药物研发的临床试验以耗时漫长且成本高昂著称，仅有极小部分候选药物最终能获得监管机构批准。制药行业对传统药物发现流程中的严重障碍环节早已习以为常：仅临床阶段就需耗时约十年，占研发成本近四分之三，2024年新药平均开发成本已飙升至惊人的22亿美元。
更关键的是，制药行业在早期研发阶段难以准确预测成功结果：尽管投入大量资金和数年时间，约80%-90%的候选药物仍未能获批。药物安全性是主因之一，其中30%的失败源于未预见的毒性问题。
AI发现的分子在I期临床试验中表现更优
然而，新兴数据表明，人工智能与计算方法不仅正在应对这些挑战，更从根本上变革了我们预测成功结果的能力。新药研发的早期阶段尤为关键——这正是AI与计算化学能产生最大影响的环节。
这些AI和计算方法能在早期发现与优化阶段，而非传统模式下的后期环节，帮助找到有效靶向疾病相关蛋白的新型疗法。计算毒性预测在药物发现早期尤为重要，因为它能提前排除可能在临床试验中失败的分子。更早筛选出有效药物并剔除无效候选物，可节省十年昂贵研究时间，并提高药物通过临床试验阶段的概率。
近期针对AI原生生物科技公司的研究揭示了令人鼓舞的趋势：计算方法正开始克服药物发现中最根本的挑战。例如，《药物发现今日》发表的分析显示，AI发现的分子在I期临床试验中的成功率（80%-90%）远超行业历史平均水平（40%-65%）。
这种早期成功意义重大，表明AI驱动方法正在解决药物发现的核心难题：设计出具备制药开发所需多重特性的分子。
多参数优化的强大优势
这场变革的核心在于AI计算化学远超人类的能力：多参数优化——即同步平衡潜在药物的多重特性，如效力、安全性、特异性、血脑屏障渗透性等。这使得设计最优候选分子更精准、快速且高效，即使这些特性彼此冲突。
传统药物发现方法一次仅能优化单一参数，难以在不损害其他方面的情况下改进某项特性。例如，治疗脑瘤的药物需穿透血脑屏障才能抵达大脑，但高效穿透的药物可能缺乏靶向选择性，导致疗效降低或产生副作用。传统方法往往优先优化血脑屏障渗透性等指标，将其他问题延后处理。
而AI增强的计算工具彻底改变了药物设计思路。AI能在发现阶段就同步优化所有关键参数，避免传统顺序优化导致的后期失败。研究人员可输入多重约束数据，让算法找出最符合要求的已知分子或生成全新分子。通过快速发展的生成式AI与机器学习工具同步分析多参数，能更高效地开发优质候选药物，最终有望为患者提供更有效、可靠且安全的疗法。
AI计算工具还能学习不同治疗领域的独特需求。算法可将这些精细要求融入设计，生成针对特定疾病和靶器官的候选药物，而非仅满足通用类药分子标准。例如，靶向脑瘤的化合物面临的优化挑战，与治疗关节炎、糖尿病、动脉粥样硬化等慢性炎症疾病的化合物截然不同。
要真正发挥AI驱动方法的潜力，需要超大规模分子数据集用于筛选和模型训练。数据集越大，覆盖的化学空间越广，成功概率也越高。计算研究人员不再局限于筛选数万甚至数百万分子，而是能处理高达数百亿级的分子库。
下一步：将AI方法整合至开发管线
随着方法复杂度提升，主要挑战在于规模化实施能力。因此，AI在药物发现中的下一步发展，是引入AI代理工具——这些自主计算系统无需持续人工干预即可执行复杂任务，从而扩展发现流程规模。
例如，AI代理能收集分析海量动态增长的信息，自动排除相关性低的候选药物。当代理经过毒性水平、FDA要求等多参数和化学约束训练后，最终能为任何疾病提供最优分子候选方案。
制药行业当前的挑战已非是否采用AI驱动的计算药物设计，而是如何快速有效地将其整合至现有开发管线。尽管挑战犹存，早期证据表明，AI与计算化学将成为更高效开发优质药物、更快惠及更多患者的关键所在。
【全文结束】
