核心要点
- 随着人工智能在新药发明中的应用日益频繁，确定其如何影响专利发明的归属变得尤为重要。
- 使用人工智能进行药物发现通常需要人工智能专家与科学专家之间的密切协作。
- 在药物发现项目中使用人工智能工具的公司应保留详细记录，以证明发明人如何对发明的概念形成做出贡献。
基于人工智能的药物发现平台正在加速药物开发的每个阶段，有望快速开发新型化学物质、识别新的生物靶点以及构建更精准的临床试验算法。随着人工智能系统在新药发明中的应用日益紧密，关于使用人工智能系统获得的专利主题的发明人资格问题仍然存在。
例如，何时必须将负责训练人工智能模型的人列为发明人？他们的贡献应如何界定？了解用于发现新药的人工智能模型类型有助于进行分析。
所有对所要求保护的发明做出贡献的发明人都必须列在专利申请中。2025年末，美国专利商标局发布了关于人工智能辅助发明的修订指南，撤销了2024年2月的指南。先前的指南规定，人工智能辅助发明的发明人资格分析应在联邦巡回上诉法院在Pannu v. Iolab Corp.案中的决定框架下进行，以考虑人工智能的创造性贡献。
最新的美国专利商标局指南承认，当涉及多个人类发明者时，Pannu因素仍然适用于联合发明人分析。然而，当单个人使用人工智能开发发明时，Pannu因素不再适用。因为人工智能系统不是人类，不存在需要分析的联合发明人问题。
这意味着美国专利商标局实际上将人工智能系统视为一种研究工具。2025年的指南重申，确定发明人资格的标准——来自Burroughs Wellcome Co. v. Barr Labs. Inc案——侧重于概念形成："发明人在脑海中形成对完整且可操作的发明的明确且永久的想法。"
评估创造性贡献
虽然这一概念形成描述在理论上是直截了当的，但将其应用于人工智能辅助药物发现可能具有挑战性。部分依赖人工智能架构发现药物的过程可能需要人工智能专家与科学专家之间的密切合作。
人工智能辅助药物发现中的概念形成甚至可能取决于药物发现过程中使用的人工智能模型类型。考虑到这些变量，确定谁在最终化合物的概念形成中发挥了作用是复杂的。例如：
- 谁可以被列为专利申请的发明人？
- 生成、排除故障甚至监督人工智能模型的人是否应包括在内？
- 如果化合物是由生成式人工智能发现的怎么办？
尽管最新的美国专利商标局指南支持在单个发明人将人工智能作为工具使用时对发明人资格进行直接确定，但当前指南未能考虑人工智能模型的差异或药物发现的协作性质。根据美国专利商标局指南，当涉及多个自然人时，Pannu因素仍然适用于联合发明人分析。要成为联合发明人，他们必须：
- 对发明的概念形成或付诸实践做出重大贡献
- 以在质量上并非微不足道的方式对发明做出贡献，当该贡献与整个发明相比时
- 做的不仅仅是向真正的发明人解释众所周知的概念
评估化学化合物的概念形成——如在Oka v. Youssefyeh案中——需要"化学化合物结构的想法"和"拥有制作它的可操作方法"。评估用于发现化合物的人工智能模型类型有助于应用Pannu因素。
预测性人工智能
预测性人工智能可以预测现有化合物的特性、识别新的药物靶点以及揭示结构-活性关系，通过实施机器学习或非代理性人工智能模型。例如，用于靶点识别的PandaOmics人工智能平台利用人工智能方法，如科学文献的自然语言处理、网络分析和与生物数据集结合的矩阵分解，以识别现有化合物的有希望的疾病相关分子靶点。
预测性人工智能模型接收输入并返回预测。科学专家与监督预测性人工智能模型的人之间的协作可能对化合物的概念形成影响较小。
例如，如Oka案中所述，如果科学家已经确定了化学化合物的结构并找到了合成它的方法，那么该人就已经构想出了该化合物。相反，如果科学家与人工智能专家合作预测化合物的特性或识别其靶点，要使人工智能专家成为共同发明人，他们必须对发明的概念形成或付诸实践（即制造）做出重大贡献，如在Dana-Farber Institute, Inc. v. Ono Pharmaceutical Co., Ltd案中所述。
尽管如此，如Ono案中所承认的，要成为联合发明人，人工智能专家不能使用预测性人工智能模型向科学家提供众所周知的原理或解释现有技术。此类贡献可能仅限于提供可以在教科书中找到的众所周知的信息，如在Hess v. Advanced Cardiovascular Sys., Inc.案中所述。
先例是明确的。正如Eli Lilly and Co. v. Aradigm Corp.案所述，人工智能专家不能使用预测性人工智能模型"仅仅建议要实现的结果的想法，而不是实现它的手段"。如果输出不超出要实现的结果，那么输出"与发明的实际实现相距太远"，对实现发明的贡献可能不构成对概念形成的贡献。
