AREX Viewpoint Article
AI真的理解化学吗？Leash Bio的实验与教训
导读
在 AI 药物发现仍被公共数据捷径困扰的背景下，Leash Bio 于近日发布 Minos：一组“预先测量好”的实验室世界，智能体在其中搜索药物结合分子，并获得真实测量结果作为反馈。Leash 同时公开完整预印本、博客和开放数据，使这套环境从演示走向可复制的实验平台。
Minos 把强化学习引入药物化学。此前智能体大多在模拟器或静态 benchmark 上优化；现在它可以在数百万分子空间中，以极小查询预算完成结构-活性关系探索。Ian Quigley 在视频中说，代理仅凭 10 个初始结合物和 100 次查询，就能从 650 万分子中找出最佳结合物。这种“可重放的现实”把静态预测任务变成可重复实验的闭环。
这一发布之所以重要，是因为 AI 药物发现正被“化学家社会学”捷径扭曲。Leash 已证明，仅用分子对应化学家的身份概率向量，就能在 ChEMBL 活性预测中达到与化学式相当的水平；BELKA 竞赛中，所有模型在完全不同化学库上都没有超过随机水平。Minos 是对这些问题的工程回应：它测量包含人类不会主动选择的反事实组合，迫使模型从真实反馈中学习化学，而不是记忆人类的偏好。
视频的价值在于拆解 Minos 背后的方法论。Ian Quigley 详细说明 Leash 如何用 DNA 编码库、多条形码控制、活性悬崖和蛋白突变来获得可复现信号，以及 Hermes 为什么只用内部数据训练、采用极简架构，却能在外部公共数据上达到与 Boltz 相当的性能。这些不是模型调参技巧，而是判断智能体沙盒是否可靠的硬标准。
更关键的是，视频给出了一套评估新发布环境的决策框架：Minos 是否有效，不取决于模型规模或榜单分数，而取决于它提供的是否是干净、可复现、反事实的测量。Leash 能声称“一个周末运行超过 10,000 个药物化学活动”，其真正壁垒是多年积累的实验错误文化，而不是资金或算力。
因此，在 Minos 发布的当下，这条视频不是后记，而是理解其意义的入口。它提醒读者，当“可重放的现实”成为热门概念时，必须追问数据从何而来、模型有没有学过化学家的指纹，以及实验闭环是否经得起突变和活性悬崖的检验。这正是视频为当前新闻补充的独特价值。
核心结论
- 公共化学数据中的模型主要在学习化学家的行为指纹，而非化学规律：Leash Bio证明仅用“化学家身份概率向量”替代化学结构，就能在ChEMBL活性预测中达到与使用化学式相当的效果，说明公共数据模型存在系统性社会学偏差，其真实预测能力被普遍高估。
- 在真正未见过的化学空间上，所有参赛模型都无法超过随机猜测：BELKA竞赛的三层难度设计显示，模型只在共享构建块时表现提升，而在完全不同的化学库上包括冠军在内的所有参赛者均未超过随机水平，直接划定了当前AI药物发现的能力边界。
- 用实验设计对抗记忆化：活性悬崖和蛋白突变迫使模型学习真实物理：Leash通过破坏蛋白结合口袋暴露了现有结构模型的记忆化问题，并将突变数据纳入训练使Hermes的注意力分布更加均匀，证明精心设计的负样本可以纠正模型的捷径学习。
- 数据质量优先于模型复杂度：Hermes用极简架构在外部数据上达到与Boltz相当的性能：Hermes仅用内部生成的数据训练、在外部公共数据上预测，避免了公共数据中的社会学捷径，其与Boltz相当的表现说明训练数据分布对模型行为的影响可能大于架构复杂度。
