简而言之：生成式人工智能主要通过生成候选分子或蛋白质序列、提出合成路线以及提出可验证的假设来加速早期药物发现，从而使团队能够减少“盲目”实验。当施加严格的约束条件并验证输出结果时，它的表现最佳；如果将其视为预言家，则可能自信地误导研究。
要点总结：
加速：利用 GenAI 扩大创意生成范围，然后通过严格筛选缩小范围。
约束条件：生成前需要属性范围、脚手架规则和新颖性限制。
验证：将输出结果视为假设；通过检测和正交模型进行确认。
可追溯性：记录提示、输出和理由，以便决策可审计和可审查。
防止滥用：通过治理、访问控制和人工审核来防止泄露和过度自信。
您可能还想阅读以下文章：
🔗 人工智能在医疗保健领域的作用
人工智能如何改善诊断、工作流程、患者护理和治疗效果。.
🔗 人工智能会取代放射科医生吗？
探讨自动化如何增强放射学，以及哪些方面仍然保留着人性。.
🔗 人工智能会取代医生吗？
客观审视人工智能对医生工作和执业的影响。.
🔗 用于科学发现的最佳人工智能实验室工具
顶尖人工智能实验室工具，加速实验、分析和发现。.
一口气说完生成式人工智能在药物发现中的作用😮💨
生成式人工智能能够帮助药物研发团队创建候选分子、预测其性质、提出修饰建议、规划合成路线、探索生物学假设并缩短迭代周期——尤其是在早期药物发现和先导化合物优化阶段。 《自然》2023年（配体发现综述） Elsevier 2024年综述（从头药物设计中的生成模型）
没错，它也能自信地胡言乱语。这是它的特性之一。就像一个热情过头的实习生拿着火箭引擎一样。临床医生指南（幻觉风险） npj 数字医学 2025（幻觉 + 安全框架）
为什么这件事比人们承认的更重要💥
许多发现性工作本质上都是“搜索”。搜索化学空间、搜索生物学、搜索文献、搜索结构-功能关系。问题在于化学空间……基本上是无限的。 《化学研究述评》2015（化学空间） Irwin & Shoichet 2009（化学空间尺度）
你可能要花好几辈子时间才能尝试所有“合理”的变体。.
生成式人工智能改变了工作流程：
-
“让我们看看我们能想到什么。”
到：
-
“让我们生成更多、更智能的选项，然后测试其中最好的几个。”
关键不在于摒弃实验，而在于选择更好的实验。🧠 《自然》2023（配体发现综述）
此外，这一点常常被忽视，但它有助于跨学科团队沟通。化学家、生物学家、药物代谢动力学专家、计算科学家……每个人都有不同的思维模型。一个优秀的生成系统可以作为一个共享的草图板。 《药物发现前沿》2024 年评论
用于药物发现的优秀生成式人工智能版本应该具备哪些特点？✅
并非所有生成式人工智能都一样。在这个领域，“好的”版本与其说是炫目的演示，不如说是朴实无华的可靠性（在这里，朴实无华反而是一种优点）。 《自然》2023（配体发现综述）
一个好的生成式人工智能系统通常具备以下特点：
-
领域基础：针对化学、生物学和药理学数据进行训练或适配（而不仅仅是通用文本）🧬 Elsevier 2024 年综述（生成模型）
-
第一代约束模型：它可以遵循亲脂性范围、骨架约束、结合位点特征、选择性目标等规则。JCIM 2024（从头药物设计中的扩散模型） REINVENT 4（开放框架）
-
性质意识：它生成的分子不仅新颖，而且在 ADMET 方面也“不荒谬” ADMETlab 2.0（为什么早期 ADMET 很重要）
-
不确定性报告：它表明何时是猜测，何时是可靠的（即使是粗略的置信区间也有帮助） OECD QSAR 验证原则（适用范围）
-
人机交互控制：化学家可以快速引导、拒绝和控制输出结果Nature 2023（工作流程 + 发现技术背景）
-
可追溯性：您可以了解某项建议的由来（至少部分如此），否则您就如同盲人摸象。经合组织 QSAR 指南（模型透明度 + 验证）
-
评估框架：对接、QSAR、过滤器、逆合成检查——全部集成🔧 Nature 2023（配体发现综述） CASP 中的机器学习（Coley 2018）
-
偏差和泄漏控制：避免训练数据记忆悄悄渗入（是的，这种情况确实会发生） USENIX 2021（训练数据提取） Vogt 2023（新颖性/独特性问题）
如果你的生成式人工智能无法处理约束条件，它基本上就只是一个新奇生成器。在派对上或许有趣，但在戒毒治疗中就没那么有趣了。.
