编辑推荐：
机器学习与生成式人工智能（generative AI）在化学科学中的快速发展，对用于训练和评估这些模型的数据提出了越来越高的要求。尽管算法层面的进展已引起广泛关注，但化学数据的质量、一致性、覆盖范围和可获取性仍然是制约人工智能驱动发现的主要瓶颈。本视角论文（p
机器学习与生成式人工智能（generative AI）在化学科学中的快速发展，对用于训练和评估这些模型的数据提出了越来越高的要求。尽管算法层面的进展已引起广泛关注，但化学数据的质量、一致性、覆盖范围和可获取性仍然是制约人工智能驱动发现的主要瓶颈。本视角论文（perspective）主张，计算数据（computational data）不应仅仅被视为实验数据的补充，而应被视为经过刻意设计的、面向特定领域的化学人工智能基础设施。这并不要求对化学空间进行穷尽式覆盖：计算方法独特价值在于其能够在选定的化学与构象空间区域内，系统性地生成可复现、标注一致的数据。通过神经网络势（neural-network potentials）和计算多肽设计（computational peptide design）的案例研究，研究人员考察了计算数据集的选择、采样、保真度和规模如何定义模型能力及其适用领域。随后，研究人员探讨了计算数据与实验数据如何结合，其中计算方法实现可扩展的靶向数据生成，而实验则提供物理依据与验证。最后，研究人员提出了在化学人工智能中实现刻意数据集设计、FAIR数据实践和开放基准测试的优先事项。
化学人工智能的数据基础：从碎片化实验记录到系统性计算基础设施
研究背景与问题
化学正处在一个关键的转折点。推动化学科学中机器学习（machine learning, ML）和生成式人工智能发展的算法已日趋成熟，但支撑这些算法的数据基础设施却未能同步跟上。化学领域的实验数据分散于各类期刊、机构和专有数据库中，采集条件不一致、缺乏统一格式标准，这使得化学领域尚不存在可与蛋白质数据库（Protein Data Bank, PDB）相媲美的综合性数据资源——后者正是AlphaFold2成功的关键基础。与此同时，化学空间规模极其庞大，仅类药分子空间就估计包含约1060个分子，碎片化的数据现状与如此巨大的化学空间规模相结合，使得有组织、有目的的数据建设努力不仅可取，而且必不可少。
研究内容与核心发现
研究人员从数据中心的视角出发，系统考察了化学人工智能中训练数据设计这一核心约束。研究首先分析了当前支撑化学人工智能的实验数据及其直接使用的局限性，包括发表偏倚（publication bias）导致的系统性失真、批次间差异（batch-to-batch variability）带来的模型迁移能力下降，以及催化、生物系统等特定领域中数据的稀缺性和分散性。随后，研究人员梳理了已涌现的计算数据基础设施——从GDB系列化学空间数据库、QM7/QM9量子力学数据集、ANI系列势能数据集，到MD17/MD22分子动力学轨迹数据集和OMol25大规模计算属性数据库等，展示了计算数据在一致协议下系统生成、可复现、可规模化标注的独特优势。
研究人员进一步考察了最大化现有数据价值的混合与迁移学习策略。主动学习（active learning, AL）通过将模型训练与靶向数据采集耦合，将计算资源集中于模型不确定性最高的区域，显著降低了达到目标精度所需的数据量。迁移学习（transfer learning）利用在大规模低精度数据上训练的模型编码通用化学知识，再以少量高精度数据进行微调。增量学习（delta learning）则通过学习两种理论水平之间的系统差异，以廉价基线方法的计算成本获得接近高精度方法的预测结果。
通过神经网络势和多肽设计两个案例研究，研究人员论证了数据策略与模型能力之间不可分割的关系。在神经网络势方面，ANI-1x通过主动学习将训练数据需求从1760万点降至约500万点，而MACE-MP-0仅需15万个结构即可在材料化学中取得优异性能，表明数据选择策略和架构设计共同决定模型的适用域。在计算多肽设计方面，研究人员展示了在包含256亿条序列的八肽空间中，以面积-脂质比（area-per-lipid, APL）为判别指标、结合主动学习迭代筛选的计算流程，成功预测并验证了九种八肽的成孔能力，发现了首批具有膜通道形成能力的超短肽。
关键技术与方法
