拉敏德帕尔·辛格博士与斯里吉特·西尔博士探讨了为什么专用AI智能体在药物研发中表现优于通用模型，以及一项新的联盟论文如何展示了它们在实践中的应用。
斯里吉特·西尔(Srijit Seal)在药物研发领域的历程，仿佛是该领域自身变革的压缩时间线。作为一名化学家出身的科学家，他在剑桥大学安德烈亚斯·本德(Andreas Bender)教授指导下完成了机器学习与毒理学博士学位，随后在麻省理工学院和哈佛大学布罗德研究所(Broad Institute)跟随安妮·卡彭特(Anne Carpenter)博士进行博士后研究——这一时期恰逢科学工作流程中代理式AI的最初萌芽。在默克(Merck)工作一段时间后，他于2026年3月加入Human Chemical公司，担任人工智能/机器学习首席科学家，目前致力于构建用于化学安全和毒理学的AI智能体。他同时也是瑞典乌普萨拉大学(Uppsala University)的客座科学家，许多支撑这篇重要新论文的合作工作正是在那里完成的。
这篇题为《药物研发中的AI智能体：应用与案例研究》("AI agents in drug discovery: applications and case studies")的论文是我们对话的核心。该论文由西尔、丁隆辉(Dinh Long Huynh)、安妮·卡彭特、安德烈亚斯·本德、奥拉·斯普尤特(Ola Spjuth)以及更广泛的AIAgents4Science(AIA4S)联盟共同撰写，汇集了来自美国、英国和瑞典的初创企业案例研究，勾勒出代理式AI目前在药物研发中取得实际成果的领域。
能力的飞跃性提升
当被问及过去六到十二个月发生了什么变化时，西尔的回答直截了当：构建速度和接受程度的提升。在2025年初需要数月时间才能完成原型设计的想法，现在只需几天即可构建完成，这得益于工具调用、技能、连接器和前沿模型推理能力的改进。但西尔谨慎地区分了构建的便捷性与实际科学能力。基础模型仍然要求非专业用户理解其计算环境——包管理、变量处理、环境配置——即使封装已经变得更加易于使用。
"为实验室科学家和毒理学家提供能够帮助他们搜索、分析数据和生成假设的工具，存在巨大的机遇。" —— 斯里吉特·西尔
他指出，更大的转变是文化层面的。六个月前，该领域的很大一部分人仍将代理式AI视为炒作。这种阻力已经大幅减弱。2026年初功能越来越强大的模型的发布，以及Claude Code等工具的出现，已将讨论从"这是真的吗？"转向"我该如何使用它？"正如西尔所说，在2026年告诉别人你从事代理式AI工作，得到的回应会是：谁不是呢？
通用模型的局限性
我们讨论中反复出现的主题是通用大型语言模型在专业药物研发任务中的不足。西尔直言不讳：你不能将化合物或靶点交给通用模型，期望它构建出机制理解、访问相关毒理学模型，或找到具有正确效应量的论文。药物研发需要特定领域的背景知识——例如，哪些检测方法被监管机构认可，哪些体外数据可复制，哪些动物研究具有足够的统计功效等。通用模型缺乏化学领域的GitHub式训练数据；虽然存在ChEMBL和PubChem等公共数据库，但制药公司内部数据在性质和质量上根本不同。
"你不能简单地将化合物或靶点扔给任何大型语言模型，期望它理解分子、访问相关毒性工具，甚至了解该领域。你需要大量的机制理解。" —— 斯里吉特·西尔
这正是AIA4S联盟论文所解决的差距。作者们没有理论化智能体可能做什么，而是收集了正在构建和部署专用代理系统的初创企业的实际案例研究。Coincidence Labs展示了用于药物化学的多智能体文献分析，将数周的专利和构效关系(SAR)数据提取压缩到自动工作流程中。