生成式人工智能在药物研发流程中的作用🧭
以下是简单的概念图。生成式人工智能几乎可以应用于每个阶段，但在迭代成本高昂且假设空间庞大的情况下，它的表现最为出色。 《自然》2023（配体发现综述）
共同接触点：
-
靶点发现与验证（假设、通路映射、生物标志物推荐） 《药物发现前沿》2024 年综述
-
先导化合物识别（虚拟筛选增强，从头先导化合物生成） Nature Biotechnology 2019 (GENTRL)
-
先导化合物优化（推荐类似物、多参数调优） REINVENT 4
-
临床前支持（ADMET性质预测，有时提供制剂建议） ADMETlab 2.0
-
CMC 和合成规划（逆合成建议、路线筛选） AiZynthFinder 2020 Coley 2017（计算机辅助逆合成）
-
知识工作（文献综述、竞争格局概述）📚 2025 年模式（药物发现法学硕士）
在许多项目中，最大的成功并非源于某个单一模型的“卓越”，而是源于工作流程的整合。模型是引擎，流程是汽车。 《自然》2023（配体发现综述）
对比表：药物发现中常用的生成式人工智能方法📊
一张略有瑕疵的桌子，因为现实生活本身就略有瑕疵。.
| 工具/方法 | 最适合（观众） | 价格适中 | 它为何有效（以及何时无效） |
|---|---|---|---|
| 从头分子生成器（SMILES、图） | 药物化学 + 计算化学 | $$-$$$ | 擅长快速探索新的类似物 😎 - 但也可能产生不稳定的不合适产物REINVENT 4 GENTRL (Nature Biotech 2019) |
| 蛋白质/结构生成器 | 生物制剂团队，结构生物学 | $$$ | 有助于提出序列和结构——但“看起来合理”并不等同于“有效”。AlphaFold （Nature 2021） RFdiffusion（Nature 2023） |
| 扩散式分子设计 | 高级机器学习团队 | $$-$$$$ | 擅长约束条件和多样性——设置可以是一个完整的过程JCIM 2024（扩散模型） PMC 2025 扩散回顾 |
| 房地产预测辅助工具（QSAR + GenAI 组合） | DMPK，项目团队 | $$ | 适用于分诊和排名——但如果奉为圭臬则适得其反😬经合组织（适用范围） ADMETlab 2.0 |
| 逆合成规划者 | 工艺化学，CMC | $$-$$$ | 加快路线构思速度——但仍需人工进行可行性和安全性评估 AiZynthFinder 2020 Coley 2018 (CASP) |
| 多模态实验室辅助驾驶（文本+检测数据） | 翻译团队 | $$$ | 有助于从数据集中提取信号——如果数据不完整，则容易过度自信。 《自然》2024（细胞成像中的批次效应） 《npj数字医学》2025（生物技术中的多模态） |
| 文献和假设助手 | 实际上，每个人都如此。 | $ | 大大缩短阅读时间——但幻觉可能难以捉摸，就像袜子消失一样。 《2025 年模式》（药物发现法学硕士） 临床医生指南（幻觉） |
| 定制的内部基础模型 | 大型制药公司、资金雄厚的生物技术公司 | $$$$ | 最佳控制+集成——但也造价昂贵且耗时（抱歉，这是事实） 《药物发现前沿》2024 年评论 |
注：价格因规模、计算能力、许可方式以及您的团队是想要“即插即用”还是“让我们建造一艘宇宙飞船”而有很大差异。
深入了解：用于爆款发现和全新设计的生成式人工智能🧩
这是主要应用案例：从头开始（或从骨架开始）生成符合靶标特征的候选分子。Nature Biotechnology 2019 (GENTRL) REINVENT 4
实际操作中通常是这样的：
-
定义约束
-
靶标类别、结合口袋形状、已知配体
-
性质范围（溶解度、logP、PSA 等）利平斯基（5 法则上下文）
-
新颖性限制（避开已知的知识产权区域）🧠 Vogt 2023（新颖性评估）
-
-
生成候选人
-
脚手架跳跃
-
片段生长
-
“装饰这个核心”建议
-
多目标生成（结合+渗透+无毒） REINVENT 4 Elsevier 2024 综述（生成模型）
-
-
积极过滤
-
药物化学规则
-
PAINS 和反应群过滤器Baell & Holloway 2010 (PAINS)
-
AiZynthFinder 2020 的可合成性检查
-
对接/评分（不完美但有用） Nature 2023（配体发现综述）
-
-
选择一组小集合进行合成
-
人类仍然会挑剔，因为人类有时能闻出荒谬的东西。
-
令人尴尬的事实是：价值不仅仅在于“新分子”，而在于符合你项目限制条件的新分子。最后一点才是关键。 《自然》2023（配体发现综述）
另外，接下来可能有点夸张：如果做得好，你会感觉自己好像雇佣了一群不知疲倦、从不睡觉、从不抱怨的年轻化学家。但话说回来，他们也不明白为什么某种特定的保护策略会如此糟糕，所以……权衡一下吧😅。.
