一项2026年5月发表在《自然》杂志上的研究为AI赋能的药物开发带来重要突破，值得科研界和政策制定者密切关注。该研究介绍了Robin系统，因其可能重塑早期药物发现流程而值得政策关注——但前提是政策必须支持扩展此类系统所需的数据、基础设施、监管和激励措施。
研究显示
在针对干性年龄相关性黄斑变性（dAMD）——发达国家致盲首要原因——的概念验证应用中，Robin识别出主要用于青光眼治疗的利帕舒地尔作为重定位候选药物，并通过实验室实验证实其有效性。作者将Robin描述为首个能在迭代过程中自主发现并验证新型治疗候选药物的AI系统，该过程通过人工实验室实验测试并优化AI系统的假设。
早期的AI工具已加速药物发现流程的个别步骤：AlphaFold2革新了蛋白质结构预测，ActFound改进了生物活性筛选，但二者均未自动化Robin所完成的从文献驱动的假设生成到实验数据分析及迭代优化的全任务范围，而人类科学家仍需执行实验室实验。Robin能否大规模降低发现周期和成本尚待观察，但在此实验中，Robin约30分钟分析了551篇论文，相当于人工处理约540小时。
Robin的方法展示了作者所称的"组合式综合"——即识别科学文献中跨不同领域的非明显关联。人类专家知识通常更专业化，此类跨领域关联因此容易被忽略。经过广泛文献训练且不受学科边界限制的AI系统能更系统地识别这些关联。Robin的优势可能在于其广度：它能通过连接跨领域发现来补充人类科学家的深度专业知识。
AI的优势与挑战
Robin的贡献既展示了当前AI系统在药物开发中的潜力，也揭示了其局限。这些系统擅长大型数据集中的模式识别：筛选化合物库、预测蛋白质结构、基于统计关联标记候选靶点。但在因果推断方面面临更大挑战：不仅要确定两个变量相关，还需阐明生物学关系存在的原因及其潜在机制。
Robin自身的基准测试与此一致：其数据分析代理在生物统计任务中得分为47.9%，而在生物信息学任务中仅为15.3%，作者将这一差距归因于生物信息学更依赖多步骤机制推理，而非单步统计计算。这种差距在药物开发中至关重要，因为理解从靶点到化合物再到治疗效果的因果路径对开发有效药物具有决定性意义。
Robin在行业格局中的定位
Robin的出现反映了药物开发管道中AI应用生态系统的成熟，并回应了该领域真实存在的生产力担忧。美国食品药品监督管理局（FDA）的新药批准数量在过去十年保持相对稳定，而研发投资却大幅增长，这种模式引发了对药物开发生产力的担忧。
多项指标表明AI可能提供帮助。波士顿咨询集团（BCG）研究考察了20家专注AI的制药公司的研发管线，发现15个进入临床试验的AI辅助药物候选物中有5个在四年以内完成，远快于五至六年的历史平均值。BCG与惠康信托2023年的一份报告预测，AI赋能的努力可将药物发现和临床前阶段的时间和成本降低25%至50%。美国政府问责办公室和国家医学院2019年的一份报告指出，某公司估计AI加速药物发现可通过提升研发生产力、提高资本投资效率以及帮助研究人员更早识别优质候选药物，为每种药物节省3亿至4亿美元。
要实现Robin等系统的大规模潜力，需确保若干结构性条件到位，政策在每个环节都可发挥重要作用。
政策启示
首先，共享数据基础设施需要持续的公共投资。AI系统高度依赖对多样化、可互操作数据集的访问。联邦倡议包括美国国立卫生研究院的Bridge2AI计划和"全民健康研究计划"，以及Open Targets等公私合作项目，代表了值得持续支持的现有框架。隐私增强技术也为扩大数据访问而不损害隐私提供了路径。
其次，如FDA草案指南所述，为药物发现中的AI建立基于风险的监管框架至关重要。值得注意的是，Robin等发现阶段系统处于患者护理之前。它们识别的任何候选物仍需经过严格临床试验才能用于患者。明确和简化此类工具的FDA审查流程并采取基于风险的方法的政策，可鼓励更广泛采用这些工具。
第三，支撑私人投资AI驱动药物发现的商业激励取决于获得足够回报的预期。降低预期回报的药品定价政策（包括《通胀削减法案》条款和最惠国定价提案）可能削弱对Robin等系统旨在加速的早期高不确定性研究的投资。AI驱动的效率提升为应对不断上升的药物开发成本提供了互补路径——该路径无需压缩激励私人投资的初始回报。
第四，对自动化实验室基础设施（云实验室、生物铸造厂和机器人实验平台）的投资是AI赋能药物发现系统投资的重要补充。Robin等系统依赖人类科学家执行实验。扩展AI系统能力以包含实验执行，将需要持续发展支持更自主发现管道的物理基础设施。
【全文结束】