- 可复现的化学测量数据是语言模型推理代理的强化学习沙盒，也是Leash的真正护城河：Leash的测量化学景观允许代理在百万级分子空间中用极小预算完成SAR优化，关键在于数据包含人类不会做出的反事实选择；而这种数据质量来自对实验错误文化的长期积累，难以被资金快速复制。
观点拆解
1. 公共化学数据存在严重的“化学家社会学”捷径，模型学到的是人而不是化学
-
模型仅凭分子结构就能识别出合成它的化学家，说明公共数据中隐藏着强烈的“化学家指纹”：Leash Bio 的起点是一个令人不安的观察：一位资深药物化学家仅凭肉眼就能判断某个分子出自哪位同行之手。他们随后用 ChEMBL 数据训练分类器，仅从分子结构预测其合成者，在 1,815 位化学家中达到了 60% 的 top-5 准确率。这意味着分子结构本身携带了大量关于“谁做的”而非“它有什么活性”的信息，为后续的模型偏差问题埋下了伏笔。
“一位药物化学家走过来说：“嘿，这看起来像 Steuart Tribert 做的分子。”我们当时就想：天哪，你只是路过就能看出这是谁做的？这太可怕了。”
“我们训练了一个分类器，仅通过观察分子本身来预测化学家。我们得到了 60% 的 top-5 准确率。”
-
仅用“化学家身份概率向量”替代化学结构，活性预测效果与使用化学式相当，证明模型学到的是社会学而非化学：Leash Bio 做了一个关键实验：他们不向模型提供任何化学结构或分子式，只提供一个 1,800 维的“创作者概率向量”，即该分子由哪位化学家合成的概率分布。结果，用这个纯社会学表示训练的模型在 ChEMBL 活性预测上的表现与使用化学式训练的模型一样好，而将两者结合也没有带来有意义的提升。这直接证明公共数据中的模型可能主要在学习化学家的风格、偏好和决策指纹，而非真实的化学物理规律。
“我们选择不用任何化学结构或分子式来表示分子，而只是用一个创作者概率向量。你可以用这种表示来训练模型预测 ChEMBL 的活性，它的效果和使用化学式一样好。”
“我们真的认为它学到了很多社会学。它学的不是真实规律。它只是在学习那些试图开发这些分子的人的选择和指纹。”
-
化学家的“未记录决策”和“迷信偏好”是偏差的深层来源，模型在训练数据的“尾气”上学习必然陷入麻烦：Ian Quigley 进一步解释了这种社会学偏差的成因：化学家在组织中会做出大量“不做某件事”的决策，但这些被放弃的选择不会被记录下来，而这些未记录的决策本身就是一种指纹，会落在最终被合成的分子上。此外，化学家往往带有“迷信”色彩，会偏爱某些曾在临床项目中奏效的构建模块，并反复使用它们。模型从这些被人类决策过滤过的“尾气”数据中学习，学到的不是化学真相，而是人的行为模式。
“你会做出很多“不去做某件事”的选择，而你并不会把这些写下来。不做那个选择本身就是一个指纹，它会落在最终被做出来的东西上。”
“这个构建模块在这个进入临床的项目中有效，我很喜欢它。也许它有助于溶解性。所以我要把它放进我喜欢的东西里。然后你的模型就会学到：哦，化学家喜欢这个，因为他们用了它，所以它可能有效。”
“当你用这些“尾气”来训练模型时，你可能会陷入麻烦。”
-
“聪明汉斯”类比揭示：模型不是在理解化学，而是在读取数据创造者的社会学信号：Ian Quigley 用“聪明汉斯”这匹会做算术的马作为类比：汉斯并非真的会算数，而是在读取主人的微表情和姿态变化来判断何时停下。同样，在公共化学数据上表现良好的模型，可能并非真正理解了化学，而是在“读取”数据创造者的社会学信号——化学家的风格、偏好和决策模式。这个类比将技术发现上升为对 AI 药物发现领域的根本性警示：如果评估方式不改变，模型的真实能力可能被系统性高估。
