强化学习设计钠通道阻断剂，LinkLlama生成连接臂

同时优化活性、合成可及性与类药性是分子从头设计的经典难题。现有生成模型常产出化学无效或难以合成的结构，也难以在多目标间折衷。作者提出 ALCHIMIA，将 33 条药物化学转化编码为可学习操作：强化学习先训练策略网络，优先提升合成可及性（SA）和 QED；遗传算法再以该策略为变异算子，在对接引导下演化种群，兼顾亲和力和结构多样性。

在 CB2R 与 S1R 两个靶标、三种场景（自由发现、骨架约束、双靶调节）中，ALCHIMIA 生成的分子 QED 与 SA 均“可与随机基线及若干 de novo 方法相当或更优”，且化学有效性得以保持。不过研究仅报告 in silico 对接评分与理化指标，未提供体外活性、合成实验或药代验证；框架假设 33 条转化已足够覆盖化学空间，尚未评估对更难靶标或更大规模分子的泛化能力。

术后疼痛管理仍依赖阿片，但便秘、呼吸抑制及成瘾风险促使学界寻找等效非阿片镇痛药（NOA）。作者把电压门控钠通道视为关键靶点，却反其道而行，放弃追求单一亚型高选择性，转而同时阻断多个与镇痛相关的亚型，以期获得更强疗效。借助AI驱动的虚拟筛选与计算机辅助设计，团队快速获得hit-to-lead化合物；in vitro显示其对目标钠通道亚型具高效抑制，in vivo大鼠多种疼痛模型均证实镇痛效力，并完全未观察到阿片样不良反应。在模拟手术场景的大鼠实验中，化合物同样表现出可替代阿片的镇痛水平，提示其围手术期应用潜力。局限在于：所有药效与安全性证据仅限啮齿类，尚无体外人源通道数据，也未报告心脏或中枢神经毒性系统评价；多重亚型同时阻断是否导致长期副作用仍待验证。

FBDD 的核心挑战是把两个已结合片段用低张力、类药连接臂拼成先导化合物；既往 3D 生成模型虽能填空间，却常给出高扭转应变或非药骨架，合理结构仅约 35%。LinkLlama 在 Llama 3 上监督微调，用自然语言同时写入几何（距离、角度）与理化约束（Lipinski、可旋转键数），直接输出 SMILES；在 ZINC 与 HiQBind 测试集上，几何保真度与纯 3D 模型相当，但通过 PAINS、非药模式及复杂环过滤器检验的“化学合理”比例从 ~35% 升至 80% 以上，无需额外强化学习。验证仅做到 in silico：作者报告了对新骨架跃迁与 PROTAC 连接臂的前瞻案例，用分子对接与 100 ns 分子动力学评估，均能与晶体姿态匹配，尚无体外或体内活性数据。模型假定用户能准确描述几何与理化边界，若片段位点信息不完整或描述过宽，生成结构仍可能偏离实际结合腔。