的亮点是“闭环”而非单点模型：主动学习让实验选择本身变成优化问题，几何深度学习则让小数据发挥大作用。作者也很坦诚——EquiformerV2 在最复杂的底物上精度下降，领域仍需要更大更多样的公开反应数据。未来的问题不再是“这个分子能不能造出来”，而是“成千上万个类似物里先造哪个”。
原文链接：AI Chemists Learn Where to Break Molecules: Active Learning Steers Drug Discovery Reactions，正文为摘要整理，仅供参考。