深入了解：利用生成式人工智能进行潜在客户优化（多参数调优）🎛️
销售线索优化是梦想变得复杂的地方。.
你想要：
-
效力提升
-
选择性提升
-
代谢稳定性提升
-
溶解度提高
-
安全信号向下
-
渗透性“恰到好处”
-
而且仍然可以合成。
这是经典的多目标优化问题。生成式人工智能特别擅长提出一系列权衡取舍的解决方案，而不是假装存在一个完美的化合物。REINVENT 4 Elsevier 2024 综述（生成模型）
团队实际应用的方法：
-
类似建议：“制作 30 种降低清除率但保持效力的变体”
-
取代基扫描：引导式探索而非蛮力枚举
-
脚手架跳跃：当核心遇到瓶颈（毒性、知识产权或稳定性）时
-
解释性建议：“这种极性基团可能有助于提高溶解度，但可能会降低渗透性”（并非总是正确，但很有帮助）
需要注意的是：性质预测模型可能很脆弱。如果你的训练数据与你的化学系列不匹配，那么模型很可能出错。而且错得离谱。它不会有任何歉意。OECD QSAR 验证原则（适用范围） Weaver 2008（QSAR 适用范围）
深入探究：ADMET、毒性以及“请不要终止该项目”的筛选🧯
ADMET 是许多候选者悄然失败的地方。生成式人工智能虽然无法解决生物学问题，但可以减少一些可以避免的错误。ADMETlab 2.0 警告 2015（人员流失）
常见角色：
-
预测代谢缺陷（代谢部位、清除趋势）
-
标记可能的毒性基序（警报、反应性中间体代理）
-
估算溶解度和渗透率范围
-
建议进行修改以降低 hERG 风险或提高稳定性 🧪 FDA（ICH E14/S7B 问答） EMA（ICH E14/S7B 概述）
最有效的模式往往是这样的：使用 GenAI 提出方案，但使用专门的模型和实验进行验证。
生成式人工智能是创意引擎，验证仍然依赖于实验。.
深入了解：用于生物制剂和蛋白质工程的生成式人工智能🧬✨
药物研发不仅限于小分子药物。生成式人工智能还可用于：
-
抗体序列生成
-
亲和力成熟建议
-
蛋白质稳定性改善
-
酶工程
蛋白质和序列生成之所以强大，是因为序列的“语言”与机器学习方法出奇地契合。但需要指出的是：这种契合度一开始很好……但之后就会失效。因为免疫原性、表达、糖基化模式和可开发性限制可能非常棘手。AlphaFold （Nature 2021） ProteinGenerator（Nat Biotech 2024）
因此，最佳配置包括：
-
开发性筛选
-
免疫原性风险评分
-
制造工艺限制
-
用于快速迭代的湿实验室循环 🧫
如果你跳过这些，你会看到一段华丽的片段，这段片段在制作过程中表现得像个耍大牌的明星。.
深入探讨：合成规划和逆合成建议🧰
生成式人工智能也正在悄然渗透到化学操作中，而不仅仅是分子构思。.
