制药行业一直是一场高风险的赌局。每有一种药品最终摆上药房货架，就有成千上万个分子候选者被淘汰，成为通常吞噬数十亿英镑、跨越数十年的发现过程的牺牲品。传统的胜率极其残酷：大约每5000个进入临床前测试的化合物中，只有一个最终获得监管批准，整个过程通常需要10到15年，成本超过20亿英镑。如今，人工智能承诺将彻底改写这些经济学规律，而初步证据表明，它或许真的能够兑现。
从波士顿到上海的实验室里，科学家们正在见证算法从零开始设计抗体、以原子精度预测蛋白质结构，并将药物发现的时间线从数年压缩到数月。这些并非渐进式改进，而是制药科学运作方式的根本性转变，其驱动力在于机器学习系统能够以人类团队无法匹敌的规模和速度处理生物数据。问题已不再是人工智能能否加速药物发现，而是它在不同治疗领域的可靠性究竟有多高，以及行业需要哪些保障措施，才能将计算阶段的先导物转化为安全有效的药物。
分子设计的计算革命
以华盛顿大学蛋白质设计研究所大卫·贝克（David Baker）的实验室为例。在2024年发表的工作中，贝克的团队使用名为RFdiffusion的生成式人工智能模型，从零开始设计抗体，实现了该领域长期以来被视为“登月”的目标。这些抗体并非基于现有模板进行优化，而是全新的分子，通过计算构思，并通过包括冷冻电镜在内的严格实验测试进行了验证。预测结构与实际构象之间的吻合度令人瞩目，单个互补决定区的均方根偏差低至0.3埃。
此前，尚无人工智能系统能够证明它们可以以能够泛化到不同蛋白质靶点和抗体形式的方式，从零开始产生高质量的先导抗体。贝克团队报告称，人工智能辅助发现了与流感病毒中所有毒株共有的蛋白质结合的抗体，以及阻断艰难梭菌产生的强效毒素的抗体。通过将抗体设计从试错型的湿式实验室流程转变为理性的计算工作流，该实验室将发现时间线从数年压缩到了数周。
其影响波及整个制药领域。Nabla Bio创建了JAM（一种人工智能系统），旨在生成具有良好亲和力的从头抗体，针对可溶性和难以成药的膜蛋白，包括CXCR7——约800个GPCR膜蛋白家族中的一个成员，该家族历来对抗体开发构成挑战。
艾博科（Absci）宣布能够使用零样本生成式人工智能在计算机中创建并验证从头抗体。该公司报告称，设计出了第一个能够结合HIV上称为“火山口区域”的蛋白质靶点的抗体，这是一个此前难以成药的表位。2024年2月，艾博科启动了ABS-101（一种潜在同类最佳的抗TL1A抗体）的IND支持性研究，预计将于2025年第一季度提交新药临床研究申请。该公司声称，其集成药物创建平台可以在短短14个月内推进人工智能设计的开发候选药物，有可能将从概念到临床的旅程从六年缩短至18至24个月。
人工智能发挥最大效用的领域
药物发现流程包含不同阶段，每个阶段都有其特有的挑战和失败模式。人工智能的影响因考察阶段的不同而差异巨大。该技术在早期发现中带来了最深刻的优势：靶点识别、先导化合物发现和先导化合物优化，在这些阶段，计算能力可以同时评估数百万个分子候选物。
靶点识别涉及寻找在疾病中起因果作用的生物分子（通常是蛋白质）。递归制药（Recursion Pharmaceuticals）构建了递归操作系统，该平台生成了全球最大的专门用途专有生物和化学数据集之一，涵盖65 PB的组学数据（表型组学、转录组学、体内数据、蛋白质组学和ADME特征）。其自动化湿实验室利用机器人和计算机视觉每周捕获数百万次细胞实验，将数据输入机器学习模型，以前所未有的系统严谨性识别新的治疗靶点。
一旦目标确定，先导化合物发现就开始了。这是人工智能模式识别能力最闪耀的环节。英熙李科医药（Insilico Medicine）利用人工智能识别了一个新的药物靶点，并为特发性肺纤维化设计了一种先导分子，在不到18个月的时间内将其从临床前测试推进到I期临床准备阶段，这一时间线传统方法不可能实现。该公司的平台于2022年1月提名ISM5411作为炎症性肠病的临床前候选药物，仅用12个月就合成了大约115个分子并进行筛选。其最快的临床前候选药物提名记录是为QPCTL项目，耗时9个月。
