从创意到实验室，再到临床试验与最终获批——将新药推向市场是一个漫长且昂贵的过程，成功率极低。东北大学研究人员吴悠和谢磊教授提出了另一种解决方案：一种利用人工智能预测新药如何影响人体全身（而不仅是靶向基因或蛋白）的可编程虚拟人体。
"本质上，我们希望利用人工智能并整合其他技术，构建这种人体表征模型，用于测试新化合物并观察其作用机制，"东北大学药物科学教授谢磊表示，"我们旨在将药物发现范式从单基因视角转变为对人体系统的整体性观察。"
该提案发表于同行评议科学期刊《药物发现今日》，源于吴悠与谢磊将人工智能与其他工具相结合以创建新型药物研发方式的工作。谢磊指出，当前制药开发模式需耗时10至15年，成本达数十亿美元，最终却有90%的失败率。
谢磊解释，问题部分源于药物测试早期阶段仅关注新药在体外或动物模型中对靶向基因的影响。但试管或小鼠环境与人体存在本质差异。即便结果可直接转化至人类，测试新药对靶向基因或蛋白的作用也无法反映其与人体其他系统的相互作用。
"预测完美的蛋白-药物相互作用并非临床终点，正如在肿瘤中杀死癌细胞不代表药物达到最终目标，"谢磊强调，"必须观察该药物如何与体内所有可能的分子、蛋白、DNA、RNA相互作用，以及如何改变基因表达、蛋白表达等各类生理过程。"
这正是所提议的可编程虚拟人体的用武之地。该提案建立在"药理数字孪生体"概念基础上——即利用人工智能模拟药物在人体内作用的虚拟人体复制品。但区别在于：数字孪生体依赖既往药物性能数据（如早期临床阶段或获批后的药物数据），而"我们希望测试从未在人体中验证过的新化合物，无需实际人体测试且规避伦理问题，"谢磊解释道。
通过整合基于物理的生物、生理及临床知识模型，并结合经人体系统运作数据训练的机器学习模型，该虚拟人体可被编程以预测新药与人体的相互作用。吴悠指出，该工具在发现针对阿尔茨海默病等复杂疾病的药物时尤其有效——此类神经系统疾病影响的是人体系统而非特定基因或蛋白。
"许多疾病涉及多重基因协同作用——特别是复杂疾病、罕见病或当前尚无治疗方法的疾病，"东北大学药物发现中心博士后研究员吴悠表示。谢磊补充道，可编程虚拟人体还能在临床试验前数年解答新药的副作用、毒性、有效性等问题，可能提高药物成功率，为制药企业节省时间与资金。
谢磊坦言，要实现该工具的广泛应用，仍需收集海量数据、整合多种模型、寻找产业与学术合作伙伴并争取资金支持。但他表示概念验证测试前景乐观，"我们确实在朝着这些目标稳步推进。"
谢磊强调，可编程虚拟人体不仅是人工智能的进步或数字孪生体的升级。"若不改变当前药物发现范式，人工智能难以产生重大影响，"他指出，"我们提出的是一种全新药物发现方式：不仅用AI加速发现过程，更要重新定义'发现'的内涵。真正的创新将源于AI帮助我们理解人体系统对治疗的整体响应。我们正在构建一个能学习并推演生物学所有层级的框架。"
【全文结束】
