制造一个不存在的界面
把分子胶研发拆成可教的课

全课起点｜前置：无

从一个反差开场——传统小分子要"占住"活性口袋才起效（占据型，化学计量），而降解剂只要"促成一次相遇"就能催化性地清除靶点（事件驱动、亚化学计量）。把这个差别想象成一张图：抑制是"按住"，降解是"贴标签送走"。然后铺开诱导邻近谱系，强调分子胶的独特坐标——成药性最像传统小分子（口服、低分子量、可过血脑屏障），但理性设计最难。最后落到一个"它现在是真的"的硬证据：下一代 CELMoD 已有 III 期阳性（mezigdomide SUCCESSOR-2，2026-03，PFS 显著获益）、iberdomide NDA 已被 FDA 受理。分子胶不再是机制故事，是临床现实。

本模块只立框架；AI 能力边界统一在 M0.4 展开（此处埋钩子即可）。

① 占据型 vs 事件驱动型对照图；② 诱导邻近谱系全景图（分子胶高亮）；③ CELMoD 临床进展时间线（lenalidomide → pomalidomide → mezigdomide/iberdomide/golcadomide）。

「分子胶 = 小号 PROTAC」（错：非模块化、单价、不能拼装）；「降解一定优于抑制」（错：取决于靶点生物学与治疗窗口）。

① 占据型与事件驱动型药理学各自的"化学计量学"差别是什么？②（应用）给一个慢性、需长期口服、要过血脑屏障的中枢靶点，分子胶相对 PROTAC 有何先天优势？

诱导邻近综述一篇（Targeted protein degradation 范式）；CELMoD 临床里程碑一篇。

5 问总入口（推导出 Q1–Q5）｜前置：M0.1

本模块建世界观；能力边界见 M0.4。

① neo-PPI 形成示意（小分子坐在界面，把两个蛋白"焊"在一起）；② α 因子的双曲线/能量图；③ 三个偶然发现的小故事（thalidomide / indisulam / auxin-TIR1）。

「亲和力越高越好」（错：胶要的是协同，不是单体亲和力，高亲和反而未必是胶）；「设计胶 = 设计一个强结合剂」。

① 为什么分子胶比 PROTAC 更难理性设计？（锚点：单价/低亲和/非模块化/偶然发现史）② α<1 意味着什么？③（应用）给一段虚构新闻稿，判断描述的是分子胶还是普通抑制剂，写出 2 条判据。

协同性与三元复合物综述一篇。

导航中枢｜前置：M0.2

把 5 问表投到屏幕，逐行"翻译"成大白话：Q1 什么蛋白能被粘（可成胶组/降解子识别）→ Q2 粘起来长什么样（三元结构与协同）→ Q3 用什么分子去粘（化学设计）→ Q4 粘了会降解吗、能成药吗（功能/选择性/DMPK）→ Q5 怎么闭环迭代（DMTA/平台）。强调这不是线性流水线而是带回流的循环：Q5 的实验数据回喂 Q1–Q4 的模型。把这张"5 问地图"确立为全课导航——后面每个第四篇模块开头都回到这张图点亮当前位置。建议把它做成知识库首页的可交互导航图。

5 问研发流程图（核心可视化）——必须精心做，全课反复调用。

「这是 5 个独立步骤」（错：是带反馈的循环，数据回流是灵魂）。

① 把"用蛋白组数据评估某胶的脱靶降解"归到哪一问？②（应用）给一篇论文摘要，标注它主要回答了哪几问。

无（导航模块）。

本课"立场宣言"｜前置：M0.3

这一讲奠定全课的"说真话"人设。先给硬数字：在 MGBench 基准上（已正式发表于 J Chem Inf Model, 2026），AF3 是最好的共折叠模型，但蛋白—蛋白界面成功率约 50%、分子胶—蛋白相互作用恢复率仅约 33%。然后补上最锋利的一刀——研究发现这 ~33% 的"成功"大部分来自记忆（memorization）而非泛化；模型对大界面、domain–domain 复合物、降解剂复合物尤其吃力，遇到新型 E3 体系基本失灵。结论：33% 已经不高，而且这 33% 还掺了背答案的水分。再点出真实瓶颈：PDB 里非共价 MG 三元结构仅约 200 个（MG-PDB 收录 221）、负样本缺失、湿实验—模型匹配度差。最后引出全课暗线：拥有专有数据飞轮的人赢，而非拥有最大模型的人赢（以 Monte Rosa QuEEN 为引子，第三篇展开）。

本模块即"能/不能"的总纲，后续每模块的边界框都是它的细化。

① AF3 在某个已知 MG 三元复合物上"看着对、其实错"的对照图；② 各共折叠模型能力对比表（AF3/Boltz/Chai/Protenix/RFAA）；③ "数据 vs 模型"护城河示意。

「AI 已经能设计分子胶了」（错：是辅助假设生成器，不是真相机器）；「模型越大越强」（错：数据质量与专有性才是天花板）。

① AF3 的 ~33% 恢复率为什么"还要打折"？②（应用，批判性阅读）给一段"AI 从头设计分子胶"宣传，列出你会追问的 3 个问题并指出最可能是水分的一句。

MGBench / co-folding 基准（J Chem Inf Model 2026）；QuEEN（Science 2025）引子段。

Q4 的生物学根基｜前置：M0.2

先把 UPS 当成细胞的"垃圾分类+回收"系统讲清三步：E1 活化泛素、E2 转运、E3 给底物"贴标签"（连接酶决定特异性）。重点放在 CRL4^CRBN：Cullin4 骨架 + DDB1 接头 + CRBN 底物受体，neddylation（接 NEDD8）像"打开开关"激活整台机器。然后讲全课最关键的生物学洞见之一——招募 ≠ 降解：把一个底物拉到 E3 旁边只是第一步，能不能真被降解还取决于底物的赖氨酸是否被泛素链够得着、链是 K48（送去酶解）还是 K63（信号）、链延伸够不够"处理性"、三元复合物的几何与停留时间。这就是 Q4 为什么难、为什么"建好了三元结构也不代表能降解"的根。最后点出催化性：一个降解剂分子能驱动很多份靶蛋白被清除（事件驱动），这是降解优于抑制的核心红利。

