嘉宾评论
对于数百万患者而言，药物研发的缓慢进展意味着可能经历数年甚至数十年的无有效治疗期。许多疾病难以治愈并非因其罕见或未知，而是其生物学靶点过于复杂难以成药。
药物研发充满挑战，约90%候选药物在临床试验中失败。难点主要集中在"难以成药"靶点——这些靶点（如构象灵活的蛋白质或浅表结合位点）缺乏传统小分子药物所需的稳定结合口袋。离子通道和G蛋白偶联受体（GPCRs）因复杂的分子结构和隐蔽的结合位点成为两大重要靶点。当前约227种GPCRs尚无对应药物，此类靶点研究使研发投入高达10-20亿美元，耗时超十年。
生成式人工智能（GenAI）为此带来突破可能，但需警惕"AI幻觉"（由数据缺陷导致的错误预测）。高质量数据成为关键，缺乏可靠数据集的AI模型可能产生误导性结果。
GenAI：药物发现的新范式
GenAI正在重构药物研发流程：
- 分子优化：提升靶点结合特异性、溶解性及稳定性
- 从头分子生成：通过扩散模型等技术探索化学空间，设计具最佳亲和力的新型结构
- 药物重定位：挖掘已知药物的新适应症
- 生物标志物发现：推动精准医疗和临床患者分层
- 靶向挑战性蛋白：针对GPCRs等开发表位特异性抗体，提升候选分子临床成功率
通过早期筛选无效候选药物，GenAI可将研发周期缩短30-50%。例如Antiverse利用GenAI设计GPCR靶向抗体，Insilico Medicine开发神经疾病小分子抑制剂。
现实进展与挑战
尽管尚无AI设计药物通过III期临床，但行业已广泛应用：
- Healx的HLX-1502进入神经纤维瘤病II期试验
- BenevolentAI重定位巴瑞替尼用于新冠治疗
当前需克服三大瓶颈：
- 数据孤岛：生物医学数据分散导致重复研究
- 数据质量：研究偏倚和不完整报告影响模型准确性
- 生物验证：必须通过体外/体内实验确认AI预测结果
未来展望
GenAI正突破"不可成药"靶点限制，重塑药物研发全链条。但成功不仅依赖技术进步，更需数据科学家、药物化学家和监管机构的跨学科协作，确保AI发现转化为临床突破。
【全文结束】