先导化合物优化也受益于人工智能。Exscientia报告称，其先导设计周期加快了70%，同时前期资本投入减少了80。与住友大日本制药合作开发的分子DSP-1181，从项目启动到临床试验仅用了12个月，而正常情况大约需要五年。Exscientia是首家将人工智能设计的候选药物推进临床试验的公司。
然而，在后期阶段，人工智能的优势会减弱。临床试验设计、患者招募和安全监测仍然需要大量的人类专业知识和监管监督。随着化合物从I期到III期研究推进，限制因素从分子设计转向临床执行和监管审查。
可靠性问题
制药行业对于过度炒作的技术已变得理所应当地谨慎。实证证据揭示了人工智能实际成功率的哪些信息？
早期数据确实充满希望。截至2023年12月，完成I期试验的人工智能发现药物显示出80%至90%的成功率，远高于传统发现分子约40%的成功率。在进入I期测试的24个AI设计分子中，21个成功通过，产生了85%至88的成功率——几乎是历史基准的两倍。
对于II期试验，AI发现分子的成功率约为40%，与历史平均水平相当。这反映了II期试验在患者群体中测试概念验证的现实，其中的生物复杂性使得即使是最复杂的人工智能也无法完全从临床前数据中预测。如果当前趋势继续下去，分析人士预计分子成功完成所有临床阶段的概率可能从历史水平的5%至10%增加到AI发现候选物的9%至18%。
进入临床阶段的AI发现候选药物数量正在指数级增长。从2016年的3个，到2020年的17个，再到2023年的67个。AI原生生物技术公司及其制药合作伙伴自2015年以来已将75个AI发现分子投入临床试验，复合年增长率超过60%。
英熙李科医药提供了一个有用的案例研究。截至2024年12月31日，该公司从其自身化学和生物学平台提名了22个开发候选药物，其中10个项目进入人类临床阶段，4个完成了I期研究，1个完成了IIa期研究。2025年1月，英熙李科宣布了ISM5411（一种新型肠道限制性PHD抑制剂）在澳大利亚和中国的两项I期研究的阳性结果，该药物总体安全且耐受性良好。
该公司的主要药物INS018_055（rentosertib）已进入特发性肺纤维化的IIa期试验，这是一种治疗选择有限的破坏性疾病。在2024年初《自然生物技术》发表一篇论文，呈现了从AI算法到II期临床试验的完整历程之后，英熙李科宣布了阳性结果，显示出良好的安全性和仅12周后用力肺活量的剂量依赖性反应。该公司正准备在2025年启动一项IIb期概念验证研究，这将成为检验AI发现药物能否证明监管批准所需的强大疗效的关键测试。
然而，并非一切顺利。递归制药尽管获得了与罗氏、赛诺菲和拜耳的合作，但在2024年与Exscientia合并后，近期宣布搁置三个先进药物项目。该公司停止了脑血管畸形和神经纤维瘤病II型药物在中试阶段的开发，选择将资源集中在具有更大商业潜力的项目上。Exscientia本身也不得不将癌症药物EXS-21546降级（在早期试验后），并缩减其管线，专注于CDK7和LSD1肿瘤学项目。这些战略撤退表明，AI发现药物面临与传统发现分子相同的临床和商业风险。
验证的必要性
计算预测与实验现实之间的差距是最关键的挑战之一。机器学习模型在可用数据上训练，但生物系统表现出即使是复杂的算法也难以完全捕捉的复杂性，这产生了严格实验验证的必要性。
传统基于QSAR的模型面临训练集小、实验数据错误和缺乏彻底验证等问题。现代AI方法通过整合计算预测与湿式实验室测试的迭代循环来解决这些局限。团队之间的稳健迭代至关重要，因为任何模型所依据的数据都是有限的，并受到生成该数据的实验的偏差影响。
