上一章结尾，我们捞到了一根「钝针」：能碰到靶点，但浑身是毛病。把它打磨成药的过程叫先导优化（lead optimization）——大白话说，就是围绕这根针，系统地改动它的化学结构，一次改一小步，每改一次就测一遍所有指标，直到它在几十个指标上同时过关。这是药物化学家的主场，也是整个研发流程里「手艺」含量最高的一段。
不是爬山，是在钢丝上挑扁担
先破除一个直觉：优化一个分子，不是「越改越好」的爬山过程，而是一个多目标平衡。一个候选药要同时满足一大堆互相打架的要求，行业里最常念叨的一串指标缩写是 ADMET——吸收（Absorption，吃进去能进血液吗）、分布（Distribution，能到达病灶吗）、代谢（Metabolism，会不会太快被肝脏拆掉）、排泄（Excretion，会不会赖在体内太久累积毒性）、毒性（Toxicity，会不会误伤别的器官）。
这些指标为什么打架？因为它们是同一个分子的不同侧面。举两个具体的例子：
- 想让分子更容易穿过细胞膜（吸收好），通常要让它更「油」一点；但太油了溶不进水，药片做不成，而且容易卡在脂肪组织里赖着不走（排泄差）。
- 想增强对靶点的结合力，可以加一些化学基团让分子「贴」得更牢；但那些基团可能恰好是肝脏代谢酶的最爱，分子一进体内半小时就被拆光了（代谢太快）。
所以先导优化的日常是：化学家盯着一串指标的「仪表盘」，改一个原子，效力上去了半格、溶解度掉了两格，再换个地方改，找回溶解度、效力又退一步……像挑着扁担走钢丝，任何一端都不能掉。一个典型的优化项目要合成和测试 几百到几千个分子，花 三到五年。
大白话：先导优化像装修一套学区房——既要地段好（效力）、又要面积大（溶解度）、还要总价低（毒性小）、还得学区不掉（代谢稳定）。每项单独都能做到，全都要就只能一点点磨。
化学家的「手感」从哪来
这一步有量化工具辅助——比如把「结构改动 → 指标变化」的数据喂给统计模型，预测下一个分子该怎么改，这叫定量构效关系（QSAR）。但实战中，决定性的一步往往来自化学家的直觉：看一个分子的结构式，就像老木工看一块木料，能「感觉」到哪个部位别扭。
这种直觉不是玄学，它是对大量隐性知识的压缩：哪些基团容易惹毒性、哪些结构在做大规模合成时会爆炸性地贵、哪些改动历史上改善过代谢稳定性。一个资深药物化学家脑子里装着几千个「上次这么改发生了什么」的案例。这也是为什么这个环节几十年来自动化进展缓慢——它的知识散落在无数失败项目里，大部分从未被系统地记录下来。第九章我们谈 AI 时会回到这一点：没有数字化过的知识，AI 就学不到。
优化到一半，靶点的锅又冒出来了
先导优化还有一个外人很少知道的坑：有时候分子本身越改越好，指标全绿，但你逐渐发现这个靶点选错了。比如细胞实验里关掉开关能杀死癌细胞，可换成更接近人体的模型后效果消失了。这时团队面临最痛苦的决定：止损，还是再赌一把？沉没成本在这里是天文数字，许多项目就是在这种「再试一年说不定有救」的心态里多烧掉几年的。
活过这一关的分子，会拿到一个类似「准生证」的身份：临床前候选化合物（preclinical candidate）。它在试管和细胞里证明了自己，仪表盘全绿。但下一关的规则完全不同——它要离开试管，进入真正的生物体。第五章去看它在动物身上的遭遇。