5.3 AI 框架与 DMTA 闭环：让循环转起来

5.3 AI 框架与 DMTA 闭环：让循环转起来

本节摘要：第 4 章的模型要落地，需要两层工程：适配层（把序列、分子、基因型喂给深度学习框架的开源库生态）与闭环层（DMTA 系统作为组织级工具，把设计、合成、测试、分析四拍的流转与成本管起来）。本节讲适配层的现状与选型，以及 DMTA 闭环系统的最低功能清单——它最难也最值钱的一条功能是记录失败。

适配层：模型与生物数据之间的一层膜

通用深度学习框架处理的是张量，生物对象不是张量：分子是图、序列是不定长符号串、基因型是高缺失矩阵。适配层生态填补这道缝：

• 化学信息学库：结构解析、描述符计算、指纹生成、分子文件的读写——上一节已见，它们同时是深度学习流程的数据预处理层。
• 分子图的深度学习库：在通用图学习框架之上封装了分子的读入、原子特征化、消息传递模块与分子级池化，让 4.3 节的 GNN 从论文变成几十行可运行代码。
• **生物序列与组学工具链：序列 tokenization、蛋白语言模型的调用接口、组学矩阵的加载与批效应处理——连接 4.1 与 4.3 节的世界。

选型考量三条：与主流张量框架的兼容性（生态绑定太深的库会限制模型自由度）、社区活跃度（生物软件的维护断代是常态，孤儿库是负债）、许可证（商业产品化路线要看清 GPL 类协议的传染性）。

一个最小 GNN 性质预测流程的骨架（伪代码，展示适配层分工）：
分子文件读取与 sanitize      ← 化学信息学库
  ↓ 转成图对象（原子特征、键特征）
图数据批量装载               ← 分子图深度学习库
  ↓
消息传递层堆叠 + 池化        ← 深度学习框架自动微分
  ↓ 回归头
训练循环（早停、验证集监控） ← 通用训练设施
注：三条纪律来自第 4 章——
  分层切分防泄漏（4.4）、适用域检查（3.3）、
  保留测试集只碰一次（2.3 的交叉验证纪律）
​

DMTA 闭环：组织级的"变速箱"

单点工具解决单点效率，循环整体的转速由 DMTA 系统决定。它源自药物研发的 Design-Make-Test-Analyse 循环管理理念，现在同样适用于育种项目（第 1.1 节已做逐拍对齐）。一个合格的 DMTA 系统最低要有这些功能：

• 轮次登记：每轮迭代的目标、假设、预算（多少个设计、多少合成槽位、多少测试容量）在开工前登记——事后补记的循环指标都是装饰。
• 设计-样品的追溯链：每个样品挂在它的设计假设上（为什么合成它），每个数据点挂在它的样品上（谁测的、什么条件）。这条链断裂，4.2 节的"数据之死"就在循环里重演。
• 容量看板：合成队列长度、测试排队时间、分析积压——循环的瓶颈会随时间漂移（有时是合成、有时是测试），看板让瓶颈显形。
• 成本与周期核算：每轮实际花了多少钱、多少天、产出几个晋级候选。这是把第 1.1 节的"账本"制度化的那一格。
• 失败记录：被淘汰的候选及其淘汰原因（活性不足、毒性、可合成性差），结构化入库。这是最难执行的一条——失败的记录没有绩效激励，却是 4.4 节负样本数据、3.3 节 QSAR 边界的来源。

图：DMTA 闭环系统与既有章节的挂接

自建还是采购

DMTA 系统的落地有三条路：电子实验记录本（ELN）加实验室管理系统的商业组合（成熟但贵、定制难）；开源 ELN 与自研看板拼接（工程量中等、灵活）；从工作流引擎自研（完全贴合流程但要有稳定的工程团队）。决策变量与 4.2 节数据平台一致：一线愿不愿意用。系统强迫育种家或化学家填二十个字段才建一条记录，系统就会死；只填三个关键字段（设计假设、样品、结果）而其余自动采集（仪器直连、条码扫描）的系统才能活。实施次序的实践共识：先把"轮次登记 + 失败记录"两条跑通（纸面表格也行），半年后再谈软件化——制度先于工具。

⚠️ 常见坑：把 DMTA 闭环理解为"实验室自动化采购项目"。机器人只加速单拍，闭环系统加速的是拍与拍之间的交接与学习；先有可审计的手动循环，自动化才有接管的秩序。

💡 关键直觉：DMTA 系统的真实身份是"组织的学习算法"——轮次登记是超参数，容量看板是梯度方向，失败记录是负样本。组织学习的速度，最终由这套系统而不是任何单点技术决定。

常见追问

模型版本怎么管理？ 三件套原则：模型文件、训练数据快照、评估报告绑定成一个版本单元，任何名单输出都标注它来自哪个版本（4.2 节的可回放原则延伸到模型）。版本升级的纪律与 3.3 节 QSAR 相同：新版本必须在保留测试集上赢过旧版本才能上线。生物数据的分布会漂移（新季节、新批次），因此还要有"监控报警"：预测分布与实测分布的偏差超过阈值时，自动触发重训评估。

DMTA 系统落地最常见的失败模式是什么？ 按出现频率排：一线绕开系统（表单太重，回到电子表格——系统名存实亡）；失败记录空白（只记成功，负样本断供，模型与决策双双失明）；追溯链断在合成拍（样品与设计假设脱钩，数据变成孤儿）。三个失败模式的共同根因是"系统的维护成本被压给了最忙的人"——解法不是加强考核，而是把录入动作嵌进已有流程（扫码、仪器直连），让记录成为工作的副产品而不是额外负担。

小团队怎么起步 DMTA？ 从一张轮次登记表开始（电子表格即可，字段照前文清单），先跑两个迭代周期养成登记习惯；第二步把"失败原因"字段做成下拉选项（结构化才可统计）；第三步再考虑接入电子记录本或工作流工具。工具链永远最后买——制度先于工具，工具放大制度，也会放大混乱。

衡量起步是否成功的信号也很朴素：新人入职后，能否只看系统里的轮次记录，就接手一个正在跑的循环而不用到处问人？答案是肯定的，说明制度已经跑通；答案是否定的，说明记录里缺的正是"为什么这么做"的那一栏——把设计理由当成一等公民字段，是小团队起步阶段最值得多花的三十秒。

本节要点回顾

• 适配层生态：化学信息学库、分子图学习库、序列与组学工具链，把生物对象翻译成张量；选型看兼容性、活跃度、许可证。
• DMTA 最低清单：轮次登记、追溯链、容量看板、成本核算、失败记录——最后一条最难也最值钱。
• 瓶颈会漂移：看板让循环瓶颈显形，优化目标随瓶颈移动，不迷信单点提速。
• 制度先于工具：先跑通纸面闭环，再软件化，最后才自动化。
• 组织的学习算法：DMTA 系统决定组织级迭代速度，地位等同于模型之于单轮预测。

至此，设计、数据、工具三块全部就位。下一章走出技术区，进入决定成果命运的闸门地带——监管、合规与产权。