像艾博科这样的公司报告说，最初，他们的计算设计显示出适度的亲和力，但随后的亲和力成熟技术（如OrthoRep）将结合强度提高到个位数纳摩尔水平，同时保持表位选择性。这表明AI提供了出色的起点，但通过实验迭代进行优化往往是必要的。
验证范式正在转变。在传统药物发现中，湿式实验室实验从头到尾占据主导地位。在新兴范式中，计算机实验可以将项目带到几乎终点，湿式实验室验证则作为最终确认，确保只有最好的候选药物进入临床试验。
Generate Biomedicines体现了这种整合方法。该公司的生成生物学平台在自然界中发现的所有蛋白质结构和序列的完整汇编上训练，并辅以专有实验数据，以学习氨基酸序列编码蛋白质结构和功能的可泛化规则。他们的生成模型Chroma可以生成具有特定性质的蛋白质设计方案。为了验证预测，Generate在马萨诸塞州安多弗开设了一个冷冻电镜实验室，提供高分辨率结构数据反馈回AI模型。
然而，挑战依然存在。生成式AI往往建议那些被证明难以合成或无法合成的化合物，或者缺乏适当的成药性（如溶解度、稳定性或生物利用度）。多达40%的抗体候选药物因不可预见的可开发性问题在临床试验中失败，每年造成数十亿英镑的损失。
算法发明时代的知识产权
算法设计的药物归谁所有？这个问题打开了一个法律复杂性的迷宫，制药和生物技术行业才刚刚开始探索。
根据美国专利法，发明人身份严格限于自然人。2022年的Thaler诉Vidal案驳回了将AI系统DABUS列为唯一发明人的专利申请。然而，美国专利商标局2024年的指南澄清，如果人类对构思或付诸实践提供重大贡献，则AI辅助的发明仍然可以申请专利。
关键表述是“重大贡献”。在大多数情况下，人类仅仅将AI发明付诸实践并不构成足够的贡献。然而，对AI输出进行迭代改进则可以越过这一门槛。开发专注于特定问题的AI系统的公司从一开始就拥有人类贡献的迹象，例如通过识别结合亲和力要求和体内性能规格，然后开发AI平台来生成具有这些性质的候选药物。
这创造了记录的战略必要性。必须彻底记录包括AI和人类贡献在内的发明过程，详细说明人类超越简单验证AI输出而采取的具体行动。如果没有这样的记录，公司可能面临专利申请被驳回或已授权专利日后被无效的风险。
国际司法管辖区增加了复杂性。欧洲专利局要求“技术贡献”超越单纯的数据分析。AI药物发现工具需要改进实验方法或制造工艺才能符合EPO标准。中国修订后的2024年指南允许在人类监督其输出的情况下将AI系统列为共同发明人，尽管执行仍不一致。
制药公司越来越多地转向混合方法。Relay Therapeutics结合了策略：为候选药物申请专利，同时将分子动力学模拟保密。然而，问题仍然存在：尽管递归制药有多种AI优化的小分子化合物处于临床开发中，但其中一些（REC-2282和REC-4881）早已被其他方知道并专利化，需要递归制药获得许可。即使是最复杂的AI系统也可能重新发现知识产权格局中已经存在的分子。
监管路径
监管机构面临前所未有的挑战：如何评估由无法完全审查的系统设计的药物？美国食品药品监督管理局（FDA）于2025年1月发布了关于在药物和生物制品开发中使用AI的第一份指南，为申办方提供了基于风险的框架，以评估和确立AI模型在特定使用背景下的可信度。
这是一个关键的里程碑。自2016年以来，AI在药物开发和监管提交中的使用呈指数级增长。CDER的经验包括2016年至2023年超过500份包含AI组件的提交，但正式指南此前一直缺席。该框架涉及申办方应如何验证AI模型、记录训练数据来源和质量，并证明模型输出对于其预期监管目的是可靠的。