当前模型擅长"会不会形成三元复合物（几何）"，对"形成后会不会高效降解"预测很弱——因为后者依赖链拓扑、处理性这些缺数据的动力学量。这是 M4.4 的难点之源。

UPS 级联 + CRL4^CRBN 机器图（必做）；K48 vs K63 链拓扑对比。

「拉到 E3 旁边就会被降解」（错）；「泛素化 = 降解」（错：取决于链类型与下游）。

① neddylation 在 CRL 激活里起什么作用？② 为什么"招募成功"不等于"降解成功"，举两个决定因素。③（应用）某胶能形成稳定三元复合物却几乎不降解靶点，列出三个可能原因。

UPS / CRL 机制综述一篇。

Q1 的资源面｜前置：M1.1

换一个视角看 E3——不是生物学背景板，而是可调用的"设计资源库"。主线 CRBN/CRL4：IMiD/CELMoD 的舞台，G-loop 识别的范式（细节留给 M1.4）。然后讲非 CRBN 路线，并把它们按"识别机制"二分讲清：非共价界面延伸（DCAF15 + indisulam/E7820 → RBM39，芳基磺酰胺把底物"延伸贴"到连接酶界面）vs 共价稳定（DCAF16/DCAF11 + 共价弹头 → BRD4 等）。再扫一遍可用 E3 宇宙（VHL、KEAP1、β-TrCP、SIAH1…）和"可成药/PROTAC-able E3 universe"概念。收尾打出战略牌：组织/肿瘤特异性 E3 能拓宽治疗窗口——在肿瘤高表达的 E3 上做胶，正常组织少表达，毒性更小。

AI 能帮挖"可配体化 E3"和口袋可成药性；但绝大多数 E3 缺三元结构数据，非 CRBN 体系的建模可靠性远低于 CRBN（呼应 M0.4 的"新型 E3 基本失灵"）。

E3 版图地图（CRBN 居中，DCAF 家族与其他 E3 环绕）；非共价 vs 共价两条路线对照图。

「分子胶只能用 CRBN」（错：DCAF 家族等正在扩张）；「E3 越多越好」（错：缺乏数据与配体的 E3 没法立刻用）。

① indisulam–DCAF15–RBM39 属于哪种识别策略？② 组织特异性 E3 为什么能拓宽治疗窗口？③（应用）给一个在肝高表达、需避免中枢毒性的靶点，你会优先考察哪类 E3？

非 CRBN 分子胶 / DCAF 体系综述一篇。

Q2 的机制根基｜前置：M1.1、M0.2

把 M0.2 的"协同"落到结构与动力学上。先讲结构来源：胶坐进 E3 口袋后改造出一个"新表面（neosurface）"，这个新表面与底物形成互补——活性来自小分子–蛋白 + 蛋白–蛋白的协同接触。然后拓宽"分子胶"的概念边界：除了降解型（MGD），还有非降解型——rapamycin–FKBP–mTOR、FK506–FKBP–钙调磷酸酶、sanglifehrin，以及 MTA 协同型 PRMT5（如 AMG-193，在 MTAP 缺失肿瘤里的"合成致死式"协同）。这些都是"用小分子制造/稳定一个界面"，只是下游不是降解而是抑制/稳定/功能改变。最后上动力学：三元复合物寿命决定泛素化窗口；hook 效应——浓度过高时形成竞争性二元复合物、反而压低活性（钟形曲线，PROTAC 更典型，胶因单价相对缓和但仍存在）；催化循环让一个胶反复工作。可补一个新教学样例 MRT-31619（让 CRBN 自身二聚并被降解的"化学敲除"工具），展示三元复合物的非常规几何。

模型能估界面与埋藏面积；对寿命、hook、催化效率这些动力学量基本无能为力（无数据）。

neosurface 形成示意；hook 效应钟形曲线；非降解型胶范例（rapamycin 三元）。

「分子胶 = 降解剂」（错：还有稳定/抑制型）；「浓度越高降解越强」（错：hook 效应）。

① 协同性的两类结构来源是什么？② hook 效应为什么发生？③（应用）一条剂量—降解曲线在高浓度端回落，如何解释、如何在实验里规避？

分子胶机制综述；非降解型胶（rapamycin/14-3-3）一篇。

Q1 的核心规则｜前置：M1.3

这是 Q1 的"语法书"。先立范式：打开 5FQD，重点看 CK1α 那个含甘氨酸的 β-发夹 G-loop 如何精确卡进 CRBN+lenalidomide 形成的 neosurface——G-loop 定义了一组表面特征，与 CRBN/胶界面整体互补。这就是 IMiD 能降解 IKZF1/3、CK1α、GSPT1、SALL4 等一大票看似无关蛋白的统一解释。然后讲"语法在扩张"：经典 β-发夹之外，已发现螺旋型 G-loop、表面模拟（surface mimicry）型非经典降解子（VAV1 通过分子表面模拟接触 CRBN；G3BP2、KDM4B、VCL 等不含经典 G-loop），以及最新的 mTOR 甘氨酸 helix-loop-helix（HLH）motif——把"非 β-发夹"蛋白也纳入了 neosubstrate 名单。结论：CRBN 的底物谱比想象大得多，但"非经典"正是 AI 预测最弱的地方（埋下 M4.1 的边界）。最后给"可成胶性"的结构判据清单，为 Q1 蛋白组挖掘铺路。

G-loop 模板匹配是 QuEEN 类全蛋白组挖掘的技术核心（M4.1）；但非经典降解子缺模板、缺数据，预测可靠性显著下降。

5FQD 三元复合物 + G-loop 特写（必做）；经典 vs 螺旋型 vs 表面模拟型对照图。

「只有 β-发夹 G-loop 才能被 CRBN 粘」（错：螺旋型、表面模拟、HLH 都行）；「有 G-loop 就一定会被降解」（错：只是几何相容的必要非充分条件）。

① G-loop 为什么能解释 IMiD 降解一大批不相关蛋白？② 举两类非经典降解子。③（应用）给一个蛋白结构，列出你会检查哪些表面特征来初判可成胶性。

CK1α–lenalidomide–CRBN 结构（5FQD）原始文献；G-loop 规则 / QuEEN（Science 2025）。

立项决策｜前置：M1.2、M1.4

把前四个模块收口成"立项时怎么选模态"。做一张权衡表逐维对比：成药性（胶赢——小、口服、过 BBB）、理性设计难度（PROTAC 赢——可拼装）、IP 空间、合成可及性、剂量与组织分布。强调没有银弹：胶适合"靶点本身有可成胶表面、且需要传统小分子成药性"的场景；PROTAC 适合"需要快速理性设计、靶点有现成配体"的场景。再讲杂合地带，破除非此即彼的二分：分子胶式 PROTAC（缩短连接子到接近胶）、分子内胶、以及 IMiD 弹头既能当胶又能当 PROTAC 的 E3 招募端。

