AI正在重塑药物发现的三个关键步骤。图片：Unplash/Louis Reed
本文是2026年世界经济论坛年会的一部分
- 人类生物学极其复杂，使药物发现异常具有挑战性——然而，人工智能现在正在全面重塑这一过程。
- 人工智能可以帮助加快并改进药物发现中最困难的步骤，包括识别疾病靶点、生成新化合物和预测安全性。
- 领导者正在2026年世界经济论坛年会上聚集，探讨人工智能和其他新兴技术的伦理使用如何转化为解决现实挑战的方案。
如果您曾经服药后感觉好转，您就体验到了真正非凡的事情。人类生物学极其复杂。发现能够安全纠正生物问题的药物极具挑战性。在生物制药研发中，单个项目的周期可能长达数年甚至数十年。我们设计和测试了数千种化合物，即使只有少数能进入临床测试，我们也感到幸运。
基于人工智能的方法正在重新定义这些概率，不是通过数字手段一夜之间变出药物，而是通过使过程中最困难的部分更快、更智能、更少失败。
基于诺华的工作，我想分享人工智能如何重塑药物发现的三个关键步骤：识别疾病靶点、生成化合物和预测安全性。通过全面审视这一过程，我们可以更深入地了解挑战所在以及人工智能可以产生最大影响的地方。
突破常规
药物发现通常始于疾病中一种您想要改变其行为的蛋白质。它可能在癌细胞中过度活跃，或在心脏中异常触发。目标是创建一种能够以恰到好位的方式与蛋白质结合从而调节其活性的化合物。这第一步——蛋白质靶点识别——非常适合人工智能的改造。生物制药行业常常"扎堆"于相同的靶点，在诸如癌细胞驱动因子或肥胖症中的食欲调节因子等区域聚集，但创造真正的突破需要新的靶点。
例如，常染色体显性多囊肾病（ADPKD）是最常见的遗传性肾病，其特征是囊肿生长，最终导致肾衰竭。最近，利用大规模的人工智能驱动模拟，我们的团队在ADPKD细胞的数字模型中系统地开启和关闭了数千个基因，以寻找与该疾病相关的基因。同时，我们使用人工智能挖掘大量的科学文献、人类遗传学数据和数百万单细胞实验的结果。
如果没有人工智能，这个过程可能会极其缓慢，但借助人工智能，我们迅速确定了几十个基因候选者。然后，我们使用肾脏类器官——在培养皿中生长的、模拟该疾病的"迷你肾脏"——在湿实验室实验中测试了这些候选者。不到一年，我们就确定了五个有希望的靶点，现在正在推进进一步研究。人工智能和实验室实验的结合帮助我们真正突破了传统方法难以应对的挑战。
生成式发现
下一步是设计作用于我们靶点的分子。这需要找到一种能够与蛋白质上特定口袋结合从而改变其功能的分子。传统上，药物研发人员使用蛮力方法，筛选数千到数百万种分子，希望找到一些活性分子，然后投入巨大努力进行优化。提高效力可能会破坏稳定性；修复代谢可能会引入毒性。我们必须同时平衡20或30个属性——结合性、溶解度、脱靶效应、化合物在体内的持续时间等等。
这就是为什么从一个有希望的命中到真正的药物候选物可能需要数年时间，也是为什么生成式人工智能可能具有变革性。通过生成式化学，可以根据蛋白质结构合理设计新分子，可以使用数字方法大规模筛选化学库，并且可以同时优化多个属性。
以亨廷顿病等神经退行性疾病为例。在一个项目中，我们通过一种称为细胞内降解的生物机制识别出一种想要去除的蛋白质。这类分子被称为分子胶降解剂，因为它们将蛋白质靶点粘附到细胞的废物系统上。这是一种针对这种毁灭性疾病中原本难以靶向的蛋白质的新方法。但创建能够口服且能到达大脑的降解剂一直很困难。
使用生成式人工智能，我们计算设计了1500万种潜在化合物，并创建了预测模型来评估关键属性，如大脑渗透性。在实验室中，我们没有合成数千种分子，而是只处理了约60种，最终获得了一种有效、能穿透大脑的分子支架，目前正在推进进一步优化。
与许多公司一样，我们发现这种方法可以显著减少确定候选物所需的时间。这只是我们正在推进的一系列类似人工智能赋能项目中的一个例子，无论是内部还是与Isomorphic Labs等合作伙伴合作。
智能安全评估
有了候选化合物后，我们接下来评估安全性。诺华人工智能工作的基础资源之一是Data42，这是我们的内部数据湖，包含30多年来的临床和临床前研究。我们在清理和标准化历史数据方面投入了大量资源，尽管算法备受关注，但数据整理工作是人工智能最大的突破点之一。
使用Data42，我们可以快速查询数千项毒理学和临床研究。例如，某些类别的化合物与心脏安全信号（如心律失常）相关。我们使用人工智能生成心肌细胞的活性谱，基于Data42的见解预测潜在的临床心脏毒性。然后，我们使用这些谱来计算分析来自临床前项目的候选化合物。我们发现，对于一些原本有希望的分子，我们的模型预测了强烈的心脏安全风险信号。我们在实验室验证了这一预测，现在可以避免在将来使用此类化合物。
在生物制药领域，决定何时停止可能是一个重大挑战，这使得人工智能辅助的预测安全模型变得无价。它们可以加速时间表，降低失败率，减少对动物研究的依赖——这是监管机构和科学界的共同优先事项。借助人工智能和高质量数据，我们可以帮助确保只推进最有可能安全有效的候选物。
现实考量
这些只是每种新药必须经历的更长旅程中的三个步骤。像我们这样的公司正在研发的各个领域广泛部署人工智能，以加速和改进不仅发现过程，还包括临床试验设计、患者招募、监管文件等。
人工智能不是魔杖。但在诺华，我们可以清楚地看到其益处，分子在人工智能的帮助下正在加速推进。与此同时，基本挑战并未消失：人类生物学仍然极其复杂；将研究转化为精心设计的临床研究需要时间；对于许多疾病，我们仍然需要长期、严格的试验来真正了解安全性和有效性。
人工智能提供的不是规避人类生物学复杂性的方法，而是更智能地应对这些复杂性的方法。通过增强我们选择靶点、设计分子和避免安全风险的方式，人工智能正在帮助我们更快地做出更好的决策，以便为等待下一个突破的患者提供服务。
【全文结束】
