很多新手以为 AI 药物发现（AIDD）会「取代」传统的计算机辅助药物设计（CADD）。实际上两者是不同的方法论，各有擅长，且在现代流程里高度互补。
传统 CADD：物理与规则驱动
CADD 已有数十年历史，核心是用物理化学原理和经验规则来建模分子与靶点的相互作用，主要两条路线：
- 基于结构（SBDD）：分子对接（Docking）、分子动力学（MD）、自由能微扰（FEP）、药效团。
- 基于配体（LBDD）：QSAR、相似性搜索、药效团匹配。
优点是机制清晰、可解释、有物理基础；缺点是计算昂贵、打分函数近似、对柔性与水分子等处理有限。
AIDD：数据驱动的学习
AIDD 用机器学习/深度学习从大量数据中「学」出规律，而不是显式编码物理：
- 表征学习：让模型自动学到分子的有用特征（如图神经网络、分子语言模型）。
- 生成模型：直接生成满足约束的新分子。
- 端到端预测：活性、ADMET、相互作用等任务的快速预测。
优点是快、能处理物理难以建模的任务；缺点是依赖数据质量与数量，存在分布外失效、数据泄漏制造虚假高分等陷阱。
边界与互补
- AI 不替代物理：很多「AI 管线」内部仍在用对接、MD、FEP 做打分或验证。
- 物理增强 AI：机器学习力场（MLFF）、AlphaFold + 对接等混合方案正在兴起。
- 按问题选择：有可靠结构和算力时，FEP 等物理方法在先导优化中仍是金标准；数据充足、需要海量筛选时，AI 更高效。
关键要点
- CADD = 机制 / 物理 / 可解释；AIDD = 数据 / 模式 / 高吞吐；
- 现代项目几乎都是「AI + CADD」混合，而非二选一；
- 警惕：测试集高分 ≠ 真实可用，先理解数据划分与泄漏。
延伸资源
- 「结构与模拟」模块：Docking、MD 与自由能的系统介绍。
- 「AI 模型」模块：模型范式、方法论与常见陷阱（含 Benchmark 数据泄漏）。