LiteMol-1：面向 AI Agent 的跨分子类别生成基础模型

2026 年 8 月 17 日，AI4Science 公司 LiteFold 发布了首个基础模型 LiteMol-1。这是一个在分子序列 token 上预训练的掩码扩散语言模型，不直接生成三维坐标。^[S1]

同一套权重可以处理小分子、线性肽、环肽、含非天然氨基酸的肽、大环分子，以及 PROTAC 相关分子。它既能从头生成，也能根据目标蛋白的序列生成候选，并支持局部补全、分子编辑和多目标搜索。^[S1]

更深一层的问题是：如果由 AI Agent 不停地“生成、评估、修改、再生成”，什么样的分子模型最适合放进这个循环？

掩码扩散天然适合局部修改

LiteMol-1 不是从左到右逐字写出分子。采样开始时，整条分子序列几乎都被遮住；模型经过多轮去噪，逐个位置还原，最后得到完整分子。也可以固定一部分序列、只重新生成指定区域，所以很适合做局部补全。^[S1]

各个位置的遮盖节奏也不一样。沿用 PepTune 的思路，决定骨架和连接关系的关键位置会先被还原：先把骨架搭起来，再修周边细节。^[S1][S2]

多目标优化不必压成一个总分

药物设计几乎从来不是单目标问题。结合力强，不代表心脏毒性、渗透性和可合成性都合适。把这些目标硬压成一个加权分数虽然方便，却会把人为偏好悄悄藏进答案里。

LiteMol-1 在推理阶段引入蒙特卡洛树搜索（MCTS）：模型给出哪些续写看起来合理的先验，MCTS 决定哪些分支值得继续投入算力，最后保留一组代表不同取舍的候选，而不是硬要找一个“样样最好”的分子。^[S1]

加入 MCTS 后，多肽的化学有效性从 0.77 升到 0.98，非天然氨基酸比例从 0.59 升到 0.85，多样性则略有下降。搜索在追逐目标的同时也改变了原本的生成分布，这份提升是有代价的。^[S1]

先在序列空间探索，再调用昂贵的结构工具

基于结构的生成模型有直观的优势：分子终究存在于三维空间，直接对结构建模更接近物理现实。但药物发现早期往往要先拿出成千上万条候选，再逐层调用结构预测、分子对接和动力学模拟。如果每次探索都从昂贵的三维生成开始，成本会迅速膨胀。^[S1]

分子序列的信息没有三维结构完整，却更短、更容易比较，也方便局部删除、替换和重写。LiteMol-1 因此更像一个快速生成器：先低成本提出和修改大量候选，等范围缩小后，再把结构工具叫进来。^[S1]

这不是否定结构推理，而是在给工具分层：生成模型负责便宜的探索，性质预测负责快速过滤，结构预测、分子对接和动力学模拟负责更深的验证。Agent 决定什么时候值得为哪条候选多花算力。

LiteMol-1 值得关注，并不是因为它已是“最强分子生成模型”，目前的证据撑不起这个说法。它更重要的是提出了一种更现实的 Agent 工作流：先用便宜、可编辑的序列模型生成大量候选，再根据候选价值逐步调用性质预测、结构预测、分子对接和动力学模拟，最后才把少数候选送进实验。

在这种架构里，生成模型不负责直接交付最终答案，而是 Agent 可以不断调用的提案工具。科学 Agent 的能力因此不只取决于推理模型本身，也取决于它手里的工具是否便宜、可组合、能局部修改，并且能在新模拟或实验结果回来后继续下一轮。

Nav1.8 与 PROTAC：一个展示取舍，一个暴露短板

Nav1.8 案例最能说明多目标选择。团队没有采用分子对接得分最好的候选，因为它预测的心脏毒性和血脑屏障穿透表现更差；最终推荐的分子对接得分稍弱，但整体取舍更合理，并继续做了 100 纳秒的分子动力学模拟。^[S1]

这些得分只能帮助排序。分子对接、结构置信度和模拟稳定性都不是实验测出的亲和力、药理活性或临床效果。现在最多只能说，这些候选值得进入下一轮实验。

同一套权重，不代表每类分子都掌握得一样好

PROTAC 是这次发布里很有价值的失败案例。完整生成时，匹配测试中只有约 25% 的输出有效；加入 BRD4 条件后，结果还容易被拉回已知分子附近。LiteFold 目前改用分组件编辑：保留一部分，只重新生成连接体或目标结合部分。^[S1]

这比把结果包装成“模型也会 PROTAC”更有信息量。LiteMol-1 目前更像 Agent 可以局部调用的分子编辑器，还不是一个端到端处理所有分子类别的通用生成器。

目前更像计算概念验证，而不是已验证的药物发现系统

第一条边界很明确：这次发布没有湿实验验证。ipTM、分子对接得分、预测的 ADMET 概率和分子动力学轨迹都属于计算代理指标，可以用于排序和提出假设，却不能等同于实验测出的亲和力、活性、毒性或降解效率。^[S1]

第二条边界是可复现性。LiteFold 公开了研究页面和整体方法，但没有完整披露训练数据配比、损失权重、掩码配置和条件架构。这和 OpenBind-0 所强调的完整训练透明，不是同一种开放程度。^[S1]

第三条边界来自分子类别覆盖。能用同一套权重处理多类分子，不代表每一种都掌握得同样好。PROTAC 的低有效率已经说明，LiteMol-1 离端到端的通用分子生成器还有明显距离。^[S1]

接口的可编辑性可能和单次生成精度一样重要

为 AI Agent 设计科学模型时，调用成本本身就是系统能力。序列更紧凑、容易修改，也更适合被反复调用。

生成模型不一定要直接交付最终答案

一个更便宜、能跑上十万次的生成先验，配合少量昂贵的验证，可能比第一步就调用最贵的工具更适合整个发现系统。

分子设计是权衡，不是单一分数最大化

Nav1.8 中分子对接得分最好的候选没有被推荐，因为其他预测风险更差。同时保留多个帕累托最优的候选假设，更接近真实的药物化学。

跨类别的“通用”必须逐类检查

支持小分子、多肽、大环和 PROTAC，不代表它们的有效率、可控性和下游可用性处在同一水平。PROTAC 的失败案例比一句“通用模型”更有信息量。

下一步需要的是湿实验反馈

SAPP/DMX 在解决怎样更快产生实验反馈，OpenBind 在问哪些实验数据最值得产生，LiteMol-1 则探索 Agent 怎样低成本生成下一批候选。把这些环节接起来，才接近 Generate → Evaluate → Experiment → Learn → Generate again。