“结果发现那匹马只是在观察主人的姿态和微表情。当它数到七的时候，主人在六的时候就变得很兴奋，对吧？”
“你不懂数学。这些模型完全不懂化学。它们只是在记住创造者的社会学。”
2. BELKA 竞赛证明：在真正未见过的化学空间上，所有模型都无法超过随机猜测
-
竞赛数据规模空前，但真正的考验在于评估设计而非数据量：Leash Bio 发布的竞赛数据集包含约 40 亿条物理相互作用，远超当时 BindingDB 不到 300 万条的规模，且全部由一人在家庭地下室完成测量。这说明数据规模本身已不再是瓶颈，关键在于如何设计能够真正检验模型泛化能力的评估方式。
“我们发布了一个大约 40 亿条物理相互作用的数据集，而且全部是由一个人在我家的地下室里测量的。”
“我们想把这个竞赛组织起来，特别是设计评估方式，让它能够在一系列难度范围内真正检验预测能力。”
-
三层难度设计揭示：模型只在共享化学结构时表现提升：竞赛评估被刻意分为三个难度层级：共享构建块的最简单、共享核心骨架但无共享构建块的居中、以及完全不同的化学库最难。结果显示，只有在存在共享构建块时模型才有性能提升，而在共享核心骨架但无共享构建块的情况下提升有限。这表明模型学到的是对已知化学片段的记忆，而非可迁移的化学规律。
“对于第三个也是最难的评估，我们使用了一个在 Leash 设计的完全不同的化学库，没有共同的核心、没有共同的构建块、不同的连接化学，一切都不一样。”
“在有共享构建块的部分，根据靶点的不同，我们看到了一些性能提升；在没有共享构建块但核心骨架仍然相同的情况下，提升有限。”
-
最难评估中无人超过随机水平，冠军与噪声教程无异：在完全不同的化学库这一最难评估上，包括冠军在内的所有参赛者都未能超过随机猜测水平。更令人震惊的是，前五名中有三个是带有噪声的教程笔记本。这直接证明了当前模型在分布外化学空间上的泛化能力几乎为零，AI 药物发现的预测边界远比宣传所暗示的要窄。
“当你进入最具挑战性的评估时，没有人做得比随机猜测更好。”
“冠军是 Victor Schlapov，他采用了一种略有不同的方法，他的方法不错，但和其他所有人一样，没有比随机猜测更好。前五名中有三个是带噪声的教程笔记本。”
3. DEL 加测序是当前最具可扩展性的小分子结合测量方式，但需要大量工程化控制才能获得可复现信号
-
DEL 将小分子筛选从数百万级单管操作提升到数万亿级单管并行测量：传统逐管筛选受限于物流和孔板操作，全球最大的单管化学库只有低个位数百万分子；而 DNA 编码库通过给每个小分子挂上 DNA 条形码，可以在一个试管中同时筛选海量分子，再通过测序读出结合结果。Ian Quigley 指出目前最大的 DEL 已达到 40 万亿分子，这使 DEL 成为测量小分子相互作用最具可扩展性的技术路线。
“如果一次只做一个试管，世界上最大的化学库也只有低个位数百万分子。而用 DEL，目前已经制造出的最大化学库是 40 万亿分子。”
“DEL 至少在我们看来是测量小分子相互作用最具可扩展性的技术，因为你可以在一个试管里放入数百万个分子。”
-
测序成本持续下降使 DEL 读数在经济上可行，并直接影响数据收集策略：DEL 的可扩展性不仅来自化学库设计，还依赖于测序作为读数方式。Ian Quigley 强调测序极其便宜、高度可扩展且技术成熟，而且成本仍在持续下降。这意味着 Leash 可以把测序成本下降的轨迹纳入数据收集策略，从而支撑大规模、可重复的结合测量。
“测序非常非常便宜，而且还在不断变得更便宜。我们非常关注测序成本下降的轨迹，它对我们思考数据收集方式有直接影响。”
