记者
非特派记者与雅加达分社记者
2025年10月13日 上午06:24
作者：Nidhi Malhotra，希夫·纳达尔大学
2025年正成为人工智能在人类生物学领域留下印记的关键之年。长期以来以多年艰苦试错为特征的药物研发世界，正在经历一场地震式的变革。由香港生物科技公司英矽智能（Insilico Medicine）创始人兼首席执行官亚历克斯·扎沃龙科夫（Alex Zhavoronkov）领导的最新研究取得突破性进展：首款完全由人工智能生成的药物已进入IIa期临床试验。
该药物瑞托塞替布（Rentosertib，ISM001-055）旨在治疗特发性肺纤维化（IPF）——一种治疗选择有限的致命性肺部疾病。鉴于该药物在人体试验中展现出令人鼓舞的疗效和安全性，各方目光正聚焦于关键的III期临床试验，这可能成为首例完全由AI生成的药物获得监管批准的历史性时刻。
历史上，药物研发向来是漫长、昂贵且充满失败的过程。从分子构想到获批疗法平均需耗时10至15年，耗资超过20亿美元（约合1.45万亿印尼盾）。该过程始于靶点识别——在人体内寻找对疾病起核心作用的基因、蛋白质或通路。理论上看似简单，但靶点识别实为药物研发中最棘手的障碍之一。生物系统复杂且难以预测，攻击看似有前景的靶点往往无法产生治疗效果，或在人体中引发有害副作用。早期选错靶点可能导致整个药物研发项目在进入临床前就宣告失败。
确定靶点后，科学家需从数百万分子中筛选能与之结合的化合物（如同钥匙插入锁孔）。这些"苗头"分子随后被优化为兼具效力、选择性和安全性的"先导"化合物。仅有最优者进入临床前试验——传统上通过细胞和动物测试毒性及生物活性（尽管新法规允许用高级实验室模型部分替代动物实验）。
历经此严苛筛选后，少数候选药物进入分阶段的人体临床试验：I期测试基础安全性，II期探索患者疗效，III期大规模验证有效性，IV期则在获批后监测长期安全性。极少药物能完成全程。数十年来，这意味着制药创新进展极其缓慢。
人工智能驱动方法的独特优势
亚历克斯·扎沃龙科夫方法的突破在于将AI赋能的靶点发现与"苗头"分子生成无缝整合为闭环管线——这在行业尚属首次。团队利用PandaOmics平台分析复杂生物数据，通过AI首次发现蛋白质TNIK（TRAF2和NCK相互作用激酶）作为靶点，该蛋白是全新的纤维化驱动因子。
TNIK此前仅在癌症研究中被关注，其在纤维化中的作用开辟了全新治疗路径。随后团队调用平台的生成化学引擎Chemistry42，30个AI模型并行工作，实时共享反馈与效能评分，在庞大的分子宇宙中探索并优化化合物。
该过程产出小分子药物瑞托塞替布，其经优化具备理想效力、选择性和类药特性，精准靶向TNIK。不同于以往仅嵌入研发孤立环节的AI工具，此端到端框架使团队仅用约18个月就完成从靶点发现到临床前候选药物的流程，并在30个月内完成0/1期临床测试，速度远超传统药物研发。
该疗法迄今已展现安全性和初步疗效，成为首款跨越此门槛的AI发现与设计药物——此前AI方法从未达成此成就。
英矽智能并非这场革命的独行者。一批先锋企业正利用AI重塑药物发现格局，越来越多候选药物推进至临床阶段。例如，Atomwise公司运用深度学习进行结构化药物设计，于2023年宣布其首款AI驱动候选药物（一种阻断炎症关键酶TYK2活性的药物）正推进至针对免疫介导炎症疾病的临床试验——这类慢性病源于免疫系统过度活跃并错误攻击健康组织。
并非所有AI研发药物都能成功。Recursion Pharmaceuticals公司在2025年5月因长期数据未确认早期疗效趋势，战略性终止了其AI发现的主打候选药物REC-994（用于治疗罕见神经血管疾病）。但该公司在2024年与Exscientia合并后，仍保有其他AI驱动候选药物管线。
尽管AI正加速药物发现，随着领域成熟，临床疗效的复杂性仍是需解决的重大挑战。
AI的成功率表现
《药物发现今日》2024年分析显示，AI设计分子的早期临床试验成功率远超行业常态。在以安全性为主的I期试验中，AI药物成功率高达80%至90%，而历史平均水平仅为40%-65%；在转向疗效验证的II期试验中，AI衍生药物成功率约40%，与传统方法相当。尽管样本量仍小，但早期证据表明AI至少同等有效，甚至可能更高效地筛选可行候选药物。更值得注意的是，整合AI的管线几乎使研发生产力翻倍。
尽管瑞托塞替布作为首款完全AI设计药物进入IIa期试验具有历史意义，挑战依然存在。当前数据来自患者数量有限的早期研究，更广泛人群中的长期疗效和安全性仍有待验证。
然而，AI将靶点发现、分子设计与优化整合为单一流程的能力，已显著加速药物研发进程。随着监管机构对创新技术日益开放，人工智能正从承诺走向实践，变革临床试验的规划、执行与解读方式，为制药研究开启全新时代。
【全文结束】
