
OpenAI 於 2026 年 11 月 20 日發布 MedChemBench,一個專門評估 AI 模型藥物化學推理能力的基準。題庫由 117 篇論文與專利整理出 99 道題目,涵蓋 761 個不同分子結構,要求模型讀懂分子結構、以實驗推斷解釋結果、比較並篩選化合物,以及預測數值性質。在最高推理設定下,GPT-6.2 Astra 取得 84.5% 分數,GPT-6 Astra 為 83.3%,GPT-6.1 Sol 為 82.0%,GPT-5.6 Sol 僅有 58.2%[1]。
藥物化學的真實難題
OpenAI 指出,藥物化學最難之處在於各種性質相互拉扯:一個化合物可能對目標蛋白有很強作用,但吸收差或代謝太快。化學家要設計、合成、測試一連串相關化合物,再判斷下一步做什麼。要讓 AI 助手,模型必須把結構變化與實驗推斷連起來,並就哪些化合物值得繼續推進作出推理。
MedChemBench 因此把評分拆成四個組件:分子結構(原子連接與立體化學是否正確)、科學推理(解釋是否有實驗證據支持)、排序與篩選(是否符合指定要求),以及性質預測(與來源文獻的數值或類別是否吻合)。大部分題目只提供研究著手某一時刻可得到的資料,包括生物目標、研究目標、已研究過的化合物與部分實驗結果,之後的實驗才留作評分依據。
從蛋白抑制到十八原子環
其中一道題目取材自針對 PRMT5 的抑制劑研究。模型需預測三個相關化合物在細胞內阻斷 PRMT5 的強度、穿透細胞膜障礙的能力,以及被耳蝸分解的速度。驗證實驗顯示化合物 23 在較低濃度已能抑制 PRMT5,化合物 24 較易穿透細胞腸,在耳蝸測試中分解較慢。評分會按預測值與實測值的接近程度給予部分分數。
另一道題目要求模型從中心結構與兩個附加基團繪製分子,同時保留一個十八原子環。在全部十一次回答中,GPT-6 Astra 全部正確重構;GPT-5.6 Sol 與 GPT-5.6 Luna 全部失敗,前者畫出十五原子環,後者把分子拆成兩個不相連的碎片。OpenAI 強調,這類錯誤會直接改變被分析分子的身分,是藥物化學推理的基礎。
結構重構強、篩選與預測弱
整體而言,GPT-6 Astra 最強的是重構分子結構與解釋實驗證據,在 xhigh 設定下結構組件取得 95.4% 分數;但在篩選化合物與預測數值性質方面,只取得約一半分數。推理設定越高分數越好,但模型之間的差距依然明顯。OpenAI 共評測十一個 GPT 模型在不同推理強度下的表現,涉及九個模型、五十一個組合。
OpenAI 亦在公告中列出限制:這些結果不能證明模型可以發現新藥或改善實驗室決策;模型可能已經接觸過相關公開文獻,無法完全排除;每道題目只作答一次,並無工具、迴饋或新實驗。不過,這個基準仍有助定位模型進步之處與不足之處,尤其是在需要連結結構與多重性質的判斷上。
參考資料
[1] Can AI help scientists identify promising drug candidates?(2026-11-20)