-
DNA 结合假阳性是 DEL 的核心风险，多条形码设计可以识别并排除这类噪声：DEL 实验中大量 DNA 的存在会吸引本身具有 DNA 结合功能的蛋白质，从而产生假阳性信号。Leash 的做法是给同一个小分子设计 32 到 48 个不同的条形码，如果某个条形码异常富集而其他同分子条形码没有，就说明信号来自 DNA 结合而非小分子结合。这种设计还能让团队从富集序列中恢复出已知的转录因子结合基序，作为蛋白质正确折叠和实验有效的内部验证。
“有些蛋白质会粘附 DNA，因为这是它们的工作。然后你把这个实验里塞满了 DNA，把它们扔进去，这就会造成假阳性。”
“我们为同一个小分子设计了 32 或 48 个不同的条形码。如果某个条形码的富集程度远高于其他条形码，即使它们编码的是同一个小分子，你就知道你在结合 DNA 而不是小分子。”
-
DNA 标签对分子的影响通过占位符建模和正交验证来管理，而非假装标签不存在：DNA 条形码本身是较大的分子，可能影响小分子与蛋白质的结合。Leash 的策略不是忽略这一影响，而是在模型训练中显式加入占位符标记 DNA 的位置，让模型知道标签的存在。对于需要推进到药物项目的分子，则必须进行脱 DNA 合成和功能验证，这一过程会带来一定的损耗率。
“当我们训练模型时，我们会放入一个占位符来标记 DNA 的位置。”
“你知道 DNA 就在那里。它没有结合。我们不会假装 DNA 不存在。”
-
Leash 以机器学习训练数据为目标，对 DEL 实验进行远超传统筛选的可复现性工程化控制：Leash 的核心差异在于其目标不是为单个靶点找结合物，而是为机器学习模型生成大规模、可复现的训练数据。Ian Quigley 表示，当他们用新鲜蛋白批次和新化学库批次重跑实验时，大多数情况下会得到相同命中物和相同排序。这种可复现性来自团队在基因组学方法开发和 Recursion 高维生物学噪声控制方面的经验积累，使他们能够系统性地追踪和消除实验噪声源。
“当我们重跑实验时，用新鲜的蛋白批次、制作新一批化学库，经过很多个月的时间，我们大多数情况下会得到相同的命中物和相同的排序。所以它极其可复现且稳健。”
“我们来自真正的基因组学方法开发背景，而不是化学背景。所以我们知道需要怎样调整实验方案，才能从这些奇怪的实验中真正获得好的信号。”
-
化学库标签错误是行业普遍问题，Leash 通过库构建控制来降低误标风险：在混合合成过程中，部分化学反应可能不完美，导致化学库中分子标签与实际结构不一致。Ian Quigley 指出，传统阵列库的标签错误率通常在 20% 到 30%，这是一个巨大的误标问题。Leash 在构建化学库时设计了大量控制措施来缓解这一问题，从而保证训练数据的标签质量。
“当你在混合过程中制造这些化学库时，可能会有一些反应不完美，你所认为的标签翻译可能会有些偏差。所以我们设计了大量控制措施来缓解这个问题。”
“当人们研究这些标签的质量时，你希望它们是好的，但当人们检查时，它们通常有 20% 到 30% 的偏差。这是一个巨大的误标问题。”
4. 通过工程化蛋白突变和活性悬崖，Leash 用实验手段迫使模型学习真实物理而非记忆
-
活性悬崖是迫使模型学习微小化学差异的关键实验设计：Leash 通过故意设计仅有一个原子或一个侧链差异的分子对，制造“活性悬崖”——即微小结构变化导致行为剧变的场景。这种设计让模型无法依赖粗粒度的相似性，而必须关注真正驱动结合的关键化学特征。
“我们认为了追求大量的多样性，尤其是刻意选择的、你可以称之为活性悬崖的东西，是实现这一点的途径。”