逆综合规划者可以：
-
提出合成目标化合物的路线
-
建议使用市售的起始原料
-
按步数或感知可行性对路线进行排名
-
帮助化学家快速排除“可爱但不可能”的想法AiZynthFinder 2020 Coley 2018 (CASP)
这可以节省大量时间，尤其是在探索多个候选结构时。然而，人为因素在这里仍然至关重要，因为：
-
试剂可用性变化
-
安全和规模方面的担忧是真实存在的。
-
有些步骤看起来没问题，但却屡屡失败。
虽然这个比喻不太恰当，但我还是想用一下：逆合成人工智能就像一个GPS，大部分时候都挺准的，但有时候它会把你引到湖里，还坚持说那是条捷径。🚗🌊 Coley 2017（计算机辅助逆合成）
数据、多模态模型以及实验室里不堪重负的现实🧾🧪
生成式人工智能需要数据。实验室产生数据。从理论上讲，这很简单。.
哈。不。.
真实的实验室数据是：
-
未完成
-
嘈杂
-
分散在各种格式中
-
拥有“创意”命名规则
多模态生成系统可以结合：
-
检测结果
-
化学结构
-
图像（显微镜、组织学）
-
组学（转录组学、蛋白质组学）
-
文本（协议、电子实验记录本、报告） npj 数字医学 2025（生物技术领域的多模态） 医学图像分析 2025（医学领域的多模态人工智能）
它一旦奏效，效果就非常棒。你可以发现一些不易察觉的模式，并提出一些单个专家可能忽略的实验方案。.
它失败时，悄无声息。它不会砰然关上大门，而是会潜移默化地引导你得出错误的结论。正因如此，治理、验证和领域审查才不可或缺。 《临床医生指南（幻觉）》 《npj 数字医学 2025（幻觉 + 安全框架）》
风险、局限性以及“不要被流畅的输出所迷惑”部分⚠️
如果只能记住一件事，那就记住：生成式人工智能具有很强的说服力。它听起来可能正确，但实际上却是错误的。临床医生指南（幻觉）
主要风险：
-
幻觉机制：看似合理的生物学现象，但实际上并非真实存在。临床医生指南（幻觉）
-
数据泄露：生成与已知化合物过于相似的物质USENIX 2021（训练数据提取） Vogt 2023（新颖性/独特性问题）
-
过度优化：追求无法在体外转化的预测分数Nature 2023（配体发现综述）
-
偏差：训练数据偏向某些化学类型或靶点Vogt 2023（模型评估 + 偏差/新颖性）
-
虚假新颖性：实际上是微不足道变体的“新”分子Vogt 2023
-
可解释性差距：难以向利益相关者证明决策的合理性；经合组织QSAR验证原则
-
安全和知识产权问题：提示信息中包含敏感程序细节 😬 USENIX 2021（训练数据提取）
有助于实践的缓解措施：
-
让人类参与决策过程
-
日志提示和输出，以方便追溯
-
采用正交方法（检测、替代模型）进行验证
-
自动强制执行约束和过滤器
-
将输出结果视为假设，而非真理宣言。经合组织QSAR指南
生成式人工智能就像一件电动工具。电动工具并不能让你成为木匠……如果你不知道自己在做什么，它们只会让你犯错得更快。.
团队如何才能在不造成混乱的情况下采用生成式人工智能🧩🛠️
团队通常希望使用这项技术，但又不希望把组织变成科学展览会。一个切实可行的采用路径如下：
-
从一个瓶颈入手（先导化合物扩展、类似物生成、文献筛选） Nature 2023（配体发现综述）
-
构建一个严密的评估循环（筛选 + 对接 + 性质检查 + 化学审查） REINVENT 4 AiZynthFinder 2020
-
衡量结果（节省时间、命中率、降低流失率） Waring 2015（流失率）
-
与现有工具（ELN、化合物注册库、检测数据库）爱丁堡ELN资源
-
创建使用规则（哪些内容可以提示，哪些内容保持离线状态，审核步骤） USENIX 2021（数据提取风险）
-
循序渐进地培训人们（说真的，大多数错误都源于误用，而不是模型本身）临床医生指南（幻觉）
另外，别低估文化的影响。如果化学家们觉得人工智能是被强加给他们的，他们就会置之不理。但如果人工智能能节省他们的时间，并且尊重他们的专业知识，他们就会很快接受。人类就是这么奇妙🙂。.