AI 在 PROTAC 上更成熟（模块化、可枚举连接子）；正因为胶非模块化、更难，AI 的杠杆反而更大——这是全课"以胶为圆心"的立论收口。

胶 vs PROTAC 多维权衡表（必做）；杂合模态谱。

「降解剂里 PROTAC 更先进所以更好」（错：模态选择看靶点与开发目标）。

① 何种靶点/开发目标更适合分子胶？② IMiD 弹头的"双重角色"指什么？③（应用）给一个需口服、长期给药、有浅口袋的肿瘤靶点，你选哪种模态，理由？

模态选择 / 降解剂设计权衡综述一篇。

所有模型的入口｜前置：M0.2

开场抛出一句口头禅——"垃圾的表示，再强的模型也救不回来"。逐一过分子表示：SMILES（字符串，方便但丢 3D）、分子图（原子=点、键=边，GNN 的食材）、3D 构象（对接/几何模型必需）、指纹（ECFP，快但粗）。再过蛋白表示：序列（ESM 等蛋白大模型把进化信息压成嵌入向量）、结构（坐标）、表面表示（把蛋白当成一张"地形图"，看口袋/凸起/电荷分布——这是 MaSIF 类几何深度学习的入口，也是 Q1 蛋白组挖掘的关键，M2.2 展开）。收尾点出分子胶的"表示地狱"：别的任务表示一个分子或一个蛋白就够了，分子胶要把胶 + 靶 + E3 + 那个被诱导出来的界面作为一个整体对象同时表示——复合度陡增，正是建模难的根源之一。

表面表示让"跨蛋白组找相似口袋/降解子"成为可能；但没有好的"诱导界面"统一表示——界面是被胶诱导出来的，不是预先存在的，难以提前编码。

同一分子的四种表示并排图；蛋白表面"地形图"示例（电荷/疏水着色）。

「3D 一定比 2D 好」（错：看任务，且 3D 构象本身要先预测、可能错）。

① 为什么说"表示决定模型上限"？② 表面表示相比序列表示在 Q1 任务上强在哪？③（应用）要做"全蛋白组找类 G-loop 表面"，你优先选哪种表示，为什么？

ESM 蛋白语言模型一篇；MaSIF（表面学习）一篇。

模型"动物图鉴"｜前置：M2.1

把它当成一张"模型动物图鉴"，每种都讲清"吃什么、吐什么、强在哪、坑在哪"。GNN：吃分子图，做性质预测，但易过拟合小数据。Transformer/蛋白大模型：吃序列，长程依赖强，是表示与生成的主力。扩散模型：从噪声"雕"出结构/分子，是 AF3 与从头设计的引擎。然后重点讲透几何深度学习 + 等变性：模型对输入做旋转/平移，输出要"跟着转"而不是乱变（E(3)/SE(3) 等变）——这对 3D 蛋白表面学习是刚需，是 MaSIF/QuEEN 把"可成胶表面"投影到全蛋白组的技术底座，需要重点讲透。最后把物理方法摆回位置：对接给几何初猜、MD 看动态稳定性、FEP 算结合自由能差——它们慢但有物理意义，和 AI 是"互补"——AI 快速筛、物理精修验证，不是谁取代谁。

等变几何模型能做跨蛋白组的表面匹配；但所有这些模型的天花板由数据决定（第三篇主题），模型家族本身不是护城河。

模型家族对比表（输入/输出/强项/坑）；等变性直觉图（旋转输入→输出同步旋转）。

「AI 取代了物理模拟」（错：互补）；「等变只是技术细节」（错：3D 任务的正确性前提）。

① 等变性是什么，为什么 3D 蛋白任务需要它？② 对接、MD、FEP 各自回答什么问题？③（应用）你有 GPU 预算有限、要先粗筛一万个口袋，AI 与物理方法如何分工？

几何深度学习/等变网络综述；FEP 在药物发现中的应用一篇。

Q2 的引擎｜前置：M2.2

先讲 AF2 解决了"单链折叠"，AF3 靠加进扩散模块把能力扩到蛋白 + 小分子 + 蛋白/核酸/离子——这才是"共折叠（co-folding）"：一次性把多组分体系一起折出来。点名当代选手：AF3、Boltz-1/2、Chai-1、Protenix、RoseTTAFold-All-Atom，给定位对比（注意：MGBench 测的是 Boltz-1，Boltz-2 已发布——顺带讲"基准永远滞后于模型"）。然后把置信度解读当成本模块的硬技能讲透：pLDDT（每残基局部置信）、PAE（残基对/结构域间的相对位置误差，看界面要看这个）、ipTM/pTM（界面/整体打分）——并反复敲打高置信 ≠ 正确，尤其对训练里没见过的诱导界面。最后引出分子胶专用增强：YDS-GlueFold、FKSFold 等引导扩散（guided diffusion）思路——给通用模型加分子胶先验，把它"掰"向 neo-PPI，因为通用模型对分子胶界面本就不灵（回扣 M0.4 的 33%）。

能建模蛋白+配体+蛋白的三元体系、给出可读的置信度；不能保证分子胶界面正确（~33% 恢复且多靠记忆），对大界面/诱导口袋/新型 E3 尤其弱。

AF2→AF3 能力扩展图；置信度三件套（pLDDT/PAE/ipTM）读图示例（一个"高置信但错"的反例）。

「ipTM 高就说明结构对了」（错：训练域外不可靠）；「最新模型一定上过最新基准」（错）。

① 看一个三元复合物界面靠不靠谱，主要读哪个置信度指标？② 为什么通用共折叠模型需要被"引导"向分子胶？③（应用）给一组 AF3 输出（pLDDT 高但 PAE 在界面处差），你信还是不信，为什么？

AF3 原始论文；MGBench 基准（J Chem Inf Model 2026）；GlueFold 类引导扩散一篇。

Q3 的方法源｜前置：M2.2

把"生成"讲成"带约束地造分子/造蛋白"。先讲从头分子生成：模型学会化学空间后，可在条件下采样——条件可以是"要贴合这个 E3 口袋""要诱导这个界面互补"，这正是 Q3 想要的"面向三元界面的设计"。再讲更前沿的蛋白/界面设计：RFdiffusion 类方法直接"扩散"出蛋白骨架，理论上能同时设计蛋白与胶（第六篇的 foundation model 方向）。最后讲 MPO：真实分子要同时满足活性、选择性、合成可及性、IP、成药性——生成不是优化单一目标，而是在多目标的帕累托前沿上找折中。强调本模块给的是"想法的来源"，可合成性与真实三元活性必须实验定夺（M4.3 收口）。