“你有两个看起来非常非常相似的东西，除了一个微小的变化，而这个微小的变化驱动了不成比例的行为变化。”
“在蛋白质一侧，我们非常刻意地工程化这些蛋白质中的突变来做同样的事情。”
-
破坏蛋白结合口袋暴露了现有结构模型的记忆化而非物理理解：Leash 通过突变结合口袋中的关键氨基酸来“破坏”口袋，发现当前最先进的结构模型仍会将小分子塞入原本口袋所在的位置。这表明模型记住的是训练数据中的位置信息，而非真正理解氢键、π堆积等驱动结合的物理化学原理。
“你可以改变你给模型考虑的氨基酸序列，用它来破坏口袋。你可以像灌水泥一样把口袋填满，或者把它完全移除。无论你做哪一种，至少我们目前看到的是，如果你用当前最先进的模型去看模型会做什么，它会把小分子塞进口袋曾经所在的位置。”
“如果你破坏了这些相互作用而模型理解物理，那么它大概应该知道不能把分子塞进去。问题在于很多结构训练集没有好的负样本。”
-
竞争性置换与定点突变联合验证了分子的真实结合位点：Leash 使用已知结合口袋的竞争性配体进行置换实验，再对口袋中的关键残基进行物理突变。如果同一批化学系列在两种情况下都消失，而结合蛋白其他位置的分子不受影响，就获得了这些分子确实进入该口袋的强证据。
“我们来做这一个突变，再做一次筛选，然后看，所有那些被堵住洞口的那个东西踢出去的化学物质，在我们破坏口袋时也都消失了。所以现在我们有了非常好的证据，证明它们都进入了那个口袋。”
“我们只丢失了被那个竞争剂踢出去的化学系列。所有其他结合在蛋白质其他位置的都完好无损。所以你没有破坏整个蛋白质。”
-
突变数据训练使 Hermes 的注意力从记忆“绰号”转向真实结合口袋：Leash 发现模型会为蛋白质创建“绰号”来记忆结合行为，而非学习物理。通过在训练中加入大量仅有一个氨基酸差异但行为剧变的突变体，模型被迫关注所有氨基酸而非依赖非保守区域的捷径。训练后 Hermes 的注意力图变得更加均匀，证明实验设计的负样本可以纠正模型的捷径学习。
“如果你有一个看起来几乎完全相同的蛋白质，但有一个微小的差异，然后行为因为这个微小差异而发生了很大变化，你就是在鼓励模型去关注所有的氨基酸。”
“我们用这些额外的突变训练了模型，然后回头看注意力图，现在 Hermes 会均匀得多地关注所有这些东西。所以你基本上是在用注意力图找到它记忆绰号的案例，然后富集口袋中的突变来鼓励它转而关注口袋。”
5. Hermes 用极简架构和严格数据划分，在外部数据上达到与 Boltz 相当的性能
-
Hermes 刻意保持极简架构，目的是快速实验迭代而非追求最先进模型：Ian Quigley 明确表示，Hermes 的设计初衷不是成为最先进的模型，而是为了能够快速进行大量实验迭代。模型仅使用 ESM 蛋白嵌入和 Kvera 化学嵌入，通过交叉注意力组合后预测一个二元标签，结构非常小且简单。这种极简设计让 Leash 能够快速验证数据策略的有效性，而不是把时间花在复杂的模型工程上。
“我们想做一个真的非常非常简单的模型，这样我们就能做大量潜在的实验迭代。它的目的不是成为一个最先进的模型，而是我们想快速尝试一些东西。”
“它极其简单，非常非常小，然后我们在上面训练了一些数据。”
-
交叉注意力是 Hermes 的关键归纳偏置，迫使模型关注蛋白与分子的全局交互：Leash 团队在之前的图卷积模型实验中发现，打乱蛋白质结构坐标后模型性能几乎不变，说明模型只是在记忆局部特征而非理解全局拓扑。因此他们在 Hermes 中引入交叉注意力，作为一种归纳偏置，让模型有机会关注蛋白质不同残基与小分子结构之间的对应关系，而不是简单地将分子分解为独立构建块的加和。
