AI药物发现回顾：2025年总结
对于那些希望人工智能能帮助研发真正有效药物的人们，希望仍在继续。本文中，辛格博士回顾了2025年给行业带来的清醒现实检验。
2025年将成为人工智能药物发现从承诺走向验证的重要时刻——尽管存在重大局限，使胜利主义情绪有所降温。在经历了十年投资不断增长和大胆预测之后，该领域在取得首个真正的临床验证的同时，也遭遇了挫折，这些挫折暴露了该技术当前的局限性。对于在人工智能与药物研究交叉领域工作的我们来说，2025年代表的不是一场革命，而是一次清醒的现实检验：AI可以加速早期研发阶段，但尚未解决临床成功率低这一根本挑战。
头条成就是首款完全由AI设计靶点和分子的药物完成了IIa期临床试验。该试验于6月发表在《自然·医学》杂志上，证明了对特发性肺纤维化患者的强制肺活量有剂量依赖性的改善。该药物从靶点识别到进入临床前候选药物提名仅用了18个月——而通过传统方法则需要三到四年的时间。
然而，该试验仅招募了71名患者，其疗效信号虽有希望，但仍需在更大规模的队列中进行验证。这体现了2025年的普遍模式：真实进展伴随着一个现实，即大多数AI发现的化合物距离临床验证仍需数年时间。
监管框架成型
2025年最具影响的事件可能发生在1月6日，当时美国食品药品监督管理局(FDA)发布了题为《用于支持药品和生物制品监管决策的人工智能使用考量》的指南草案。该框架基于"使用情境"建立了七步可信度评估，要求制定生命周期维护计划，并强制要求对模型架构和训练数据保持透明度。
12月，FDA认证了首个获准用于药物开发临床试验的基于AI的工具——一个基于云的平台，可帮助病理学家评估非酒精性脂肪性肝炎(NASH)/代谢相关脂肪性肝炎(MASH)临床试验中的肝脏活检。
值得注意的是，该指南排除了用于早期发现的AI——仅关注影响监管决策的应用。这一区别很重要：虽然AI可以加速靶点识别和先导化合物优化，但FDA对AI在监管关键活动中的作用仍保持适当谨慎。自2016年以来，该机构已审查了500多份与AI相关的申报材料，但尚未批准任何AI发现的药物，有报道称FDA早期实施的自身生成式AI工具曾出现"幻觉"问题。
12月，FDA认证了首个获准用于药物开发临床试验的基于AI的工具——一个基于云的平台，可帮助病理学家评估非酒精性脂肪性肝炎(NASH)/代谢相关脂肪性肝炎(MASH)临床试验中的肝脏活检。这代表了对AI在药物开发过程中正式监管接受，尽管值得注意的是，这是针对质量评估工具而非药物设计本身。
AI药物发现的经济状况
2025年，AI药物发现合作伙伴关系的总交易价值在宣布的"生物技术交易金额"(biobucks)中超过了150亿美元，但财务现实却要温和得多。多个价值50亿美元以上的重大合作伙伴关系，其预付款仅占头条价值的2%。全额支付取决于多个药物候选物达成临床和商业里程碑，而每个里程碑的历史失败率都很高。
宣布的生物技术交易金额与实际预付款之间50:1的比例，揭示了业界对AI尚未证明的临床成功交付能力持适当谨慎态度。
这一年也暴露了AI药物发现公司的财务脆弱性。多家公司"降低优先级"临床项目，宣布裁员20-30%，并报告了巨额净亏损。几家资金充足的公司完全关闭或寻求退市。这种模式表明，小型AI药物发现公司面临生存压力，市场要求的是临床验证而非技术复杂性。
技术进展与持续存在的局限
在技术方面，蛋白质结构预测的重大进展将能力扩展到DNA、RNA、配体、抗体及其相互作用。新模型在标准基准测试中对类药物相互作用的准确性比传统方法提高了50%，并成功预测了数千种翻译后修饰的蛋白质-配体复合物。
在技术方面，蛋白质结构预测的重大进展将能力扩展到DNA、RNA、配体、抗体及其相互作用。
然而，竞赛结果显示，较新的AI模型在蛋白质-配体相互作用预测方面并未显著优于旧方法。这突显了一个关键局限：准确的结构预测并不能保证可成药靶点或成功分子。当前模型在构象变化方面存在困难，并对特定受体状态表现出持续的偏见。