能生成大量"看起来合理"的候选与新骨架；不能保证可合成、不能保证三元活性——生成模型给想法，不给真相。

条件生成示意（以界面互补为条件采样分子）；MPO 帕累托前沿图。

「生成出来就能做出来」（错：可合成性是独立的硬约束）；「多目标=加权求和」（窄化：本质是帕累托权衡）。

① "面向界面的条件生成"在分子胶里要喂什么条件？② MPO 为什么不能简单加权成单目标？③（应用）生成器给了 1000 个分子，你下一步用哪些过滤器收敛到可合成、可成药的少数？

de novo 生成综述；RFdiffusion 一篇。

贯穿全课的"批判性内核"｜前置：M2.3

这是把学员从"AI 信徒"变成"AI 审稿人"的一讲。核心反直觉点：随机切分的高分多半是假的——因为训练集里有和测试集近乎重复的分子/结构，模型其实在"背答案"。正确做法是 time-split（按时间分，模拟"用过去预测未来"），MGBench 正是这么做的，所以它的 33% 才可信、才暴露出"成功多靠记忆"（直接回扣 M0.4）。再讲适用域：模型只在见过的化学/结构空间里可信，外推就是赌博；以及不确定性量化（集成、conformal）——一个诚实的模型要会说"我不确定"。最后教怎么读指标：33% 是恢复率不是准确率、是在 held-out 上、还掺了记忆水分——学会拆解一个数字背后的口径。可解释性收尾：能帮提假设，但不能当因果证据。

本模块即"如何判断 AI 能/不能"的方法论总成，是 M6.4 批判性思维的技术底座。

随机切分 vs time-split 的分数对比图（同一模型，分数虚高 vs 真实）；适用域示意。

「论文报了 0.9 的 AUC 就很强」（错：先问怎么切的数据）；「可解释性=因果」（错）。

① 随机切分为什么会高估性能？② 适用域是什么，为什么外推危险？③（应用，批判）给一份内部模型报告（随机切分、未报不确定性），你会提哪三个批判性问题？

药物发现 ML 陷阱 / time-split 基准方法论一篇。

数据层总纲｜前置：M2.5、M0.4

开场用一个对比震一下：训练一个像样的视觉模型有上百万张图，而全世界非共价分子胶三元复合物结构只有约 200 个（MG-PDB 收 221）。再点出更致命的——负样本缺失：没人发表"我测了这个分子，它没粘住"，所以模型只见过成功、没见过失败，根本学不会判别边界。历史数据还零散、偶然、口径不一。结论顺理成章：这不是换个更大模型能解决的问题，是数据问题——这就是为什么 M0.4 的 33% 上不去，也是为什么第三篇是全课的胜负手。把"数据天花板"这个概念立住，后面四个模块都在回答"那怎么造数据"。

本模块即"瓶颈"的定义本身。

数据量级对比图（视觉/NLP 百万级 vs MG 三元 ~200）；正负样本失衡示意。

「数据不够就用更大模型补」（错：数据是上限，不是模型）；「公开数据已经够了」（错，且有偏）。

① 为什么负样本缺失对分子胶建模特别致命？② 200 量级的结构数据如何具体限制 Q2 建模？③（应用）若只能补一类数据来突破天花板，你补正样本结构还是负样本活性数据，为什么？

MG-PDB / 数据稀缺论述（MGBench 论文相关段）。

数据"地图册"｜前置：M3.1

把它当成一本"去哪找数据"的地图册，但重点不是罗列网址，而是教怎么挑剔地用。逐类过：结构数据（PDB 是金标准但 MG 三元极少；AlphaFold DB 是预测不是实测，别当真值）、分子胶/降解剂专库（MG-PDB + MGBench 是分子胶专用、且 MGBench 做了 time-split 适合做基准；PROTAC-DB/PROTACpedia 偏 PROTAC，作对照用）、降解子/泛素组学/蛋白组学公共库。每讲一个库都追问三件事：质量（实测还是预测）、偏倚（集中在哪类靶点/E3）、可用性（许可、格式、能不能直接喂模型）。强调公共数据有强烈偏倚（CRBN/14-3-3 占大头），盲用会让模型"偏科"。

公共数据能起步、能做基准；但偏倚重、负样本无、量级小，靠它做不出护城河（引出 M3.3/M3.4 的自有数据）。

公共资源地图（按 5 问/数据类型分区）；某专库的靶点/E3 分布饼图（暴露偏倚）。

「AlphaFold DB 里的结构=实验结构」（错：是预测）；「公开库无偏」（错：集中在少数 E3）。

① 为什么做基准更适合用 MGBench 而不是随便切 PDB？② 评估一个公共数据集要问哪三件事？③（应用）你发现某库 90% 数据是 CRBN，用它训练会有什么风险？

MG-PDB/MGBench 数据说明；一篇 TPD 数据资源综述。

数据层的"转译"核心｜前置：M3.2、M1.1

本模块的核心技能是"翻译"——把实验台上的产物翻成模型能吃的标签。主菜是全局定量蛋白组质谱：一次实验测全细胞蛋白丰度变化，直接读出"这个胶降了哪些蛋白、降了多少"——既是 MoA 金标准，也是选择性与脱靶的天然训练信号（配合 TurboID 邻近标记、dTAG 系统做靶点验证）。再过其他数据源并标注它们变成什么标签：DEL 筛选→海量结合/富集标签；细胞降解（HiBiT 实时、WB、流式）→DC50/Dmax 类功能标签；生物物理（SPR/ITC 测亲和与热力学、TR-FRET 测三元、天然质谱测复合物、HDX 测界面）→结合/界面标签。每讲一个都做一次"翻译练习"：这条数据，能监督模型的哪个预测任务？这就是把湿实验和 AI 接起来的思维。