研究人员在研究中综合运用了以下关键技术方法：主动学习循环（以集成分歧或不确定性估计指导靶向数据采集）；迁移学习框架（在大规模低精度数据上预训练后以高精度小数据集微调）；增量学习框架（学习两种理论水平之间的系统差异）；神经网络势（neural-network potentials, NNPs）构建（利用等变消息传递网络如NequIP和MACE编码旋转和平移对称性）；判别性计算指标设计（如以面积-脂质比APL作为多肽成孔能力的筛选指标）；以及FAIR数据实践（可查找、可访问、可互操作、可复用的数据管理原则）。样本来源方面，研究涉及的计算数据集包括GDB-11/13/17、QM7/QM9、ANI系列、MD17/MD22、OMol25等公开数据库，以及材料项目（Materials Project）和剑桥晶体数据中心（Cambridge Crystallographic Data Centre, CCDC）等社区资源。
研究结果
实验数据：丰富但不规则。 研究人员通过分析PDB、Reaxys、SciFinder、ChEMBL、PubChem等数据库及电子实验室笔记本（ELN）等工具，指出实验数据虽来源广泛，但存在发表偏倚、批次间差异、元数据缺失等问题，模型训练数据混淆了多种独立变异来源，导致跨实验场景的迁移能力差。在催化领域，周转数等实验数据稀缺且分散；在生物系统中，蛋白-配体结合数据对已知靶点丰富但对新骨架稀疏，使模型偏向已充分表征的化学家族。
计算数据作为平行基础设施。 研究人员通过梳理GDB系列、QM7/QM9、ANI系列、MD17、OC20/OC22、OMol25等数据集的发展脉络，论证了计算数据能够在一致协议下以可控方式系统生成，提供实验数据难以企及的均匀性和可复现性。但研究同时指出，化学空间规模使得穷尽覆盖不可行——GDB-17包含1660亿个结构，其生成耗费了10万CPU小时，而OMol25的生成更需60亿核时。因此，计算数据的价值在于对相关问题定义区域的有向覆盖，而非全域覆盖。
最大化现有数据的价值：混合与迁移学习方法。 研究人员通过主动学习、迁移学习和增量学习三种策略的考察，展示了如何从可用数据中提取最大效用。主动学习通过不确定性驱动的靶向采样将计算资源集中于模型知识最薄弱区域；迁移学习利用大覆盖低精度数据编码的通用化学知识进行小数据高精度微调；增量学习以廉价方法为基线学习向高精度理论的系统校正。在铱催化C–H硼化反应位点选择性预测和基于CCDC数据的毒性、合成产率、嗅觉特征预测等应用中，实验数据与计算数据的战略组合被证明是成功的关键。
案例研究：从势函数到多肽。 神经网络势案例表明，模型精度仅在训练采样的构象空间区域内有效，数据策略与模型架构共同决定模型的可靠域。ANI-1需要1760万数据点，而ANI-1x通过主动学习将需求降至约500万点，MACE-MP-0仅用15万结构即取得优异性能。研究还强调"负数据"的重要性——纳入远离平衡的高能或物理上不合理的构象，可教会模型识别并避开非物理区域，DeepSolv的pKa预测模型即受益于此。在多肽设计案例中，研究人员以APL为判别指标，在256亿条八肽序列空间中通过七轮主动学习迭代筛选，最终预测并实验验证了九种具有成孔能力的八肽，包括首批超短膜通道形成肽。
展望：面向生成化学的刻意数据设计。 研究人员指出，生成式模型对训练数据提出了根本不同的要求——不仅需要覆盖化学空间，还需编码化学有效性、合成可及性和分子性质分布的规则。计算数据与生成模型的结合存在幻觉和模式坍缩风险，需要实验锚定来防止纯计算循环中的错误累积。数据集在生成模型训练中的广泛使用还造成泄漏风险，使表观泛化可能反映记忆而非真正的化学洞察。研究人员呼吁采用FAIR原则、发展可演进的基准测试（如MoleculeNet和MS25）、推动多模态模型整合结构、光谱和合成路线等多学科数据，以支持多目标逆向设计。
结论
研究人员主张，计算数据应被定位为化学人工智能中经过刻意设计的、领域特定的基础设施，而非实验数据的简单补充。计算数据的独特价值在于能够在选定的化学与构象空间区域内系统生成可复现、标注一致的数据，其选择、采样、保真度和规模直接决定模型能力及其适用域。实验数据与计算数据的结合——计算提供可扩展的靶向数据生成，实验提供物理依据与验证——是实现可靠化学人工智能的关键路径。实现这一愿景需要社区范围内的系统协作、FAIR数据框架的采纳以及开放基准测试的持续演进，使计算数据在最有价值的地方生成，从而为化学人工智能奠定坚实的数据基础。