从宏观角度来看，生成式人工智能在药物发现中扮演着怎样的角色？🔭
从更宏观的角度来看，这一角色并非“取代科学家”，而是“拓展科研能力”。 （《自然》2023年配体发现综述）
它对团队有帮助：
-
每周探索更多假设
-
每个周期提出更多候选结构
-
更智能地确定实验的优先级
-
压缩设计和测试之间的迭代循环
-
打破信息孤岛，共享知识2025 年模式（药物发现法学硕士）
或许最容易被低估的一点是：它能帮助你避免将宝贵的人力创造力浪费在重复性工作上。人们应该思考机制、策略和解释，而不是花费数天时间手动生成变体列表。 《自然》2023（配体发现综述）
所以，没错，生成式人工智能在药物发现中扮演着加速器、生成器、过滤器，有时也会带来麻烦的角色。但它绝对是有价值的。.
总结🧾✅
生成式人工智能正成为现代药物研发的核心能力，因为它能够比人类更快地生成分子、假设、序列和合成路线，并且可以帮助团队选择更优的实验方案。 《药物发现前沿》2024 年综述， 《自然》2023 年（配体发现综述）。
要点总结：
-
它最擅长早期发现和线索优化循环 ⚙️ REINVENT 4
-
它支持小分子和生物制剂 GENTRL（Nature Biotech 2019） ProteinMPNN（Science 2022）
-
它通过拓宽思路渠道来提高生产力Nature 2023（配体发现综述）
-
它需要约束、验证和人为因素，以避免盲目自信的经合组织QSAR原则 临床医生指南（幻觉）
-
最大的成功来自于工作流程的整合，而不是营销噱头。《自然》2023（配体发现综述）
如果你把它当作合作伙伴，而不是预言家，它就能真正推动项目进展。而如果你把它当作预言家……嗯，你可能最终会再次跟着GPS掉进湖里。🚗🌊
常问问题
生成式人工智能在药物研发中扮演什么角色？
生成式人工智能主要通过提出候选分子、蛋白质序列、合成路线和生物学假设，拓宽早期药物发现和先导化合物优化的思路范围。其价值不在于“替换实验”，而在于通过生成大量选项并进行严格筛选来“选择更优的实验”。它最适合作为严谨工作流程中的加速器，而非独立的决策工具。.
在药物研发流程中，生成式人工智能在哪些环节表现最佳？
在假设空间庞大且迭代成本高昂的情况下，例如先导化合物发现、从头设计以及先导化合物优化，这种方法往往能发挥最大价值。团队还会将其用于ADMET分级、逆合成分析建议以及文献或假设支持。通常，最大的收益来自于将生成过程与筛选、评分和人工审核相结合，而不是期望单一模型就能“智能”完成所有工作。
如何设置约束条件，使生成模型不会产生无用的分子？
一种实用的方法是先定义约束条件，然后再进行化合物生成：例如性质范围（如溶解度或logP目标值）、骨架或子结构规则、结合位点特征以及新颖性限制。然后强制执行药物化学筛选（包括PAINS/反应基团）和可合成性检查。约束优先生成方法对于扩散式分子设计和REINVENT 4等框架尤其有用，因为这些框架可以编码多目标。.
团队应如何验证 GenAI 的输出结果以避免产生幻觉和过度自信？
将所有输出结果视为假设而非结论，并通过检测和正交模型进行验证。在适当情况下，采用严格的筛选、分子对接或评分方法生成配对，并对 QSAR 型预测器进行适用范围检查。尽可能将不确定性可视化，因为模型在非典型化学或不可靠的生物学声明方面可能出现明显的错误。人为干预仍然是核心安全措施。.
如何防止数据泄露、知识产权风险和“记忆化”输出？
利用治理和访问控制措施，防止敏感的程序细节被随意放入提示中，并记录提示/输出以备审计。强制执行新颖性和相似性检查，确保生成的候选化合物不会与已知化合物或受保护区域过于接近。明确规定哪些数据可以访问外部系统，并优先在受控环境中处理高敏感性工作。人工审核有助于及早发现“过于熟悉”的建议。.
生成式人工智能如何用于线索优化和多参数调优？
在先导化合物优化中，生成式人工智能的价值在于它可以提出多种权衡方案，而不是一味追求单一的“完美”化合物。常见的流程包括类似物推荐、引导式取代基扫描以及骨架跃迁，以应对效力、毒性或知识产权限制等问题。由于性质预测模型可能不够可靠，团队通常会使用多个模型对候选化合物进行排序，然后通过实验验证最佳方案。.