基本原则保持不变：新药必须经过严格的测试和评估才能获得FDA批准，无论它们是如何设计的。然而，对于生成式AI来说，这可能更具挑战性，因为其潜在的生物学和作用机制可能未被充分理解。当AI系统通过跨巨大数据集的模式识别识别出新的靶点时，人类研究人员可能难以阐述监管机构通常期望的机制原理。
AI设计药物的监管提交不仅需要包含传统的临床前和临床数据，还需要包含关于AI系统本身的详细信息：训练数据来源和质量、模型架构和验证、局限性和潜在偏差，以及信任模型预测的理由。
截至2024年，市场上尚无使用AI优先管道开发的药物，尽管许多药物正在临床试验中推进。成为第一个获批的品牌既带来声望也带来风险：首次批准将建立先例，塑造未来多年的监管预期。
医疗设备领域提供了有益的先例。截至2025年，FDA已授权超过1000种AI支持的医疗设备，积累了评估AI系统的机构经验。然而，药物监管带来了不同的挑战：尽管医疗设备AI通常辅助人类决策，但药物发现AI做出的自主设计决策直接决定了分子结构。
商业模式与伙伴结构
在AI和药物发现交汇点涌现的商业模式表现出显著的多样性。一些公司追求专有管道，另一些则定位为平台提供商，许多公司采用平衡专有项目与战略合作的混合方法。
最近的交易表明，已证明的AI能力附带了可观的估值。阿斯利康同意向石药集团支付超过40亿英镑，以获取其AI平台和一系列临床前抗癌药物，这是迄今为止最大的AI生物技术交易之一。赛诺菲于2024年4月与Earendil Labs签署了13亿英镑的协议。辉瑞向CytoReason投资了1500万英镑股权，并拥有选择权在未来五年内以高达8500万英镑的价格许可该平台。
Generate Biomedicines获得了与安进（Amgen）的合作，在肿瘤学、免疫学和传染病五个共同开发项目中价值高达15亿英镑。这些交易反映了制药公司认识到其内部AI能力可能落后于专门的AI生物技术公司，使战略合作成为获取尖端技术的最快途径。
摩根士丹利研究认为，继续翻译。
AI带来的早期药物开发成功率适度提升，可在10年内导致额外50种新疗法，相当于超过400亿英镑的机会。麦肯锡全球研究所预测，生成式AI每年将为制药业带来480亿至880亿英镑的价值，主要通过加速早期发现和优化资源配置。
合作结构必须解决围绕知识产权分配、开发责任、财务条款和商业化权利的复杂问题。有效的治理结构，包括正式合同机制和非正式协作规范，对合作成功至关重要。
递归制药与Exscientia的高调合并（2024年8月宣布，合并估值约为4.3亿英镑）代表了AI生物技术公司之间的整合，以实现规模优势和多元化管道。合并后的实体随后宣布削减管道，以将其资金周转期延长至2027年中，这说明了该行业面临的持续资本效率压力。
AlphaFold革命
关于AI在药物发现中的讨论，不能不提AlphaFold——DeepMind的蛋白质结构预测系统，该系统在2020年12月赢得了第14届蛋白质结构预测关键评估竞赛。被许多人视为AI对科学领域的最大贡献，也是21世纪最重要的科学突破之一，AlphaFold2重塑了结构生物学，为研究创造了前所未有的机会。
该系统的成就是仅从氨基酸序列就能以实验级精度预测蛋白质结构。几十年来，确定蛋白质的三维结构需要耗时且昂贵的实验技术，通常每个蛋白质需要数月或数年。AlphaFold2将这个压缩到几分钟，DeepMind发布了超过2亿种蛋白质的结构预测，有效地解决了绝大多数已知蛋白质序列的结构预测问题。
对药物发现的影响立即而深远。通过准确预测靶蛋白结构，研究人员可以设计专门结合这些蛋白质的药物。AlphaFold2结构被用于通过CavitySpace数据库构建人类蛋白质组中所有蛋白质的第一个口袋库，可用于在药物再利用中识别已知药物的新靶点。
