一个分子能治好糖尿病，换一种病，同一个分子却可能喂大癌细胞。
这不是理论推演。PPARγ在2型糖尿病中激活时产生有益代谢效应，但在结肠癌中，由于Wnt/β-catenin通路的疾病特异性相互作用，同样的激活可能驱动截然相反的结局。同一个靶点，在不同疾病背景下反应天差地别——而今天几乎所有AI药物发现模型，都假装这个问题不存在。
2026年7月，一篇发表在arXiv上的论文试图补上这块拼图。DrugGen-2，一个疾病感知（disease-aware）的分子生成语言模型，首次将疾病本体论（disease ontology）作为条件约束加入小分子设计流程。它不是什么模型架构的革命，却戳中了AI制药行业最隐秘的盲区。
AI制药的断裂：靶点正确，但药错了
当前的计算药物设计，无论基于物理模拟还是深度学习，都遵循同一条逻辑链：确定靶点蛋白，设计或筛选能与之结合的小分子，优化药代动力学性质。这条路径的隐含假设是——靶点行为是稳定的，不受疾病环境影响。
但生物学现实远比这复杂。PPARγ只是冰山一角。激酶抑制剂、GPCR调节剂、核受体配体——大量药物靶点的行为都表现出疾病依赖性。然而，从2024年的DrugGPT、2025年的DrugGen到最新的Mol-LLM、Token-Mol、DrugLLM，几乎所有分子生成模型都只接收靶点序列或分子性质作为条件，对疾病信息完全视而不见。
这种断裂造成的后果是实实在在的。为什么AI设计的分子在纸面上完美契合靶点，却屡屡在临床阶段折戟？制药行业约90%的临床失败率，是靶点中心主义交的学费。
DrugGen-2如何工作：给GPT-2装上疾病感
DrugGen-2的技术路线并不玄妙。它基于DrugGPT——一个专门为配体生成微调的GPT-2模型——在其基础上构建。核心变化在于输入维度和数据的结构。
研究团队首先构建了一个经批准的药物-疾病-靶点关联数据集，将每种已上市药物与其治疗疾病和靶点蛋白序列关联起来。疾病信息通过MeSH医学主题词表的DAG有向无环图编码，既保留了疾病间的层级关系，也避免了疾病名的语义歧义。训练分两步走：先是监督微调（SFT），让模型学会疾病-靶点-药物之间的对应关系；然后通过群组相对策略优化（GRPO）进行强化学习，用化学有效性、新颖性、多样性以及预测结合亲和度作为奖励信号，优化生成质量。
最终的模型接收两个输入——一个MeSH疾病DAG编号和一段靶点氨基酸序列——输出对应的高质量SMILES分子字符串。这不仅支持从头设计，也为老药新用提供了天然入口：给定一个疾病-靶点对，模型自动寻找最匹配的已知药物结构。
在糖尿病肾病相关的5个蛋白靶点上的评估中，DrugGen-2生成的分子在有效性、新颖性和与已上市药物的结构相似度上全面超过DrugGPT和DrugGen基线模型。分子对接分析进一步确认了结果：候选配体展现出极强的结合潜力，其中结合亲和度最高的化合物达到9.917、9.485和9.367，显著超过该领域的参考药物依那普利对血管紧张素转化酶的结合亲和度（8.283）。
从“拟合靶点”到“理解疾病”：一个范式的位移
要理解DrugGen-2的意义，需要把它放在AI制药行业的大棋局中看。
2025年以来，AI制药领域正在经历一场从工具到平台的价值重估。2026年1月，Isomorphic Labs与强生签署了跨模态、多靶点的研究合作，其IsoDDE药物设计引擎不仅能做小分子，还覆盖了抗体、多肽和分子胶。Insilico Medicine用强化学习加生成模型的组合拳做多目标优化，平衡效价、毒性和新颖性。Eli Lilly、Bristol Myers Squibb、Incyte密集签约AI平台公司。McKinsey在2026年7月的最新报告中直言：生物制药研发需要结构性重组才能最大化AI价值，而那个重组方向，恰恰是让每个关键决策生成数据并反馈给前一个决策的闭环模式。
但所有这些努力，几乎都集中在如何更精准地击中靶点上。DrugGen-2提出的问题更底层：你确定你瞄准的是对的靶点吗？或者更准确地说——同一颗靶点，在疾病A中是钥匙孔，在疾病B中可能是陷阱。