除非使用预测性人工智能模型的人工智能专家能够证明对化合物的概念形成做出了重大贡献，否则他们将无法满足Pannu因素。他们的贡献可能不足以构成共同发明人资格。
生成式人工智能
生成式人工智能化学模型代表了与传统计算方法相比分子发现的根本不同方法。与修改已知化合物或筛选现有库不同，这些模型可以设计全新的分子结构。生成式化学模型实现了"逆向设计"，允许科学家指定所需特性，并让模型生成满足这些要求的候选结构。
预测性人工智能和生成式人工智能之间的关键区别在于它们的基本目标。虽然预测性人工智能可以回答"这个分子会发生什么？"的问题，但生成式模型的目标是回答"哪些分子可能具有这些特性？"
一旦用户指定期望的化学特性，生成式模型就可以设计满足这些标准的化合物。生成的化合物可以像传统发现的化合物一样进行评估和选择以进行进一步测试。
在生成式化学模型中，科学专家与监督生成式人工智能模型的人之间的协作可能会影响化合物的概念形成。例如，当科学家拥有化学支架并可以制造它时，他们已经构想出了该支架，如Oka案所建议。
如果科学家将他们的化学支架提交给生成式化学模型并生成该支架的衍生物，指导模型的人可能对衍生物的概念形成做出贡献。可以推测，如果没有人工智能专家的贡献，将无法识别这些衍生物。
如果人工智能专家熟悉用于生成衍生物的模型过程和参数，他们的贡献可能满足化学概念形成的双重测试。由于人工智能专家做出了重大贡献，它可能满足Pannu因素，很可能构成共同发明人资格。
然而，除了知道其结构外，还必须拥有一种制造由生成式人工智能识别的化合物的方法，才能形成化学化合物的概念。正如Nartron Corp. v. Shukra U.S.A.案中所述，拥有参数并将它们输入生成式化学模型可能被视为"建议要实现的结果的想法，而不是实现它的手段"。如果原始科学家和人工智能专家只能在化学家的帮助下制造化合物，那么这三个人很可能都能满足Pannu因素，构成共同发明人资格。如果没有获得人工智能生成化合物的方法，概念形成是不完整的。
事实上，联邦巡回法院在Morgan v. Hirsch案中认为，"要求某人生产某物而不说明它是什么[要做]或如何做它不是专利法所认可的发明"。试图获得如Amgen, Inc. v. Chugai Pharm. Co.案中的化合物，提出如Morgan案中的问题，或验证发明人对其化合物将按预期工作期望的有效性如Burroughs案，都不构成概念形成。直到科学家拥有化学化合物的结构和制造它的可操作方法，他们才拥有如Oka案中的概念形成。鉴于药物发现的高度协作性，很可能有多人对人工智能生成化合物的概念形成做出了贡献。
展望未来
随着人工智能工具越来越多地集成到药物发现项目中，使用这些工具的公司应保留详细记录，以证明发明人如何对发明的概念形成做出贡献。虽然科学家自然会记录物理实验室工作和数据分析，但他们通常没有受过训练来跟踪会输入人工智能的心理过程、计算机工作流程和想法。此外，由于人工智能辅助药物发现是一个迭代过程，并且人工智能发现的化合物将经过生物测试和化学优化，因此会有多个地方可以让多人做出创造性贡献。如果没有关于哪位科学家以及什么信息被输入人工智能系统以获得可专利化合物的强有力的文档，评估创造性贡献将具有挑战性，如果不是不可能的话。
当涉及多个命名发明人时，记录应证明每位命名发明人如何满足Pannu因素。
公司还应评估发明是预测性还是生成式人工智能模型的成果。模型的类型以及其使用方式会影响概念形成和共同发明人资格的查询。这些查询可以轻松地融入整体知识产权治理策略。
在对源自人工智能药物发现的化合物进行知识产权尽职调查时，各方必须评估专利申请是否包含人类概念形成的可辩护记录，或者是否依赖未记录的人工智能输出。这种区别可能意味着可辩护的商业资产与不可执行的研究结果之间的差异。
作者信息
Ben Bourke，Womble Bond Dickinson旧金山办事处的法律顾问，是一名注册专利律师，主要代表生物科学专利持有人处理简略新药申请及相关专利诉讼。
Daniel Kremer是Womble Bond Dickinson位于加利福尼亚州尔湾办事处的专利代理人，专注于肿瘤学、细胞疗法和免疫疗法相关事项的专利申请。
Susan Krumplitsch是Womble Bond Dickinson硅谷办事处的合伙人，是一名知识产权诉讼律师，代表生物技术、制药和医疗设备行业的生物科学公司。
【全文结束】