蛋白组学让"全蛋白组选择性"可被监督学习；但这类数据贵、慢、标准化差，是数据飞轮要重点工程化的环节（M3.4）。

一张"实验→信号→模型任务"映射表（必做，全课高频引用）；蛋白组火山图（一个胶的降解谱）。

「细胞活性数据就够训模型了」（错：缺选择性维度，需蛋白组）；「实验数据天然能喂模型」（错：要先翻成标签、去批次效应）。

① 为什么全局蛋白组是选择性的"裁判级"信号？② 把 HiBiT 降解曲线翻成什么标签？③（应用）你想训练一个脱靶降解预测器，优先要哪类实验数据，如何转成标签？

定量蛋白组学测降解谱一篇；dTAG / 邻近标记一篇。

护城河的"发动机"｜前置：M3.3

这是第三篇的高潮，也是全课暗线的兑现——赢家是有数据飞轮的人。以 QuEEN 为活案例（Science 2025 封面）拆解四个齿轮如何咬合：内部蛋白组（自家测的降解谱，独有）＋结构生物学（解三元结构）＋几何深度学习（把"可成胶表面"学出来）＋多样化学库（喂各种胶），合起来做全蛋白组 CRBN 靶点空间挖掘，预测出 >1600 个 G-loop 相容蛋白，还发现了螺旋型 G-loop 和 VAV1 的表面模拟模式。然后抽象出可复用的"飞轮"原理：实验→数据→更好的模型→更聪明的下一批实验→更多更好的数据，复利滚动；外人没有你的内部数据，就追不上。再讲数据治理是飞轮能转的前提（策展、本体统一、FAIR）。最后给中小 Biotech 的"以小博大"打法：不拼数据量，拼某一类靶点/E3 上的深度专有数据 + 干净治理——在窄赛道上把飞轮转起来。

专有飞轮能把模型推到公共数据到不了的高度；但飞轮启动需要前期重资产（湿实验+结构+治理），这是壁垒也是门槛。

QuEEN 四齿轮整合图；数据飞轮闭环图（核心可视化，全课高频）；>1600 候选的全蛋白组投影示意。

「数据飞轮=数据多」（错：是闭环复利 + 治理 + 专有性）；「小公司没机会」（错：窄而深可破局）。

① QuEEN 的四个组成各自贡献什么？② 数据飞轮为什么会形成"越跑越快"的复利？③（应用）一家只有 20 人的 Biotech，给一个在某 E3 上做飞轮的最小可行方案。

QuEEN（Science 2025）；FAIR 数据原则一篇。

靶点/患者维度｜前置：M3.4

把镜头从"分子"拉远到"疾病系统"。讲清多组学（转录组、蛋白组）在分子胶研发里的两个用处：一是靶点发现与验证（哪些蛋白在病里被异常依赖、降了它有没有治疗意义）；二是患者分层与生物标志物（谁会响应、用什么指标追疗效）。再点一笔耐药图谱的数据采集——提前收集耐药样本的组学数据，为 M5.4 用 AI 预判耐药铺路。本模块偏"语境"，篇幅适中，目的是让你明白：分子胶不只是化学/结构问题，最终要落到病人身上，组学是连接两端的桥。

组学能定位靶点与人群；但从"相关"到"该降它且降它有效"仍需功能验证，AI 在此只是优先级排序器。

靶点发现→分层→标志物的多组学流程图。

「组学相关性 = 因果靶点」（错：需功能验证）。

① 多组学在分子胶研发里的两大用途？② 耐药图谱数据为什么要提前采集？③（应用）给一个肿瘤适应症，你会用哪类组学做患者分层？

多组学靶点发现/患者分层综述一篇。

Q1｜前置：M1.4、M2.1、M2.2、M3.1

回到 5 问地图点亮 Q1。问题定义：在两万多个人类蛋白里，找出"长得像能被粘"的那些。生物约束：可成胶性的结构判据来自 M1.4 的语法（G-loop/螺旋型/表面模拟/HLH）。AI 方法：两条路线——① G-loop 结构模板匹配（拿已知降解子当模板去全蛋白组扫）；② surface matchmaking（用几何深度学习把"可成胶表面 patch"投影到全蛋白组，找互补口袋），这正是 QuEEN/MaSIF 路线（复盘 M3.4，QuEEN 预测 >1600 个 G-loop 相容蛋白）。优先级排序是本模块的实操灵魂：把 可成胶性 × 疾病生物学 × E3 相容性 三轴交叉，从 >1600 里筛出真正可立项的少数；顺势讲"可成胶基因组（gluable genome）"概念，以及对 MYC/STAT3/KRAS 这些经典"不可成药"靶点的攻坚意义。能力边界 + 咬合：预测出的是"可能性"，每个候选都要回到实验验证级联（M5.1）；非经典降解子（无 G-loop、表面模拟、mTOR HLH 型）目前预测最弱。

能——全蛋白组投影几何特征、产出排序候选清单（QuEEN >1600）；不能——断言"一定会被降解"，非经典降解子可靠性显著下降；瓶颈——负样本缺失 + 结构数据稀缺压低天花板（回扣 M3.1）。

QuEEN 全蛋白组投影图；三轴交叉打分漏斗（>1600 → 可立项少数）；一个非经典降解子（VAV1/mTOR）预测翻车的对照。

「打分高 = 可降解」（错：只是几何相容）；「候选上千 = 靶点上千」（错：绝大多数会被实验淘汰）；「AI 给了清单就省掉实验」（错）。

① G-loop 模板匹配与 surface matchmaking 各在找什么？② 为什么"候选上千"不等于"靶点上千"？③（应用，实操）跑完打分，挑出前 3 名，说明你还需要哪些湿实验才能立项。

用 G-loop 模板在一个激酶家族打分，与 QuEEN/已知底物对照（云端 notebook）。

QuEEN（Science 2025）；MaSIF / 几何深度学习一篇。

Q2｜前置：M1.3、M2.3、M3.1

点亮 Q2。问题定义：把 Q1 选出的"靶 + E3 + 胶"折成一个三元结构，并判断它们"贴得牢不牢"（协同）。约束：协同性来自 M1.3 的结构与动力学来源。AI 方法：用共折叠模型（AF3/Boltz/Chai…）建三元复合物，读界面、算埋藏面积、估 ΔΔG/协同，再用 MD 精修动态稳定性（AI 快筛 + 物理精修，回扣 M2.2）。本模块的诚实硬课：直面失败模式——AF3 在 MGBench 上 MG 界面恢复仅 ~33% 且多靠记忆，对诱导成型口袋、大界面、新型 E3 体系尤其会错。教学的关键不是"怎么跑模型"，而是"怎么判断这次该不该信"：看置信度（M2.3 的 PAE/ipTM）、看是否落在模型见过的体系、看物理是否自洽。专用方法：当通用模型不灵时，GlueFold 类引导扩散给分子胶先验，适用于"已知 E3、想精修界面"的场景。咬合：把建模当假设生成器，用 SPR/TR-FRET/结构生物学去证伪（M5.1）。