生成式人工智能能否在生物制剂和蛋白质工程领域发挥作用？
是的——团队会利用它进行抗体序列生成、亲和力成熟度优化、稳定性提升以及酶或肽的探索。蛋白质/序列生成结果可能看起来很合理，但未必具备开发性，因此应用可开发性、免疫原性和可生产性筛选至关重要。像 AlphaFold 这样的结构分析工具可以辅助推理，但“合理的结构”并不能证明其表达、功能或安全性。湿实验环节仍然必不可少。.
生成式人工智能如何支持综合规划和逆综合？
逆合成规划工具可以提供合成路线、起始原料和路线排序建议，从而加快构思速度并快速排除不可行的路径。像 AiZynthFinder 这样的规划工具和方法，与化学家的实际可行性检验相结合时最为有效。原料的可用性、安全性、放大限制以及在实践中失败的“纸上反应”仍然需要人工判断。这样使用，既能节省时间，又不会让人误以为化学问题已经解决。.
参考
-
Nature -配体发现综述 (2023) - nature.com
-
自然生物技术- GENTRL (2019) - nature.com
-
Nature - AlphaFold (2021) - nature.com
-
Nature - RFdiffusion (2023) - nature.com
-
自然生物技术——蛋白质生成器（2024） —— nature.com
-
《自然通讯》 ——细胞成像中的批次效应（2024） —— nature.com
-
npj 数字医学-幻觉 + 安全框架 (2025) - nature.com
-
npj 数字医学——生物技术中的多模式应用（2025） —— nature.com
-
科学- ProteinMPNN (2022) - science.org
-
细胞模式——药物发现中的LLM（2025） —— cell.com
-
ScienceDirect（爱思唯尔） ——从头药物设计中的生成模型（2024） —— sciencedirect.com
-
ScienceDirect（爱思唯尔） - Vogt（2023）：新颖性/独特性问题- sciencedirect.com
-
医学图像分析（ScienceDirect） ——医学中的多模态人工智能（2025） —— sciencedirect.com
-
PubMed Central -临床医生指南（幻觉风险） - nih.gov
-
《化学研究述评》（美国化学会出版物） ——化学空间（2015） —— acs.org
-
PubMed Central - Irwin & Shoichet (2009): 化学空间尺度- nih.gov
-
药物发现前沿（PubMed Central） -综述（2024） - nih.gov
-
《化学信息与建模杂志》（美国化学会出版） ——从头药物设计中的扩散模型（2024） —— acs.org
-
PubMed Central - REINVENT 4（开放框架） - nih.gov
-
PubMed Central - ADMETlab 2.0（早期 ADMET 事项） - nih.gov
-
经合组织- (Q)SAR 模型监管验证原则- oecd.org
-
经合组织- (Q)SAR 模型验证指南文件- oecd.org
-
《化学研究述评》（ACS 出版社） ——计算机辅助合成规划 / CASP（Coley，2018） —— acs.org
-
ACS Central Science（ACS 出版物） ——计算机辅助逆合成（Coley，2017） —— acs.org
-
PubMed Central - AiZynthFinder (2020) - nih.gov
-
PubMed - Lipinski：五规则背景- nih.gov
-
《药物化学杂志》（美国化学会出版） - Baell & Holloway (2010): PAINS - acs.org
-
PubMed - Waring (2015): 损耗- nih.gov
-
PubMed - Rives (2021): 蛋白质语言模型- nih.gov
-
PubMed Central - Leek 等人 (2010)：批次效应- nih.gov
-
PubMed Central -扩散综述 (2025) - nih.gov
-
FDA - E14 和 S7B：QT/QTc 间期延长和致心律失常潜能的临床和非临床评估（问答） - fda.gov
-
欧洲药品管理局- ICH E14/S7B 指南概述- europa.eu
-
USENIX - Carlini 等人 (2021)：从语言模型中提取训练数据- usenix.org
-
爱丁堡大学 – 数字研究服务–电子实验笔记本 (ELN) 资源– ed.ac.uk
-
ScienceDirect（爱思唯尔） - Weaver（2008）：QSAR适用范围- sciencedirect.com