“我们打乱了那些位置坐标，一些模型的性能或多或少保持不变。这让我们觉得注意力机制是超级关键的。”
“交叉注意力在某种意义上迫使某些分子与蛋白质中的某些残基相互作用。或者至少不是迫使，而是提供了这种可能性。它是一种归纳偏置。”
-
Leash 通过构建块聚类划分防止数据泄漏，并用 XGBoost 等基线检验模型真实能力：由于 DEL 具有组合化学结构，简单的按构建块身份划分训练测试集仍可能因相似构建块而导致记忆或作弊。Leash 因此对构建块进行相似性聚类，确保整个聚类不会在训练集和测试集之间重叠。同时，他们坚持使用 XGBoost 等简单基线来检验模型是否真的学到了有价值的东西，避免陷入过度优化单一模型的陷阱。
“我们想出了一个方案，对这些不同的构建块进行聚类。我们基于相似性做了构建块聚类，这样就能避免整个聚类在测试集和训练集之间重叠。”
“对于几乎所有我们做的事情，我们都会用 XGBoost，对吧？你应该用这样的东西来看看它的表现如何。”
-
Hermes 仅用内部数据训练、在外部数据上预测，避免了公共数据中的社会学捷径：Leash 的策略是不在外部公共数据上训练模型，而是只用内部生成的数据训练，然后直接在外部数据上进行预测。Ian Quigley 指出，他还没有看到其他团队在这个任务上完全只用内部生成的数据来训练模型。这种做法从根本上避免了公共数据中诸如「学习化学家身份而非化学本身」之类的社会学捷径问题。
“我们在内部数据上训练模型，而且我们不太喜欢在外部数据上训练模型。所以也许我们应该尝试在外部数据上进行预测，但从未在外部数据上训练过——从未见过它。”
“我还没有看到其他团队在这个任务上完全只用内部生成的数据来训练模型。”
-
Hermes 在外部公共数据上的结合预测性能与 Boltz 相当，且两者在不同蛋白家族上各有优劣：Leash 在 Hermes 论文中使用了约 1300 万次测试、覆盖约 500 个蛋白靶点的外部数据来评估模型，并与当时最先进的结构模型 Boltz 进行对比。结果显示，在结合预测任务上，Hermes 的表现与 Boltz 大致相当。两者在不同蛋白和蛋白家族上各有优劣，Ian Quigley 认为这很可能反映了训练数据分布差异对模型行为的影响，而非单纯的架构复杂度差异。
“我们能够做到的，是在这些公共数据集上，就这个结合问题而言，表现得和那些家伙差不多。”
“如果你看看 Hermes 和 Boltz 在不同蛋白质上的表现差异，我们在一些蛋白质和蛋白质家族上比 Boltz 更好，而 Boltz 在另一些上比我们更好，反之亦然。我们怀疑这是因为训练集中这些蛋白质的分布不同，所以他们可能理解得更多一点，或者老实说，可能记忆得更多一点。”
6. 大规模可复现的化学测量数据可以成为语言模型推理代理的强化学习沙盒
-
语言模型代理可以在百万级分子空间中用极小预算完成结构-活性关系优化：Leash 将测量化学景观转化为可快速查询的强化学习环境，使语言模型代理能够像药物化学家一样进行结构-活性关系（SAR）优化，但规模远超人类职业生涯所能经历的数量。证据显示，代理仅凭 10 个初始结合物和 100 次查询预算，就能从 650 万分子中找出最佳结合物，验证了大规模可复现测量数据作为推理代理沙盒的可行性。
“现在，我们给这些代理 10 个结合物，给它们 100 次的预算，它们就能在这个预算内从 650 万个分子中找出最佳结合物。看起来这个方法确实有效。”