能——给出三元结构假设 + 可读置信度 + 界面/埋藏量估计；不能——保证界面正确（~33% 且掺记忆），对诱导口袋/大界面/新型 E3 高失败；瓶颈——结构数据稀缺，模型在训练域外是"猜"。

一个"高置信但错"的 AF3 三元复合物对照真实结构（核心震撼图）；协同性 ΔΔG 示意；该信/该弃的决策清单。

「建出来就是真相」（错：是假设）；「ipTM 高=界面对」（错：域外不可靠）；「跑通了模型=完成了 Q2」（错：要证伪）。

① ~33% 恢复率为什么意味着"建模是假设生成器不是真相机器"？② AF3 在哪三类情形最易出错？③（应用，实操）给一份 AF3 三元输出，判断信不信，并设计一个证伪它的湿实验。

用 AF3/Boltz 跑一个已知 MG 三元复合物，对照实验结构，亲眼看 33% 是什么意思（云端 notebook，全员"震撼时刻"）。

AF3 论文；MGBench（J Chem Inf Model 2026）；GlueFold 类一篇。

Q3｜前置：M2.4、M4.2

点亮 Q3。问题定义：造出能制造那个 neo-PPI 的分子。约束：分子要同时坐进 E3 口袋、改造出与靶互补的 neosurface。AI 方法：苗头发现三条路——分子胶样化学库虚拟筛选、DEL+ML（海量结合数据训判别器）、从 E3 口袋出发的片段生长；以及面向三元界面的从头生成（把"界面互补"当生成条件，回扣 M2.4）。本模块最反直觉的硬核：分子胶的 SAR/SDR 极其非直觉——一个极小的化学改动可能彻底反转降解谱（换一个底物、甚至从降解变不降解），因为你改的不是"对单一口袋的亲和"，而是"那张诱导界面的形状"。这让传统 SAR 经验失灵，也是 ML 建 SDR 的价值与难点所在。MPO：活性、选择性、合成可及性、IP 空间、成药性同时优化（帕累托权衡），并为 IP 做骨架跃迁（scaffold hopping）。咬合：生成模型给"想法"，可合成性与三元活性必须实验定夺（回扣 M2.4 收口）。

能——产出大量候选与新骨架、建 SDR 趋势；不能——保证可合成、不能保证三元活性、SDR 外推不可靠（小改动大反转）；瓶颈——SDR 数据稀缺且非线性。

三条苗头路线图；一个"小改动→降解谱大反转"的 SDR 实例（核心，体现非直觉）；MPO 帕累托前沿。

「分子胶 SAR 和抑制剂一样可外推」（错：极度非直觉）；「生成出来就能合成」（错）；「优化活性就行」（错：MPO）。

① 为什么分子胶 SAR 比抑制剂更难外推？② 面向界面的从头生成要喂什么条件？③（应用）生成器给了 1000 个候选，设计一套过滤流程收敛到可合成、选择性好的少数。

用生成模型对一个 E3 口袋生成苗头并讨论可合成性（云端 notebook）。

分子胶从头设计/DEL+ML 一篇；分子胶 SAR 非直觉性案例一篇。

Q4｜前置：M1.1、M3.3

点亮 Q4。问题定义：分两层——粘了会不会真降解（功能），以及降了会不会误伤别的蛋白（选择性）、能不能成药（DMPK）。约束：功能层回扣 M1.1 的"招募≠降解"——这也是为什么 DC50/Dmax 预测难（依赖链拓扑、处理性、几何这些缺数据的动力学）。AI 方法 + 本模块的招牌风险：全蛋白组脱靶降解预测——因为一个 G-loop 模板可能匹配上千蛋白（M4.1 的 >1600 是双刃剑），脱靶是分子胶特有的核心风险，必须用全局蛋白组数据（M3.3）来监督预测与裁判。再讲 bRo5 空间的 ADMET/DMPK：分子胶常落在五规则之外，传统性质模型外推不准，需要三元复合物感知的性质模型。决策：把以上整合成早期成药性打分与 Go/No-Go 节点——什么指标不过就砍。咬合：预测的选择性/性质都要被蛋白组学与 DMPK 实验证实（M5.1/M5.3）。

能——用蛋白组数据训选择性/脱靶预测、做趋势性 DMPK 打分；不能——可靠预测 DC50/Dmax 绝对值（动力学缺数据）、bRo5 外推弱；瓶颈——功能与 PK 的训练标签贵且少。

一个 G-loop 模板匹配上千蛋白的脱靶风险图（核心）；蛋白组选择性火山图；Go/No-Go 决策树。

「能形成三元就会降解」（错，回扣 M1.1）；「选择性靠看靶点亲和」（错：要看全蛋白组）；「五规则适用于胶」（错：常 bRo5）。

① 为什么脱靶降解是分子胶"特有"的核心风险？② DC50/Dmax 为什么难精准预测？③（应用，实操）用一份全局蛋白组数据做脱靶选择性分析，给出该分子的去/留判断。

用全局蛋白组数据做一次脱靶降解选择性分析（云端 notebook）。

脱靶降解/全蛋白组选择性一篇；bRo5 ADMET 一篇。

Q5｜前置：M4.1–M4.4、M3.4

点亮 Q5，把前四问连成一个转起来的轮子。问题定义：DMTA 不是直线而是循环——每轮实验数据回喂模型，让下一轮设计更聪明（直接呼应 M3.4 的数据飞轮）。AI 方法：主动学习（让模型挑"最值得做的下一个实验"——信息增益最大或不确定性最高的点）、贝叶斯优化（在多目标空间高效搜索）。自动化：自驱动实验室把"设计→合成→测试→分析→再训练"闭成自动环，让飞轮转得更快。本模块的灵魂是决策框架，而不是工具：你会拿到一套判据——什么时候继续迭代（在收敛、还有信息可挖）、什么时候砍（撞上不可逾越的选择性/PK 墙）、什么时候换 E3 或换模态（M1.2/M1.5 的退路）。强调"会砍"和"会换"和"会迭代"一样重要——这是研发领导力。

