新药从实验室走到药房，平均要十年以上，耗资以十亿美元计，而进入临床的候选分子十不存一。机器学习承诺缓解的，正是这条漏斗里最昂贵的环节：用计算代替一部分合成与试验，把搜索空间从天文数字压到可以操作的范围。
但工具不是魔法。本章把“机器学习能为药物发现做什么”拆成三件看得见的事——预测分子性质、检索相似分子、从头生成新分子，并交代全书反复出现的两条主线：分子如何被表示成数据，实验结果凭什么可信。前者由第二章的 RDKit 铺地基，后者贯穿第三、四章的 DeepChem 与 TorchDrug。
1.1
药物发现的漏斗：为什么又慢又贵
研发周期、成本与失败率的量级；从靶点到上市的完整链条；机器学习切入的四个环节及其边界。
1.2
分子的三种面貌：字符串、指纹与图
SMILES、分子指纹与分子图三种表示的哲学差异与适用场景；为什么“表示”决定模型的上限。
1.3
数据与评估：MoleculeNet 与骨架划分
公开基准数据集全景；随机划分为何给出虚高的成绩；骨架划分与更严格的评估协议。