虚拟配体筛选变得极为方便。有了之前未表征靶点的预测结构，研究人员可以计算评估小分子或生物药物如何结合，从而无需大量实验筛选即可识别有希望的候选药物。这加速了早期发现，并扩大了可成药蛋白质组，涵盖了之前难以处理的靶点。
后来发布的AlphaFold3将这些能力扩展到以前所未有的精度预测所有生命分子的结构和相互作用。该系统在预测药物样相互作用方面取得了显著精度，包括蛋白质-配体结合和抗体-靶蛋白相互作用。全球数百万研究人员使用AlphaFold2在疟疾疫苗、癌症治疗和酶设计等领域取得了发现。
然而，AlphaFold并不能独自解决药物发现难题。知道蛋白质的结构并不能自动揭示如何有效地将其成药物、药物分子需要什么样的选择性才能避免脱靶效应，或者化合物在复杂的体内环境中会如何表现。结构是必要的，但还不够。
警示故事与现实的期望
围绕AI在药物发现中的热情必须与现实评估相平衡。该技术强大但并非无懈可击，从计算预测到获批药物的道路仍然漫长且充满不确定性。
考虑到，截至2024年，尽管经过了多年的发展和数十亿的投资，尚无任何AI优先的药物上市。正在临床试验中推进的候选药物代表了真正的进展，但它们尚未跨越最终的阈值：在大型、良好对照的临床试验中证明安全有效，足以赢得监管批准。
2023年《自然》杂志的一篇文章警告说，“AI加速药物发现的潜力需要现实检验”，并警告该领域存在过度承诺和交付不足的风险。以往几轮计算药物发现热潮，从1990年代基于结构的设计到2000年代的系统生物学，都产生了大量炒作，但实际影响却不大。
数据质量问题是一个持续的挑战。机器学习系统的好坏取决于其训练数据，而生物数据集通常包含错误、偏差和空白。在嘈杂数据上训练的模型将延续并可能放大这些局限性。
“黑箱”问题既造成了科学上的担忧，也造成了监管上的担忧。深度学习模型通过难以或无法进行机制解释的数学变换层做出预测。这种不透明性在预测失败时给故障排除带来了挑战，也使得满足监管机构对机制理解的要求变得困难。
AI团队与传统制药组织之间的整合挑战也造成了摩擦。药物发现需要药物化学、药理学、毒理学和临床医学方面的深厚领域专业知识。AI系统可以增强但不能取代这些专业知识。组织必须成功整合计算和实验团队，协调激励措施和工作流程。在许多情况下，这种文化整合比技术整合更难。
药物开发的资金密集性意味着，即使早期发现效率得到显著提升，也可能不会像支持者希望的那样彻底改变整体经济学。如果AI将临床前时间线从六年压缩到两年，并将I期成功率从40%提高到85%，从II期到获批的临床开发仍然需要多年时间和数亿英镑。
变革的地平线
尽管存在各种警告和挑战，AI在药物发现中的发展轨迹指向的是变革而非渐进式变化。该技术仍处于早期阶段，或许类似于1990年代中期的互联网：显然重要，但大多数应用和商业模式仍有待开发。
几个技术前沿有望扩展AI的影响。整合多种数据类型的多模态模型可以比当前方法更全面地捕捉生物复杂性。主动学习方法，即AI系统通过识别信息量最大的下一个实验来指导实验工作，可以加速计算阶段和实验阶段之间的迭代。
将AI扩展到临床开发是一个基本上尚未开发的机会。当前的系统主要关注临床前发现，但机器学习也可以优化试验设计、识别合适的患者、预测哪些亚群会对治疗产生反应，以及更早地检测安全信号。递归制药正在将AI重点扩展到临床试验，认识到后期阶段有改进的巨大空间。
在海量生物数据集上训练的基础模型，类似于大型语言模型如GPT-4，可能会发展出狭窄AI系统所不具备的涌现能力。这些模型可能能够跨治疗领域迁移学习，将肿瘤学的见解应用于神经科学项目。
AI工具的民主化也可能加速进展。随着平台变得更加可及，缺乏大量AI专业知识的小型生物技术公司和学术实验室可以开始利用这项技术。开源模型和数据集，例如AlphaFold免费提供的蛋白质结构，体现了这种民主化潜力。