“你可能会在职业生涯中经历几十个这样的过程，也许 50 个。而我们已经运行了超过 10,000 个，而且我们甚至还没有特别努力。”
-
数据中必须包含人类不会做出的反事实选择，代理才能从错误中学习而非复制化学家的社会学偏见：Leash 的强化学习沙盒之所以有效，关键在于其测量了所有分子对所有蛋白质的相互作用，包括人类化学家不会主动选择的反直觉组合。这为代理提供了完整的反事实反馈：代理可以做出反直觉决策并获得结果验证，从而避免学习到化学家群体的社会学指纹而非真正的化学规律。
“你必须包含那些人类不会做出的选择，因为我们在测量所有分子对所有蛋白质的相互作用。它必须能够做出反直觉的决策，并从中获得反馈。”
“它必须有反事实。它必须犯错，而且你需要确保这些错误——或者未来潜在的错误——存在于数据中，并且不会以某种方式偏向于让它学习化学家的社会学指纹。”
-
语言预训练赋予代理基础化学直觉，测量数据则提供无限快速的实验闭环：语言模型通过预训练语料库已经获得了药物化学家所具备的基础化学直觉，而 Leash 的测量化学景观为这种直觉提供了一个"无限快速的实验室闭环"。代理可以在强化学习活动中积累经验，并利用推理能力应对更难的问题。随着实验语料库以 2 倍、10 倍甚至 100 倍的速度增长，代理可探索的空间将急剧扩大。
“通过所有的语言预训练语料库，它已经对大多数药物化学家可能了解的基础化学有了一种直觉。而现在你给它的是一个无限快速的实验室闭环。”
“推理能力可能更加重要，对吧？那种能够说"哦，在我的强化学习活动中，我学到了东西，现在这让我能够推理下一个更难的问题"的能力。”
7. Kosuri 悖论的回应：模型的价值不在于找到单个靶点的结合物，而在于跨靶点泛化和跨行业迁移
-
单一靶点找起始材料时，直接筛选确实足够，模型并非必需：Ian 承认 Kosuri 悖论在特定场景下成立：如果目标只是为某一个特定靶点找到可用的化学起始材料，那么直接进行物理筛选就能解决问题，不需要先训练模型。这一让步让后续关于模型真正价值的论证更有说服力。
“如果你的理由就是去为某个特定靶点找到好的化学材料，那么他当然是对的，对吧？你确实能拿到。”
“如果你只是想针对这一个东西做药，你筛了很多，然后你已经拿到了那个东西，你就不需要模型来做这件事。”
-
模型的核心价值在于跨靶点泛化，避免对每个新靶点重复物理筛选：Leash 的真正目标不是替代单次筛选，而是利用大规模、多样化的化学行为数据训练出能够跨蛋白靶点泛化的模型。一旦模型掌握了深层化学推理能力，就可以大幅加速新靶点的起始材料优化，而不必每次都从头筛选。
“如果你有足够多的化学材料广泛覆盖所有这些其他靶点，从而驱动对化学行为更深的机器理解，那么优化这些早期材料的方式就有可能快得多。”
“但这和跨所有事物的泛化并不完全是一回事，我们满怀希望地认为，如果你有足够多的这种工程化活性悬崖的变异，你实际上会达到一个可以做所有事情的点，到那时你就再也不需要筛选了。”
-
足够强的化学推理能力可以迁移到农业、兽医学和材料科学等领域：Ian 指出，如果模型真正掌握了化学推理，而不只是识别新化学材料，那么这种能力可以跨行业迁移。团队无需在每个新领域都重新进行物理筛选，就能将预测能力应用到农业、兽医学和材料科学等完全不同的场景中。
“如果我们真的擅长化学推理，那么我们就能擅长很多不同的行业及其应用，而不必在所有这些不同领域都去物理筛选。”
“有了这些预测，我们就可以立刻去做农业，对吧，你可以去做兽医学，你可以去做材料科学，而且如果你真的擅长这件事，你就不需要筛选所有这些蛋白质，因为你对这个有很好的基础性理解。”