Human Chemical——西尔目前的雇主——展示了用于计算机模拟毒理学的智能体，该智能体将预测性图神经网络(GNN)模型与文献综合和监管数据检索相结合，通过合成香料Cashmeran的详细内分泌干扰风险评估进行了说明。Kiin Bio展示了"虚拟科学家"，整合了生物学、化学和临床领域的100多种工具，在不到两小时内完成特发性肺纤维化发现的端到端工作流程，而通常需要两到三周。其他案例研究涵盖了自动协议生成(Potato的Tater智能体)、罕见疾病的药物再利用(Augmented Nature)、小分子自动合成(onepot.ai)、基于焦点图的靶点发现(Plex Research)以及从发现到交易的资产评估(Convexia Bio)。
临床前毒理学瓶颈
西尔特别强调了他认为最具影响力的近期应用之一：临床前开发中的研究性毒理学。许多化合物在到达临床阶段之前就被终止，因为无法充分解释意外的毒性发现。科学家们倾向于终止项目，而不是在理解不完整的情况下继续推进。西尔指出，大部分研究工作仍然依赖于手动文献搜索——通常通过谷歌——而这种方式无法扩展到可能与单一毒性信号相关的数百篇论文。
代理式系统改变了这一局面。在Human Chemical，除了为各种化学行业进行化学风险评估外，西尔还在构建药物研发中智能体的案例，使其能够自主生成完整的假设，解释在特定物种中观察到的毒性，将预测、文献、监管评估和代谢物分析整合成连贯的叙述。这些不仅仅是摘要，而是需要人类毒理学家花费数周时间才能完成的研究工作流程。
"我没想到智能体能够提出一个完整的假设，解释为什么我们在ABC物种中观察到XYZ毒性，并构建对该现象的理解。研究工作确实是一个瓶颈——许多化合物甚至在进入临床阶段之前就因无法理解的毒性而被终止。" —— 斯里吉特·西尔
如果这些工具能够减少不必要的化合物废弃数量，并通过更好地解释现有数据来减少对动物测试的依赖，那么对降低淘汰率以及获取更符合人类相关性的数据的影响可能是巨大的。
劳动力问题
我们简要讨论了对劳动力的影响。西尔的观点是，这些工具增强了科学家的能力而非取代他们，通过效率提升创造了机遇。我提出了一个相反的观点：每一次工业革命都导致了工作岗位的转移，虽然新角色会涌现，但劳动力重新平衡在历史上需要数十年而非数年。我们一致认为，采用这些技术的阻力——正如西尔以印度计算机和英语教育的历史经验为例所说明的——往往比适应它们的成本更高。但这种转变既不会毫无痛苦，也不会一蹴而就。
初创企业的优势
"化学空间包含约10^60个分子。最终，这是一场优化游戏，需要在药物靶点、化学、安全性、有效性和制造之间取得平衡。AI有机会改进所有这些领域。" —— 斯里吉特·西尔
论文最引人注目的特点之一是作者名单中初创企业占主导。西尔解释说这是有意为之。该联盟特别寻找处于代理式AI部署前沿的初创企业，因为大型制药公司至少到最近还没有在代理式AI领域招聘，也没有在内部构建这些系统。初创企业拥有自由和速度，可以尝试新型架构，而制药公司规避风险的文化不容易接受这些。该论文还包含了风险资本的视角——Zetta Venture Partners做出了贡献——以捕捉投资资本认为最有前景的应用领域。
读者应记住的内容
西尔最后的信息是鼓励尝试。来自各种提供商的专用代理式工具正越来越多地提供免费试用。它们的架构与该领域以前所见的有显著不同，其能力——在文献综合、毒性预测、假说生成和协议设计方面——正在迅速扩展。但只有实践者使用它们，发现差距并反馈他们的需求，这些工具才能得到改进。
"它们可以帮助你将分析时间从数周压缩到数小时。它们可以帮助你开发检测方法、协议和假说。只有当人们回来告诉我们'这就是我们想要的'，我们才能继续开发它们。" —— 斯里吉特·西尔
这篇论文及其背后的联盟，代表了将讨论从理论潜力转向有记录的实践的有意努力。对于仍在观望的药物研发科学家来说，证据基础现在已经足够充分，值得亲自尝试。
斯里吉特·西尔的论文《药物研发中的AI智能体：应用与案例研究》已在《药物发现今日》(Drug Discovery Today)上作为预印本发布(DOI: 10.1016/j.drudis.2026.104650)。AIAgents4Science联盟可以在broad.io/aiagents4science找到。
【全文结束】