监管适应将持续，随着各机构积累评估AI发现药物的经验。正在出现的框架将随着监管机构发展关于验证标准的机构知识以及如何平衡鼓励创新与确保患者安全而演变。
也许最引人入胜的是，AI可以扩展可成药的蛋白质组，并启用全新的治疗模式。许多与疾病相关的蛋白质一直被认为是“不可成药的”，因为它们缺乏明显的小分子结合口袋，或者难以用传统抗体靶向。能够为这些具有挑战性的靶点设计新型蛋白质疗法、肽或其他模式的AI系统，可能会开启以前无法获得的治疗机会。
制药行业正处于一个拐点。AI在药物发现中的早期成功已经足够显著，足以吸引关注和投资，而剩余的挑战也是可处理的，足以激发人们对解决方案将出现的信心。问题不再是AI是否会改变药物发现，而是这种转变将有多快、多彻底。
对于正在等待罕见病、侵袭性癌症和其他高度未满足医疗需求疾病治疗的患者来说，答案至关重要。如果AI能够可靠地压缩发现时间线、提高成功率并扩大可治疗疾病的范围，那么它所代表的远不止是一种技术上的新奇事物。它将成为减少痛苦和延长生命的工具。
算法不会取代人类研究人员，但它们正越来越多地作为合作伙伴与人类并肩工作，共同寻找更好的药物。根据全球实验室正在涌现的成果，这种伙伴关系正开始兑现其巨大的潜力。
来源与参考文献
本文参考了众多行业报告、学术论文及公开新闻稿，以支持其论述。具体来源包括但不限于：Radical Ventures关于从头抗体设计的报告；《科学》杂志关于AI生成潜在新抗体的报道；《药物发现前沿》关于AI加速治疗性抗体开发的见解；PubMed Central上关于AI在药物发现与开发中作用的文章；ScienceDirect上关于AI发现药物在临床试验中成功率的分析；BioSpace上关于生物制药AI合作的报道；摩根士丹利关于AI药物发现的研究报告；FDA 2025年1月发布的关于AI模型可信度的框架公告；Fenwick & West LLP关于AI辅助药物发现专利的分析；Ropes & Gray LLP关于AI在药物发现中带来的专利风险警告；英熙李科医药关于ISM5411阳性结果及开发管线的新闻稿；Clinical Trials Arena关于英熙李科AI药物进入II期IPF试验的报道；UKRI关于Exscientia临床管线的介绍；FierceBiotech关于Exscientia削减管线的报道；递归制药公司官网及BioPharma Dive关于其管线调整的报道；Ardigen关于AI与湿实验室结合的见解；GEN News关于AI在药物发现中“信任但验证”的评论；《自然》杂志关于AlphaFold2在生物学和医学中应用的专题文章；Google DeepMind博客关于AlphaFold3的介绍；艾博科关于ABS-101及从头抗体的新闻稿；Generate:Biomedicines关于其生成生物学平台的介绍；Business Wire关于Generate Biomedicines创造从未存在过的蛋白质的报道；《化学与工程新闻》关于Generate Biomedicines开设冷冻电镜实验室的报道；《自然》杂志关于AI加速药物发现潜力需要现实检验的评论；ScienceDirect关于治疗性抗体发现新视野的综述；以及《自然综述药物发现》关于AI在大分子药物发现中公司格局的分析。文中所有数据截至2025年4月，行业发展迅速，具体信息请以最新来源为准。
Tim Green
英国系统理论家与独立技术作家
Tim 探索人工智能、去中心化认知与后人类伦理的交汇点。他的作品发表在 smarterarticles.co.uk，挑战技术进步的单一叙事，同时为集体智能与数字管理提出跨学科框架。
他的文章曾亮相于 Ground News，并被学术界和科技界的独立研究者广泛分享。
【全文结束】