8. Leash 的护城河在于实验错误文化的积累，而非单纯的资金或技术优势
-
Leash 的竞争力来自对实验“作弊模式”的长期试错积累：Ian 指出，他和团队在 Recursion 时期犯过大量高维生物学实验错误，这些经历让他们对模型可能利用的噪声源和失败模式形成了敏锐直觉。这种对实验作弊方式的识别能力不是靠资金就能买到的，而是需要长期在实验室中摸索和试错才能获得。
“我们在高维生物学中犯过很多错误，在黑暗中摸索，搞清楚有哪些不同的失败模式会让模型在高维成像数据上作弊。”
“在 Leash 和 Recursion，我的团队犯过太多错误，意外撞上了做实验室工作必然会产生的那种作弊模式。”
-
系统性地追踪元数据、重建流程和过滤坏数据需要独特的组织文化：Ian 强调，要消除实验中的噪声源，必须追踪批次效应等元数据，构建无摩擦的记录工具，回溯公司创始以来的所有数据，并在发现变化时定位原因并加以缓解。Leash 还从零重建了筛选流程和蛋白表达流程，并建立了蛋白质量评估的代理指标。这套体系需要耐心、文化和团队深度思考，难以被快速复制。
“你必须在组织里建立一种文化：我们要追踪所有这些东西，要构建工具来追踪它们，要让这些工具足够无摩擦，让做实验的人真的会去记录。”
“这需要一种独特的文化、耐心，以及愿意犯这些错误，然后让团队真正深入思考如何解决它们。”
-
识别蛋白错误折叠等隐性质量问题，是机器学习数据与普通筛选数据的关键区别：Ian 用 lumacaftor 类分子的例子说明，Leash 通过偶然发现这类分子会反复命中错误折叠的蛋白，从而将其转化为一个蛋白质量过滤器。如果只追求找到一两个好的药物起点，就不会有动力去追查这些实验细节；但如果数据要作为机器学习训练素材，就必须关注所有可能污染数据的因素。
“如果我们得到一堆 lumacaftor 类命中，那这个蛋白可能没有正确折叠。我们可能不想把它用作训练数据，而是想用稍微不同的条件重新跑一遍，让蛋白更友好一些。”
“如果你的动机只是找到一两个很棒的热门起点来启动药物项目，那你就不会去追查实验的这些不同方面。我理解。但如果你的动机是让它成为机器学习的素材，那你就必须关注所有这些事情。”
总结
AI药物发现的最大风险不是模型不够复杂，而是数据在教模型学习人而不是学习化学。Leash Bio的实践表明，只有用工程化的实验设计——活性悬崖、蛋白突变、反事实数据——才能打破这种社会学捷径，让模型在真正未知的化学空间上获得泛化能力。这不仅是技术路线的选择，更是一种组织文化的竞争：对实验错误的敏感性和对可复现性的偏执，才是无法被资金快速复制的壁垒。当行业沉迷于更大的模型和更多的参数时，真正的突破可能来自更干净的数据和更诚实的评估。
信息源
视频来源
- From Wet Lab to RL Env: 10,000 Drug-Discovery Campaigns in a Weekend — Ian Quigley, Leash Bio：
外部资料
- Leash Bio Minos: AI Agents Search 6M Molecules in 100 ...：
- Making reality replayable - by Ian Quigley - Leash：
- Lab-in-the-Loop at Compute Speed — Ian Quigley, Leash ...：
- Why a 4-Billion-Point Kaggle Dataset Still Couldn't Beat Chance：