能——用主动学习显著减少达标所需实验数；不能——替代关于"何时止损/转向"的人类判断；瓶颈——自动化与数据回流的工程化落地难（M6.1）。

DMTA 闭环 + 主动学习选点示意；决策框架（迭代/砍/换）流程图。

「DMTA 是线性流程」（错：循环+回流）；「自动化=买设备」（错：关键是数据闭环与再训练）；「能优化就别砍」（错：会止损是核心能力）。

① 主动学习如何减少实验数？② 给三个"该砍"和"该换 E3"的判据。③（应用）一个项目连续三轮选择性都过不了，你迭代、砍、还是换模态？说明判据。

在一个玩具优化问题上跑主动学习，对比随机选点的效率。

主动学习/贝叶斯优化在分子设计中的应用一篇；自驱动实验室一篇。

Q1–Q5 的总集成｜前置：M4.1–M4.5

这一讲把 5 问从"分散的技能"焊成"一条链路"，用三个真实案例走一遍。正向案例：CRBN neo-substrate 全蛋白组挖掘 → 候选 → 验证的完整 QuEEN 链路，逐步对应 Q1（挖掘）→Q2（建三元）→Q3（化学）→Q4（选择性）→Q5（迭代），并在每步诚实标注AI 在哪步真起了作用、哪步仍靠经验/运气。回溯案例：indisulam/E7820–DCAF15–RBM39（历史上偶然发现的非 CRBN 胶）——做一次"如果用今天的 AI 重做会怎样"的思想实验，帮你看清 AI 能加速什么、又卡在哪（非 CRBN 体系建模弱）。共价案例：DCAF16–BRD4 共价分子胶，展示共价稳定路线与非共价路线在 5 问上的差异。本模块是 Capstone（v2.0 §5）的预演与样板——学员看完就知道自己的毕业项目该长什么样。

通过三案例对照，帮你形成"AI 能/不能"的校准直觉——这是全课的能力收口。

三案例各一张"5 问链路图"，每步标注 AI 贡献度（高/中/低/无）。

「成功案例里 AI 包办了一切」（错：很多步仍靠经验/运气）；「回溯案例说明 AI 当年就能做」（错：受限于数据/E3 体系）。

① 在 QuEEN 正向链路里，AI 贡献最大和最小的分别是哪一步？② 共价与非共价胶在 Q2 建模上有何不同？③（应用）选一个你熟悉的靶点，口头走一遍 5 问，标注每步 AI 能否帮上。

QuEEN（Science 2025）正向链路；indisulam–DCAF15–RBM39 一篇；DCAF16–BRD4 共价胶一篇。

5 问的"裁判台"｜前置：M3.3、M4.2、M4.4

把验证讲成一条从分子到细胞、逐级证伪假设的级联，并强调它双向——既验证 AI 的预测，又回喂数据飞轮。逐级过：生物物理层（SPR/ITC 测亲和与热力学、TR-FRET 测三元、天然质谱看复合物、HDX 看界面）→验证 Q2 的三元假设；细胞降解层（WB/HiBiT/流式/dTAG）→验证 Q4 的功能；全局蛋白组学→选择性的"终审裁判"，验证脱靶预测。每讲一层都回扣一句：这层产出的数据要回流到 M3.3 的"实验→标签"映射、喂回飞轮。本模块帮你把"模型预测"和"实验真相"在脑子里接成闭环。

实验是 AI 的真值来源；模型再好也要这条级联兜底——这是反炒作的现实锚。

验证级联金字塔（生物物理→细胞→蛋白组）+ 每层回流箭头。

「模型预测对了就不用全跑实验」（错）；「细胞降解阳性=选择性好」（错：要蛋白组裁判）。

① 验证三元复合物用哪些生物物理手段？② 为什么全局蛋白组是选择性的"终审"？③（应用）给一个 AI 预测的候选，排出你的验证级联顺序并说明每步要回流什么数据。

分子胶生物物理/蛋白组验证一篇。

临床前 PK/PD｜前置：M1.3、M5.1

核心反直觉点——降解剂的血药浓度和药效会"解耦"：因为降解是催化、事件驱动的，药物清除了、靶蛋白可能还压着（药效滞后于 PK），传统"浓度=药效"的 PK/PD 框架不适用。再讲 hook 效应在体内的表现、组织分布对疗效与毒性的影响，以及生物标志物驱动给药（用靶蛋白降解程度而非血药浓度来定剂量）。AI 现状：能做趋势性 PK/PD 建模，但对"催化解耦"这种非经典动力学预测有限，仍需体内数据校准。

能——趋势性 PK/PD 与分布预测；不能——精准刻画催化解耦动力学；瓶颈——体内数据少且贵。

PK 曲线 vs 靶蛋白降解曲线"解耦"对照图（核心）。

「血药浓度降下去药效就没了」（错：催化解耦）；「按浓度定剂量」（错：宜用降解标志物）。

① 为什么降解剂 PK 与药效会解耦？② 生物标志物驱动给药指什么？③（应用）一个降解剂血浆半衰期很短但药效持久，如何解释、如何定给药方案？

降解剂 PK/PD 非经典特性一篇。

风险面｜前置：M4.4、M1.4

把 M4.4 的选择性话题落到"安全性去风险"。脱靶降解是分子胶独有的毒性源——你以为只降 A，结果 G-loop 模板把 B、C 也降了。最经典的教训是 IMiD 的致畸性：沙利度胺的肢体畸形，机制上是降解了 SALL4（一个发育关键转录因子）——这是"脱靶降解→灾难"的历史铁证，也是为什么全蛋白组选择性是分子胶的生死线。再讲免疫调节型 neo-substrate 效应（IMiD 降 IKZF→免疫调节，可能是疗效也可能是毒性）、遗传毒性、组织特异性毒性。AI 的作用：全蛋白组脱靶筛查在早期就标出风险蛋白，把毒性问题前移。

能——全蛋白组脱靶预警、把毒性前移；不能——预测所有体内毒性（免疫/发育/长期）；瓶颈——毒性标签稀缺。

SALL4 降解→致畸的机制图（核心教训）；脱靶降解风险全蛋白组热图。

「细胞里选择性好就安全」（错：体内/发育毒性另算）；「脱靶只是疗效问题」（错：是安全性生死线）。

① 沙利度胺致畸的分子机制是什么？② 脱靶降解为何是分子胶独有风险？③（应用）AI 脱靶筛查标出一个发育相关蛋白被降，你如何去风险？

SALL4/IMiD 致畸机制一篇；脱靶降解安全性一篇。

长期疗效｜前置：M1.2、M3.5

讲清分子胶为什么会"失效"，以及怎么提前应对。耐药机制两类：① E3/CRBN 本身突变或丢失（机器坏了，胶没处发力）；② neo-substrate 突变让界面不再互补（最经典：indisulam 的 RBM39 G268V 突变，改一个残基就逃脱降解）。AI 的用武之地：用结构/序列建模提前预判哪些突变会导致耐药、设计能容忍突变的下一代分子，以及理性设计联用方案（打不同 E3 或不同通路）。把"耐药"从"事后补救"变成"立项时就纳入设计"。