在抗体设计方面，新模型在零样本从头设计中实现了前所未有的16-20%的实验命中率，跨越数十个新靶点，每个靶点仅使用20个候选物——比现有方法提高了100倍。这代表了生物制剂设计方面的真正进展，尽管这些化合物距离临床验证仍有数年时间。
临床现实检验
这一年在取得IIa期成功的同时，也带来了令人清醒的临床挫折。多款AI设计的药物被"降低优先级"、II期后搁置，或在试验中未显示任何疗效信号。Deep Genomics创始人布伦丹·弗雷直截了当地表示："在药物发现方面，AI在过去十年中确实让我们所有人失望——我们只是看到一次又一次的失败。"
这种临床淘汰率凸显了根本挑战：AI尚未显著改善制药行业约90%的临床失败率。虽然AI可以将早期发现时间压缩30-40%，并将临床前候选药物开发缩短至13-18个月（而传统方法需要三到四年），但临床试验持续时间、监管审查时间表和生产规模扩大仍受限于生物学、患者招募和监管要求——这些AI都无法绕过。
科学出版物的评论质疑AI是否提高了临床成功率，指出AI发现的化合物显示出与传统发现的化合物相似的进展率。在AI发现的药物获得监管批准和商业成功之前，该领域仍处于"概念验证"阶段，而非已证明的范式转变。
基础设施与整合挑战
大型制药公司宣布建设由数千个先进GPU驱动的行业领先超级计算机，计划于2026年初投入运营。多家公司推出了与生物技术合作伙伴共享AI模型的平台，提供访问基于数十万种分子专有数据训练的模型。
一项针对技术高管的调查显示，68%的人将数据质量和治理不善视为AI计划失败的主要原因。
一些公司将类人AI科学家部署到机器人实验室中，而另一些公司则筹集了大量资金来建设自主AI-机器人实验室。这些"自动驾驶实验室"加速了设计-制造-测试-学习循环，但尚未证明能够自主发现经过验证的药物候选物。湿实验室和干实验室操作的整合仍然是一个重要的组织挑战。
一项针对技术高管的调查显示，68%的人将数据质量和治理不善视为AI计划失败的主要原因。由于成本、隐私法规和数据共享限制，具有生物、药理和临床注释的高质量、严格整理的数据集仍然稀缺。行业的根本挑战不是算法的复杂性，而是数据的可用性。
结论：谨慎乐观
2025年将AI药物发现从投机性技术推进到早期临床验证阶段。首款完全由AI设计的药物的首个IIa期结果表明，该方法可以显示临床疗效，而FDA和欧盟AI法案的监管框架为开发创造了更清晰的路径。
然而，截至2025年12月，尚无AI发现的药物获得FDA批准——这一现实既框定了已取得的成就，也框定了未来的挑战。2026年最重要的问题不是AI是否能加速临床前时间表——我们知道它可以——而是它是否能提高临床成功率。在通过III期数据和监管批准对该问题给出肯定答案之前，制药行业对AI投资的谨慎态度显得完全合理。
对于实验室科学家和制药研究人员来说，2025年证实了AI是早期研发阶段的有力工具，但不是解决药物开发根本挑战的灵丹妙药。该技术已在研发工具包中赢得了一席之地，同时也展示了其当前的局限性。这种平衡的视角——没有夸大的进步——代表了该领域的成熟。
认识作者
辛格博士 辛格博士是公认的在科技和科学行业实施AI的远见者。他在全球拥有30多年领导和咨询团队的经验，帮助早期到中期公司通过有效使用计算建模实现突破。辛格博士目前担任20/15 Visioneers的全球AI和生成式AI实践负责人。他还创立并领导了开源社区HitchhikersAI.org，并是生物技术公司Incubate Bio的联合创始人。
辛格博士在欧洲和美国都有丰富的创业经验。作为纽约IBM Research的业务高管，辛格博士领导了IBM Watson基因组分析的市场推广。他还是剑桥Eagle Genomics有限公司微生物组部门的副总裁和负责人。辛格博士于1997年获得半导体建模博士学位，发表了多篇论文和两本书，并拥有12项已授权专利。2003年，他被《电子工程时报》(EE Times)评选为半导体行业最具影响力的13人之一。
【全文结束】
