一帮大模型画分子图画得是挺漂亮，但 ToxiMol 这面照妖镜一亮，才发现它们想真正搞懂化学毒性这回事儿，基本上还处于穿开裆裤的水平。
- ToxiMol 这个基准测试，头一回给那些多模态大模型 (MLLM) 出了道真题，不是让你猜毒性，是让你上手把有毒的分子给修好。
- 结果呢？最牛的选手（比如 Claude 3.7）交上来的卷子，正确率也就 36.6%，说明这技术离能用还差着十万八千里呢。
- 更有意思的是，模型挂科的主要原因，不是画出来的分子奇形怪状或者不顶用，而是在最关键的一步——降低毒性上，它压根儿就没做到。
在药物研发中我们经常会碰到这么一种情况：你手上好不容易淘到一个苗头化合物，活性相当喜人，可惜它身上绑着个“毒性弹头”，要么伤肝，要么损心。咋办？一个老道的药物化学家，这时候会冲上一杯咖啡，盯着那个分子结构图，在脑子里玩“分子乐高”，琢磨着怎么神不知鬼不觉地用一个安全无害的零件，换掉那个惹是生非的家伙，还得保证整个结构不散架，药效和成药性这些基本盘不能给搅和黄了。
现在，有人琢磨着让 AI 来干这力气活儿。于是，ToxiMol 这么个考场就应运而生了。它可不是那种让 AI 做几道选择题，判断一下“有毒/没毒”的幼儿园游戏。不，它直接把 AI 拎起来，扔到了一线药物化学家的工位上：这儿有个有毒的分子结构，我也告诉你它毒在哪儿（比如心脏毒性 hERG），然后给你个指令：“修好它！”
这个“修好”的标准，定得那叫一个严丝合缝，一点不跟你含糊。研究人员攒了一套叫 ToxiEval 的五维评估体系，我瞅着吧，这不就是咱们开新药项目立项会的那套嗑儿么：
- 安全性：新分子那要命的毒性，真的降下来了么？这是头等大事。
- 类药性 (QED)：你改完之后，还像个“药”么？别为了安全，把吃饭的家伙都扔了。
- 合成可行性：你画出来的这个分子，咱们地球上的化学家能做出来么？别给我整一个火星科技。
- 利平斯基五规则：分子量、脂溶性这些基础指标，可不能崩盘。
- 结构相似性：不能动大手术，改得面目全非，核心的骨架得给我留着。
必须五条全占，才算你这次“分子排毒”干得漂亮。我觉得这挺公道的，因为在现实里，我们就是这么干的。
结果呢？研究者把市面上能划拉来的 29 个顶尖 MLLM，什么 GPT-4o、Claude 3.7，有一个算一个，全拖过来考了一遍。结果嘛，那叫一个惨不忍睹。就算是拿了第一名的 Claude 3.7 Sonnet，总的成功率也才可怜巴巴的 36.6%。
最有意思的地方，是分析它们到底错在哪儿了。你可能会猜，AI 嘛，是不是画了些化学家看了都得挠头的四不像结构，或者搞出来一些不符合规矩的“大胖子”分子？嘿，还真不是。研究发现，AI 挂科最主要的原因，恰恰是它最根本的任务——降低毒性——没完成。在 hERG 和皮肤致敏性这种测试里，超过四成的失败案例，都是因为它捣鼓出来的新分子，毒性一点没减。
这说明啥？这说明 AI 压根儿就没搞懂这个分子“为什么”有毒。它可能背熟了 SMILES 分子式的语法规则，能照猫画虎地拼出个八九不离十的结构，但它对那个最核心的结构 - 毒性关系（STR），缺少一种化学家的“感觉”，或者说，直觉。
更要命的是，就算 AI 撞大运，偶尔成功把毒性给降下来了，也常常是拿类药性（QED）去换的。这就好比一个二把刀的修理工，跟你说发动机过热的问题他解决了，你一问怎么解决的，他说他把发动机给拆了。问题是没了，车也趴窝了。在药物发现里头，这就是典型的菜鸟操作——为了解决一个问题，顺手给你添了五个新堵。
所以说啊，ToxiMol 这个工作，我觉得价值就体现在这儿。它没跟着瞎起哄，吹 AI 现在有多神，而是像个不苟言笑的老法官，拿出一把冰冷的法槌，“Duang”地一下，告诉你眼下 AI 在严肃的科学问题上，到底是个什么段位。它告诉我们，AI 也许能当个不错的助理，帮你查查资料，画画草图。但要说取代那个盯着分子结构图，能耗上一整天功夫冥思苦想的化学家？那条路，还长着呢。起码现在看，它离《绝命毒师》里的老白，还差着十万八千里。
📜Paper: https://arxiv.org/abs/2406.10912v1 💻Code: https://github.com/DeepYoke/ToxiMol-Benchmark
