人们曾期望人工智能（AI）能够迅速彻底改变制药研发，但这一期望已被证明大体上并不准确。尽管投入了大量资金并抱有高度期望，新药上市的过程仍然漫长、昂贵且充满失败。行业内部人士如今承认了一个严酷的现实：指数级进步的承诺正与系统性限制和收益递减相冲突。
传统药物研发的惊人成本与失败
目前，超过90%的潜在药物候选物在临床试验中失败，尽管技术不断进步，这一数据几乎没有变化。从最初发现到市场准备就绪的药物，通常需要超过十年时间，成本高达20多亿美元。这种漫长的时间线和巨大的财务负担造就了专家们所称的"死亡之谷"——即有希望的研究与可证明的临床成功之间的危险鸿沟。
在许多情况下，制药公司采取了谨慎的做法，倾向于避免早期风险，让较小的生物技术公司率先进行初步研究。这种策略虽然看似务实，却导致创新渠道支离破碎，许多疾病缺乏突破性治疗方法。
揭穿围绕AI与制药的迷思
有两个普遍的误解助长了人们对AI在药物开发中过度乐观的期望。首先，认为大型制药公司对药物开发流程有更深入了解的观点是错误的。尽管这些公司在扩大生产方面表现出色，但它们在早期发现方面的专业知识经常被夸大。公司实验室中并没有什么秘密配方。
其次，认为AI能够独立开发药物的观点同样不准确。当今的AI算法在识别潜在药物分子和预测其结合特性等任务上表现出色。然而，它们缺乏应对临床开发复杂性以及确保患者安全和有效性的能力。正如AI先驱杨立昆所指出的，真正的智能源于与现实世界的互动，而不仅仅是分析已发表的研究。
AI当前能力的局限性
药物开发是一个极其复杂的过程，涵盖化学、免疫学、毒理学和临床试验设计。有效的优化需要能够实时感知和解释生物过程的系统。仅仅将语言模型应用于现有科学文献是不够的；这就像通过阅读车主手册而不是检查发动机来诊断汽车问题。
数据瓶颈：关键障碍
即使投入巨资，制药研究中AI的实施仍受到关键数据不足的阻碍。制药数据通常分散在各部门、试验和外部供应商之间，阻碍了创建连贯、标准化数据集。此外，数据通常以不兼容的格式收集，无法在临床前和临床阶段之间无缝整合。
有价值的生物样本，如血液和组织，通常被收集但未能转化为可用数据。即使进行分析，结果通常也以静态PDF形式存储，AI算法无法访问。这种缺乏现成、结构化数据的情况阻止了AI开发人类生物学的综合"世界模型"，反而导致碎片化、零散的工具。
| 挑战 | 对AI整合的影响 |
|---|---|
| 数据孤岛 | 阻碍创建统一数据集进行综合分析 |
| 缺乏纵向整合 | 妨碍追踪随时间变化和相关性 |
| 工程文化不足 | 限制快速迭代和必要基础设施的开发 |
协作方法：Techbio与制药
主流思维应该从"构建还是购买"的决策转变为系统性改革，促进成熟制药公司与创新Techbio初创公司之间的合作。制药公司带来资本、监管专业知识和临床试验基础设施等关键资产，而Techbio公司则提供工程能力、快速迭代周期和以数据为中心的文化。
迈向真正进步的关键步骤
为克服Eroom定律并加速药物开发过程，需要共同努力：
- 在整个开发过程中捕获全面的生物和临床数据。
- 确保数据是多模态的、纵向的，并且在不同平台和格式之间可互操作。
- 在实际生物数据上训练AI模型，而不仅仅是依赖已发表的文献。
- 建立优先考虑学习和数据共享而非独家许可协议的协作框架。
这一战略转变将使药物开发方法更加理性、基于证据，最终改善患者预后并开发新疗法。
医疗保健中AI的未来
尽管当前限制显著，AI在医疗保健中的长期潜力仍然巨大。在联邦学习等领域的进展——允许AI模型在不共享敏感患者细节的情况下在分散的数据集上进行训练——可能有助于解决目前阻碍进展的数据隐私问题。
此外，开发能够推理和适应复杂生物系统的更高级AI算法将至关重要。根据麦肯锡最近的一份报告，AI可能在未来十年为全球医疗保健经济增加数万亿美元的价值。
你知道吗？FDA在过去五年中看到AI/ML支持的医疗设备提交量增加了400%，表明采用率在增长，但也带来了监管挑战。
专业提示：在评估AI驱动的药物发现公司时，关注其数据获取和整合策略，因为这通常是最重要的差异化因素。
关于AI和药物开发的常见问题
- AI在药物发现中面临的最大挑战是什么？ 最大挑战是缺乏高质量、标准化和易于获取的生物数据。
- AI能取代药物开发中的人类科学家吗？ 不能，AI是增强科学家能力的工具，而不是取代他们。
- AI需要多长时间才能对药物开发产生实质性影响？ 虽然时间表不确定，但产生有意义的影响可能需要数年的持续投资和合作。