据Market Research Future数据，全球AI药物发现市场在2024年估值约9.3亿美元，预计到2035年将增长至118.2亿美元，年复合增长率26%。但当资金和算力疯狂涌入这个赛道，一个根本性问题反而被忽视了：当前模型训练所用的靶点-配体范式，是否已经触及信息天花板？
DrugGen-2的答案是肯定的。它的核心贡献不在模型层，而在信息层——在条件生成空间中引入了疾病本体论这个新维度。这不是一个架构创新，却可能是一个范式起点。
GRPO的跨域迁移：从DeepSeek到药物发现
值得单独讨论的是技术层面的一处亮点：DrugGen-2选择群组相对策略优化（GRPO）而非业界更熟悉的近端策略优化（PPO）或基于人类反馈的强化学习（RLHF）。
GRPO由DeepSeek在DeepSeekMath论文中首次提出，后来被用于训练DeepSeek-R1推理模型，核心思路是让模型从同一组生成样本内部的相对表现中学习，而非依赖独立的评论家模型。在分子生成场景中，这意味着不需要额外的价值函数网络，直接比较同一疾病-靶点条件下各候选分子的化学有效性、新颖性和结合亲和度即可完成优化。
这种无评论家的RL范式降低了对计算资源的需求，也简化了训练管线——对于药物发现领域的研究团队来说，这意味着即使没有大公司的算力储备，也能复现和迭代这类方法。DrugGen-2论文将GRPO从大语言模型推理迁移到分子生成，这条技术迁移路径本身，或许比论文的分子生成结果更有启发性。
局限与尚未回答的问题
DrugGen-2并非没有短板。它的疾病信息来源于MeSH词表，这是一个以文献分类为目的构建的医学主题词系统，并非为分子设计优化过的疾病本体。MeSH的树状结构能表达疾病间层级关系，但无法捕捉疾病-基因-通路之间的动态调控网络。换句话说，模型现在知道了“这是糖尿病肾病而非普通肾病”，但它并不理解为什么同一靶点在两个疾病中行为不同。
此外，当前评估仅限于5个糖尿病肾病相关靶点，规模偏小。分子对接预测的结合亲和度虽然优于基线模型和参考药物，但对接分数与临床疗效之间的鸿沟，是整个AI制药行业尚未解决的问题。结合亲和度高的候选分子，仍然可能因为药代动力学缺陷、脱靶毒性或在人体中的代谢路径差异而失败。
最后，数据质量决定了模型上限。已上市药物的疾病-靶点关联数据虽然权威，但数量有限。对于真正无药可治的罕见病或全新靶点，DrugGen-2能否在缺乏高质量关联数据的情况下产生有意义的分子，仍然存疑。
门已经推开
从宏观格局来看，DrugGen-2的出现时间点耐人寻味。2026年7月，AI制药行业正在经历三股力量的交汇：第一，以Isomorphic Labs IsoDDE为代表的结构预测工具进入生产化部署阶段，让从结构出发的药物设计成为可能；第二，以Anthropic为代表的大模型公司开始直接涉足药物开发，将通用AI能力向垂直领域渗透；第三，FDA预计将在2026年最终确定AI药物开发的指导意见草案，监管框架正在从模糊走向清晰。此时，一个在底层范式上提出“缺了什么”的研究，比任何一个堆算力的工程系统都更值得关注。
行业内部也在发生认知转变。McKinsey提出，AI的价值不来自加速单个环节，而来自让研发变成闭环学习系统。这和DrugGen-2的底层逻辑是呼应的——药物发现不应该是一条从靶点到分子的单向流水线，而应该是一个从临床观察反向调节分子设计的循环。疾病本体论是这个循环的入口密码。
不可避免地，也会有人质疑：在疾病维度上做条件生成，难道不是常识吗？答案恰恰是——正因为它是常识，它的缺失才如此荒唐。靶向PPARγ的药物设计不考虑患者得的是糖尿病还是结肠癌，就像导航软件让你输入目的地却不问你是开车还是步行。这种荒谬长期存在于AI制药的底层代码中，而DrugGen-2不过是第一个把它说出来的系统。
AI制药正在从一个全行业的淘金热，慢慢分化出真正的路线之争。一条路是把模型做大、数据喂多、预测做准——在既定范式里追求极致性能。另一条路是往回退一步，审视范式本身是否有先天缺陷。DrugGen-2站在了第二条路的入口。
它给出的信息很简单：在疾病面前，靶点从来不是孤立的。而你设计的分子如果忘了问一句病人得的是什么病，那它可能一开始就不该叫智能。
快报