JMC 最新上线的研究推出 drugflow-skills 这套大模型驱动的 AI Agent 框架，它把药物设计里的虚拟筛选、从头分子生成、多靶点优化等核心操作封装成可复用、可自由组合的技能模块，能够自主完成从百万级化合物库筛选候选分子，再做多目标、多靶点权衡优化的完整链路决策，和过去单一功能 AI 工具不一样，这套 Agent 不是只做一次打分或者生成分子，而是按照 ReAct 思考 - 行动 - 观察的循环，自主规划任务顺序、调用 DrugFlow 后端工具、评估分子活性、毒性、脱靶风险，还能输出可解释的优化理由，支持科研人员反馈后持续迭代，研究在 ALK、ROS1、IGF-1R 五个靶点任务上验证，在提升预测结合亲和力的同时压低毒性与脱靶风险，解决传统 AI 制药工具需要化学家手动调度、很难自主平衡多个靶点约束的痛点。
一、drugflow-skills 核心技能模块清单
- 超大库虚拟筛选：对百万规模分子库做打分、排序、初筛，快速捞出潜在活性命中分子
- 从头分子生成：基于蛋白口袋信息，生成全新骨架的候选配体
- 分子迭代优化：针对亲和力、成药性、毒性、可合成性多目标调优结构
- 多靶点协同设计：同时约束多个靶点，平衡激动、抑制、选择性要求
- 结果评估与反思：自动校验 ADMET、脱靶风险，给出优化逻辑，接收人类反馈调整策略
二、传统 AI 药物工具 vs drugflow-skills Agent 对比表
| 对比项 | 传统单点 AI 药物工具 | drugflow-skills AI Agent |
|---|---|---|
| 任务模式 | 单次执行，只负责筛选 / 生成 / 打分其中一步 | 自主规划全流程，串联多步任务，自动判断下一步动作 |
| 多目标处理 | 需要人工设置权重、反复调参 | Agent 自主权衡亲和力、毒性、选择性、成药性 |
| 调度方式 | 化学家手动切换工具、导出导入数据 | Agent 自动调用 DrugFlow 后端，工具调用自动化 |
| 可解释性 | 大多只输出分子与分数，缺少改造理由 | 附带每一轮结构修改的推理依据 |
| 多靶点适配 | 很难同步兼顾多个靶点约束 | 原生支持多靶点联合优化任务 |
三、drugflow-skills 完整工作流程
- 任务输入：化学家给出靶点、活性阈值、毒性、选择性等一系列优化目标
- 任务规划：Agent 拆解目标，决定先做百万库虚拟筛选，还是直接从头生成分子
- 工具调用：调用对应 skill，执行筛选、分子生成、对接、ADMET 预测
- 结果观察：读取工具返回的结合分数、理化性质、毒性风险数据
- 反思迭代：判断当前分子是否达标，不达标就设计结构修饰方案，进入下一轮优化
- 人机协同：接收研究者反馈，调整策略，输出最终候选分子与设计理由
四、JMC 本次验证的实验信息
- 论文期刊：Journal of Medicinal Chemistry（JMC）
- 验证靶点：ALK、ROS1、IGF-1R，一共 5 组代表性药物设计任务
- 核心指标：预测结合亲和力、脱靶风险、毒性、类药性
- 核心结论：Agent 自主完成多步决策，在提升靶点结合能力的同时降低毒性和脱靶问题，适配真实药物研发里的多约束场景
- 底层基座：ReAct 范式，对接 DrugFlow 计算平台后端
五、当前方案的局限
- 全部是计算层面的虚拟验证，还需要后续湿实验合成、生物测试验证真实活性
- 复杂多靶点、冲突极强的优化目标，Agent 依然会出现权衡困难
- 依赖后端 DrugFlow 的打分、对接模型精度，底层模型偏差会传导到 Agent 决策
- 大规模超高通量库筛选时，计算资源开销比较高
【相关 FAQ】
问题 1：JMC 研究里 drugflow-skills 如何让 AI Agent 参与药物设计决策？
回答 1：JMC 研究里 drugflow-skills 把药物设计操作封装成可复用技能，AI Agent 基于 ReAct 循环自主规划任务，完成百万分子筛选、分子生成、多靶点权衡优化，自动调用工具、评估结果、迭代分子，参与整条药物设计链路的决策。
问题 2：drugflow-skills 的 AI Agent 和过去 AI 制药工具最大区别是什么？
回答 2：过去 AI 制药工具大多是单点功能，需要化学家手动调度；drugflow-skills 的 AI Agent 可以自主串联从百万分子筛选到多靶点优化的完整流程，自动权衡多个药效、安全约束，自带推理反思能力。
问题 3：JMC 论文中 drugflow-skills 的 AI Agent 做了多靶点优化，主要平衡哪些指标？
回答 3：JMC 论文中 drugflow-skills 的 AI Agent 做多靶点优化，主要平衡靶点结合亲和力、脱靶抑制风险、毒性、类药性等多个指标，避免只追求活性而忽略安全性。
问题 4：drugflow-skills 这套 AI Agent 药物设计方案，已经可以直接替代湿实验吗？
回答 4：不行，JMC 研究里 drugflow-skills 的 AI Agent 全部是计算虚拟筛选与优化，它产出候选分子和设计思路，只能辅助药物设计决策，分子最终活性、毒性仍然需要合成和生物实验验证。
【参考资料】
[2026-11-09]（Autonomous Drug Design via Workflow Agents: Integrating Chemical Semantics and Tool-Oriented Automation）ACS Publications JMC
[2026-11-10]（drugflow-skills 登上 JMC：AI Agent 实现从百万分子筛选到多靶点药物优化）药智网
[2026-11-11]（碳硅智慧 DrugFlow 再升级，Agent 化药物设计框架 drugflow-skills 发布）动脉网
[2026-07-11]（DrugFlow AI 药物发现平台技术与产业落地进展）智源社区
[2026-08-15]（DrugFlow 平台新增 3D 配体生成模块，面向口袋的从头分子设计）Vecura
【免责声明】
本文信息来自 JMC 期刊论文、生物医药行业媒体公开报道，drugflow-skills 属于计算药物设计阶段的 AI Agent 框架，所有分子活性、安全性结果为虚拟预测，不等于体内体外实验结果；该技术仍处于科研验证阶段，距离稳定产业化还有较长周期，本文不构成新药研发立项、技术采购的决策建议。