能——预判热点耐药突变、指导下一代/联用设计；不能——穷尽所有临床耐药路径；瓶颈——临床耐药样本数据滞后。

RBM39 G268V 逃脱降解的界面对照图；两类耐药机制示意。

「耐药是临床后期才管的事」（错：宜在设计期预判）。

① RBM39 G268V 为什么导致耐药？② 两类主要耐药机制是什么？③（应用）给一个已知热点突变，设计一个抗耐药的下一代分子或联用策略思路。

RBM39/降解剂耐药机制一篇。

临床前收口｜前置：M5.1–M5.4

刻意克制、只讲"与传统小分子不同的少数关键点"，不背注册流程。核心差异有二：① 生物分析的双重性——不仅测原型药浓度（PK），还要测靶蛋白降解程度（PD 生物标志物），监管期望看到两条数据；② 催化解耦的剂量论证（呼应 M5.2，不能只靠暴露量）。再点一句各局（FDA/EMA/NMPA-CDE）对降解剂选择性/脱靶的关注。帮你建立"分子胶报批，哪些地方监管会特别问"的直觉即可。

AI 在监管文档里目前是辅助证据，不可替代实测；脱靶预测可作为选择性论证的补充。

传统小分子 vs 降解剂 IND 关注点差异清单（精简）。

「降解剂注册和普通小分子完全一样」（错：生物分析/剂量论证有特殊性）；「堆监管条款=讲清差异」（错：抓少数关键点）。

① 降解剂生物分析"双重检测"指什么？② 为什么剂量论证不能只靠暴露量？③（应用）你要为一个降解剂准备 IND，列出两条监管最可能追问的点。

降解剂监管/生物分析要点一篇。

能力落地｜前置：第三、四篇

把全课的技术拼成"一条能转的流水线"。讲技术栈与闭环：CADD/物理方法 + ML 模型 + 实验自动化 + 蛋白组学，按 5 问串成 DMTA 闭环（回扣 M4.5/M3.4）。重点是组织与战略选择：大药企可全栈自建；中小 Biotech 要算账——哪些自建（核心专有数据与模型）、哪些采购（通用工具）、哪些合作（湿实验/结构产能）。强调研发数据闭环的工程化才是平台的真功夫——不是堆工具，是让数据干净地流动、回喂、复利。

平台能把飞轮工程化；瓶颈在数据治理与闭环工程，不在单点工具。

平台流水线架构图（5 问 × 技术栈 × 数据回流）。

「平台=买齐工具」（错：核心是专有数据闭环）；「小公司必须全自建」（错：自建/采购/合作组合）。

① 平台的四大技术组成？② 中小 Biotech 的自建/采购/合作如何取舍？③（应用）给一家 30 人 Biotech 设计最小可行平台。

TPD 平台/数据闭环工程一篇。

商业护城河｜前置：M6.1

把"科学护城河"接到"商业护城河"。讲分子胶专利的两条线：组合物专利（保护分子本身）和机制/用途专利（保护"用这个胶降这个靶"）。AI 的新用法：做专利地形分析，在 可成胶靶点 × E3 × 骨架 的三维空间里识别"白空间"（还没人占的组合），指导立项往无人区走。再讲 FTO（自由实施）风险评估——别撞别人的专利。把 IP 当成和分子设计同等重要的"立项约束"。

能——AI 加速专利地形/白空间识别；不能——替代专业 FTO 法律判断；瓶颈——专利文本到结构的映射不完美。

靶点 × E3 × 骨架三维白空间示意。

「先做科学，IP 后补」（错：白空间应前置）；「AI 地形分析=FTO 结论」（错：需法务）。

① 组合物专利与机制专利各保护什么？② "白空间"在哪三个维度上找？③（应用）AI 发现某靶点 × 某 E3 是白空间但 FTO 有风险，你怎么权衡？

分子胶/降解剂 IP 策略一篇。

未来 3–5 年｜前置：全课

这是一张"未来地图"，每个方向都讲清"为什么重要 + 现在卡在哪"。① 拓展 E3 空间：组织/肿瘤特异性 E3、可配体化 E3 的发现（拓宽治疗窗口，回扣 M1.2）。② 超越降解的胶：稳定剂、诱导功能获得、去泛素化酶胶、RNA 等非蛋白靶标（回扣 M1.3 的概念边界）。③ 共价分子胶设计（回扣 M1.2/M4.6 共价路线）。④ 最激动人心的——诱导邻近的基础模型（foundation model）与生成式界面设计：同时设计蛋白与胶、端到端造出 neo-PPI。诚实收尾：这些都还早，且全都撞在同一堵墙上——数据（回扣全课暗线）。

前沿的共同瓶颈仍是数据与新型体系的泛化（回扣 M0.4/M3.1）。

四方向"未来地图"，每个标注成熟度与瓶颈。

「foundation model 快来了就解决一切」（错：仍受数据限）。

① 四个前沿方向各自的价值与瓶颈？② 为什么它们大多仍卡在数据？③（应用）你最看好哪个方向，给一个能在 2 年内验证的小切口。

诱导邻近 foundation model / 生成式界面设计一篇；共价胶一篇。

全课收口｜前置：M2.5、M0.4、全课

这是全课的"免疫系统"，把 M0.4 的立场和 M2.5 的方法论收成一套可随身携带的批判工具箱。你会拿到一份"常见失败模式清单"：随机切分骗人（M2.5）、置信度≠正确（M2.3）、招募≠降解（M1.1）、打分高≠可降解（M4.1）、建模≠真相（M4.2）、SAR 可外推的错觉（M4.3）、细胞选择性≠体内安全（M5.3）……然后做一次实战：拆一段真实的"AI 设计分子胶"宣传，逐句标注哪句是真本事、哪句是话术。最后把全课收口到一句价值观：对 AI 既不轻信也不轻蔑——既看见它真能做什么，也诚实承认它不能做什么，并永远记得数据才是护城河。

本模块即"如何判断 AI 能/不能"的能力总成与毕业线。

一页"分子胶 AI 失败模式清单"（可做成随身卡）；一段宣传的逐句拆解。

「批判=否定 AI」（错：是校准，不是轻蔑）。

① 列出 5 个本课讲过的失败模式。②（应用，综合）给一篇"AI 设计分子胶"新闻稿，写一段 200 字的批判性评估，区分真本事与水分。

药物 AI 炒作批判 / benchmark 反思一篇。