- 什么是Eroom定律？ Eroom定律是指尽管技术进步，药物发现变得越来越慢和昂贵的观察结果。
- Techbio公司在这一领域扮演什么角色？ Techbio公司带来了克服传统制药研究面临的挑战所需的工程专业知识和数据驱动文化。
- AI在药物发现中生成误导性结果的风险有多大？ 是的，在没有仔细验证和稳健数据集的情况下，AI模型可能产生不准确或有偏见的预测。
- 制药公司如何最好地与Techbio初创公司合作？ 通过关注数据共享、联合研究项目以及围绕学习和创新调整激励措施。
如何将人体生理数据纳入早期模型——PQ的关键方面——可能缓解制药"死亡之谷"中看到的高损耗率？
理解制药进步中的"死亡之谷"
制药行业面临一个重大障碍："死亡之谷"。这指的是从有希望的临床前研究到新药成功上市之间的时期。这是一个以高损耗率、成本上升和重大风险为特征的阶段。目前，全球制药市场是一个1.6万亿美元的行业（Statista, 2025），但将一种药物推向市场可能超过26亿美元，耗时超过十年。这一差距不仅仅是资金问题；它是科学发现与现实适用性之间的脱节。传统方法往往不足，导致有前景的化合物在临床试验中失败。药物开发挑战是巨大的。
什么是物理智能（PQ）以及为什么它很重要？
物理智能（PQ），一个在各个领域越来越受关注的概念，为克服这些挑战提供了新方法。与传统的智商（IQ）或情商（EQ）不同，PQ关注身体感知和响应环境的内在能力。在制药创新的背景下，PQ转化为对药物如何与人体相互作用的更深入理解——超越生化途径。
以下是PQ的不同之处：
- 超越生物标志物： 传统药物开发严重依赖生物标志物。PQ承认生物标志物有价值但不完整。它强调身体的复杂、整体反应。
- 具身认知： PQ认识到认知不仅仅基于大脑。身体在处理信息和影响结果方面起着关键作用。
- 内感受： 感知内部身体状态（心率变异性、直觉、肌肉紧张）的能力是PQ的核心。这种意识可以提供关于药物效果的关键见解。
将物理智能应用于药物发现与开发
将PQ整合到药物发现过程中需要转变思维和方法。以下是它可以应用的关键领域：
1. 靶点识别与验证
- 表型筛选： 不再仅仅关注单一分子靶点。利用表型药物发现方法评估化合物对细胞或生物体的整体影响，观察行为和生理变化。
- 人机闭环建模： 将人体生理数据和反应纳入早期模型。这可能涉及使用模拟人体器官功能的微生理系统（芯片上的器官）。
- 生物标志物优化： 不要抛弃生物标志物，而是优化它们。使用PQ原则识别与"感受"效果相关的生物标志物，而不仅仅是生化变化。
2. 临床试验设计与执行
- 患者分层： 利用基于PQ的评估（例如，心率变异性分析、运动模式分析）识别最有可能对特定治疗做出反应的患者亚组。这增强了个性化医疗方法。
- 真实世界证据（RWE）： 利用可穿戴传感器和远程监测技术在临床试验期间收集连续生理数据。这提供了对现实环境中药物效果的更细致理解。
- 主观体验测量： 不要低估患者报告结果（PROs）的力量。开发PRO工具来捕捉身体感觉和整体健康状况的微妙变化。
3. 上市后监测与药物警戒
- 不良事件检测： 基于PQ的监测可以帮助识别传统报告系统可能无法捕获的药物不良反应的早期预警信号。
- 治疗优化： 对患者生理的持续监测可以为个性化剂量调整和治疗策略提供信息。
- 长期疗效评估： PQ可以提供关于药物对整体健康和福祉的长期影响的见解。
整合物理智能的好处
- 降低损耗率： 通过在开发过程的早期识别潜在问题，PQ可以显著减少在临床试验中失败的药物数量。
- 加快上市时间： 更有效的靶点验证和临床试验设计可以加速药物开发时间表。
- 提高药物疗效： 基于PQ见解的个性化治疗策略可以带来更有效的疗法。
- 增强患者安全： 不良事件的早期检测和优化的剂量调整可以提高患者安全。
- 提高投资回报率： 降低成本和提高成功率意味着制药公司的更高投资回报。制药研发大大受益。
实施的实用技巧
- 跨学科合作： 促进科学家、临床医生、工程师和数据分析师之间的合作。
- 投资技术： 采用可穿戴传感器、微生理系统和高级数据分析工具。
- 培训与教育： 教育研究人员和临床医生了解PQ的原则及其在药物开发中的应用。
- 数据整合： 开发强大的数据集成平台，将生理数据与传统临床数据结合起来。
- 伦理考虑： 解决与数据隐私和安全相关的伦理问题。
案例研究：在疼痛管理中利用HRV
最近一项研究探讨了使用心率变异性（HRV）——一个关键的PQ指标——来预测对止痛药的反应。研究人员发现，患者
【全文结束】
