互盈策略人工智能如何重塑新药研发｜新民·科技前沿

【编者的话】

2020年起，多个由AI完全设计的候选药物陆续进入临床试验，标志着“AI原生药物”的时代正式开启。

新药的研发，不再需要耗时十年、烧掉数十亿美元，而是通过一台超级计算机，在虚拟的分子宇宙中就能“算”出来？这是正在发生的现实——人工智能正以前所未有的速度，重塑药物研发的底层逻辑。传统新药研发如同在茫茫大海中寻针，而AI正成为这场“大海捞针”行动中的“超级雷达”。

未来已来。当AI深度融入从靶标发现到药物上市的每一个环节，新药研发将不再是“试错”的艺术，而成为“创造”的科学。或许在不远的将来，针对罕见病的个性化药物将实现“按需定制”，癌症、阿尔茨海默病等顽疾也将迎来突破性疗法。

话题主持：新民晚报记者易蓉郜阳

新药研发历来是一场高投入、长周期、高风险的“马拉松”。传统流程从疾病机制研究、靶标发现、先导化合物筛选，到临床前优化、临床试验，最终走向市场，平均需要12至15年时间，花费高达10至20亿美元。更令人沮丧的是，90%的候选药物会在临床试验阶段折戟沉沙、科学家们像在大海中捞针，依靠经验、直觉和大量资源堆砌出极少数成功药物。这种“经验试错”模式在过去几十年里虽屡建奇功，却也越来越难以满足日益增长的医疗需求。

从“经验试错”走向“理性设计”互盈策略

传统药物研发如同在黑暗中摸索。成功与否离不开“运气”。科学家首先要锁定一个与疾病相关的生物靶标，例如某个异常活跃的蛋白，然后通过高通量筛选技术，测试成千上万种化合物，试图找到能与之结合的对应分子。这一过程不仅耗时耗力，还高度依赖偶然性。即便找到初步有效的分子，后续还需经历漫长的化学修饰、动物实验和临床验证，每一步都可能因毒性、疗效不足或副作用而功亏一篑。

但有了人工智能，情况就不一样了。科学家不用再盲目地“摸黑找针”，而是得到一张“导航仪”指引搜索。这就是虚拟筛选技术。研究人员把成千上万甚至上亿个分子放进电脑，让AI像红娘一样帮忙“看一看”，帮生病的蛋白质找个能“配对”的小分子，让它恢复正常功能。例如，上海交大团队用深度学习分析肌肉转录组数据，发现与肌萎缩相关的新靶标，准确率超过80%。AI还能预测生物大分子三维结构——谷歌DeepMind的AlphaFold2已把人类98.5%的蛋白结构算出来，为“无结构”靶标提供了可药化的起点。

“红娘式”的筛选有两种方式——“看长相”“看性格”。如果科学家知道致病蛋白的三维结构（就像知道一个人的长相），AI就可以模拟每个分子能不能“贴”上去。另一种是看“性格”是否相似。如果过去已经发现了一些有效的药物分子，AI就能从这些“成功案例”中学习它们的共同特点，然后找出“性格类似”的新候选者。

它还能自己“从无到有”设计新分子。就像画家根据要求画出一张从未存在过的脸，AI也能根据“要能治病、要容易制造、不能有毒”这些条件，从零开始设计出一个全新的分子结构，生成式AI让药物研发变成一种有目标、可预测的“智能设计”。

核心环节的全面重塑

从靶标发现到临床试验，AI的影响已深入药物研发的每一个关键节点，形成了一条智能化的创新链条。比如基于靶标蛋白的位点形状，AI模型能在几小时内从数十亿个虚拟分子中挑出可能结合的“种子”，甚至直接生成新分子。比如，ED2Mol、ResGen、等算法把结合口袋当作“模板”，逐原子“3D打印”出兼顾结合力与成药性的候选分子；Aurobind、DrugClip等平台把筛选速度提升100倍，成本却只需原来的1%。AI还能预测“老药”能否“新用”——通过比对药物-靶标关系网络，算法发现原本治胃病的雷尼替丁可能抑制阿尔茨海默相关蛋白，实验验证后进入新适应症开发。

在先导化合物的发现与优化中，AI的效率优势尤为突出。例如，我们团队建立了从苗头分子生成到先导分子优化的统一智能框架ED2Mol，自动化生成的活性分子在分子间和分子内可靠性上实现领域最优，面向多类重大疾病靶标设计并优化出多类的先导分子，不仅在常规正构位点上表现出色，在一直难以突破的变构位点分子生成上也获得突破，并可同时兼顾抑制剂与激动剂等，为创新药物发现提供了高效且可靠的人工智能设计平台；又如，抗病毒药物研发面对突发传染病，时间就是生命。传统的筛选方法往往耗时数月，而“Deep Docking”技术结合人工智能与大规模虚拟筛选，能够在数亿分子库中快速锁定潜在活性分子，将筛选周期压缩至几天。与此同时，AI也在拓展药物设计的边界。例如，有研究利用长短期记忆网络（LSTM）构建深度学习模型，专门用于预测具有抗癌活性的肽类分子，为生物药和多肽药物的研发开辟了新路径。

临床试验是新药上市前最昂贵、失败率最高的环节，而患者招募往往是最大瓶颈。如今，AI系统如“Deep Patient”能够分析电子健康记录中的非结构化文本，自动识别患者的深层表征，精准匹配符合试验条件的个体。这种基于真实世界数据的智能分型，不仅提高了招募效率，还能发现隐藏的疾病亚型，支持个性化医疗的发展。更有系统能够动态监测患者的治疗反应，实时调整治疗方案，使临床试验从“粗放执行”转向“精准调控”。

理性期待下的前行之路

尽管AI在药物研发中展现出巨大潜力，但“一劳永逸”仍遥不可及。当前面临的首要挑战是数据质量与偏差。AI模型依赖大量高质量、标准化的数据进行训练，若训练集存在种族、性别或实验条件偏差，预测结果可能“以偏概全”，甚至加剧健康不平等。

其次，许多深度学习模型像“黑箱”，虽能给出预测，却难以解释其判断依据。此外，如何在保护隐私的前提下实现数据共享，也是亟待解决的伦理难题。

而技术层面，训练大模型需要巨大算力，效率与成本不容忽视；若算法效率低，可能出现“省时间却不省钱”的尴尬。更重要的是，人体是动态复杂的系统，AI目前仍难以预测长期毒性、罕见副作用或多靶标、多通路的复杂疾病网络效应。

未来，新药研发领域或许会构建出一个“虚拟人类”系统，能够模拟分子在体内的全部相互作用，精准预测疗效与副作用。这或许正是AI辅助药物发现的终极目标。从阿尔茨海默病的早期预警，到抗病毒药物的快速发现，再到临床试验的智能设计，AI正在重塑医药创新的图景。它并未取代科学家，而是成为他们手中最强大的工具。在这场静默的革命中，人类智慧与机器智能正携手前行，共同开启医学的下一个篇章。