靶点定了，假设写在白板上：「关掉这个开关」。现在需要一把真正能拨动它的钥匙——一个能和这个蛋白质结合的小分子。这一步叫苗头化合物发现（hit discovery），大白话就是：在茫茫化学宇宙里，先捞出一根「虽然粗糙但确实有点用」的针。
先感受一下这个宇宙有多大。一个勉强能当药的小分子，大概是几十个原子按某种方式连起来。这样的分子理论上有多少种？常用的估算是 10 的 60 次方量级——比地球上所有沙子的数量再乘上一万亿还多。而全球所有药厂的化合物库加起来，存量也就十亿（10⁹）上下。化学宇宙我们只探索过微不足道的一小角，这就是找药难的第一层原因。
笨办法的巅峰：高通量筛选
最直接的想法：既然不知道哪个分子有用，那就挨个试。这就是高通量筛选（HTS，high-throughput screening）——把公司积攒的几十万到几百万个化合物，用机器人一个个加进装着靶点蛋白质的微孔板里，看哪个能让蛋白质「变色」（实际测的是荧光、吸光之类的信号）。
这套系统在 1990 年代被寄予厚望，药厂为此建了巨大的自动化工厂，一天能筛几十万个反应。结果呢？令人失望。命中率低得可怜，常常几十万分子里只捞出一两个靠谱的；而且捞出来的「针」往往有隐藏缺陷（比如它让信号变色不是因为结合了靶点，而是自己聚集成一团「污染」了实验）。钱花了，自动化程度拉满了，成功率并没有质的飞跃。这是行业学到的第一课：在 10⁶⁰ 的宇宙里，10⁶ 的穷举依然约等于瞎猜。
聪明人的三条近路
既然穷举不够，就得耍聪明。过去三十年，化学家发展出几种思路，每一种都是对「怎么缩小搜索空间」的不同回答：
第一，跟着大自然走。微生物和植物花了几亿年进化出各种化学武器（抗生素、毒素），这些分子天生就是「能和蛋白质打交道」的。历史上相当比例的药来自天然产物或其改造版——青霉素来自霉菌，他汀类降胆固醇药来自真菌，抗癌药紫杉醇来自红豆杉。缺点是天然产物结构复杂，改造成本高。
第二，用小碎片拼。与其试完整的大分子，不如只试只有十几个原子的「化学碎片」。碎片太小，结合力弱，传统方法测不出来，但用核磁共振、X 射线晶体学能看到它们结合在蛋白质的哪个角落。找到两三个各自贴在不同角落的碎片，再把它们「焊接」成一个大分子——基于片段的药物设计（fragment-based design）。这就像不直接找一把完整的钥匙，而是先找几小段能卡进锁芯的金属丝，再拼成钥匙。2011 年获批的抗癌药维莫非尼（Zelboraf）就是这条路线的成名作。
第三，在计算机里先筛一遍。既然物理筛选又贵又慢，能不能先在电脑里算一下哪个分子可能结合？这就是虚拟筛选（virtual screening）——用物理模拟或经验公式估算每个分子和靶点口袋的「匹配度」，只把得分最高的几千个送去实验室真测。它不能取代实验（计算模型的误差很大），但能把「十万选一」压缩成「百选一」，省钱省时间。这条路，正是第九章 AI 登场的入口。
大白话：找起点分子像找对象——高通量筛选是相亲大会（量大、成功率低），天然产物是「相信丈母娘的眼光」，片段拼接是自己攒一个，虚拟筛选是先刷一轮简历再见面。没有哪条路单独够用，实际项目通常几条路同时走。
捞到针之后，针还很钝
假设运气好，几条路线交上来几个「苗头」：它们确实能影响靶点，但离药还差十万八千里。典型的苗头化合物是这样的：效力不够强（要很高的浓度才起效）、可能也结合别的蛋白质（副作用的种子）、可能一进血液就被分解（根本活不到病灶）、可能溶不进水（没法做成药片）。
把这样一根钝针打磨成药，是下一章的活——药物化学家的主场，整个研发流程里最像「手艺」的一段。在那里你会看到一个反直觉的事实：这段工作至今几乎无法自动化，它靠的是化学家对分子的直觉。记住这一点，到第九章谈 AI 时它会变得重要。