AI药物发现的现状与未来：数据瓶颈、临床挑战及发展路径

AI能否重塑新药研发？

新药研发一直是生物医药领域最昂贵、最漫长的挑战之一。行业数据显示，一款新药从实验室走向市场平均需要10到15年，投入高达数十亿美元，而临床阶段的失败率超过90%。正是在这样的背景下，人工智能被寄予厚望——它被视为有可能打破"高投入、高失败、长周期"魔咒的关键技术。

这些数字背后有着深刻的结构性原因。塔夫茨药物开发研究中心（Tufts CSDD）2020年的研究估计，单款新药的平均研发成本约为26亿美元，其中很大一部分是"失败成本"——即那些在各阶段被淘汰的候选药物所消耗的资源。这种现象被业界称为"Eroom定律"（Moore's Law的逆写），指的是自1950年代以来，每十亿美元研发投入所能获批的新药数量大约每9年减半，与半导体行业的摩尔定律形成鲜明对比。Eroom定律由Jack Scannell等人在2012年发表于Nature Reviews Drug Discovery的论文中正式提出，这一规律的名称刻意将Moore倒写为Eroom，以突出制药行业生产率与半导体行业截然相反的趋势。具体而言，经通胀调整后，美国FDA每十亿美元研发支出所批准的新药数量从1950年代至今下降了约80倍。造成这一趋势的原因包括：监管标准不断提高、"容易摘的果子"已被摘完（即针对常见疾病的简单靶点已基本被开发殆尽）、临床试验设计日益复杂，以及对安全性要求的持续升级。Scannell将这些原因进一步归纳为四个核心因素：新药必须优于现有疗法的"better than the Beatles"问题、审慎监管导致的更高门槛、对基础研究的过度迷信导致的资源错配、以及"低垂果实"已被采摘殆尽。

近期在技术社区引发广泛讨论的一篇文章，系统梳理了AI在药物发现中的定位、当前阶段以及未来发展路径。这个话题折射出整个生物医药行业对AI落地的复杂心态：既充满期待，又保持审慎。

AI在药物发现中的核心应用场景

不少人对"AI制药"存在误解，以为它是一个从头到尾自动生成新药的黑箱。实际上，AI的价值分布在研发流程的多个环节，每个环节的成熟度和贡献度各不相同。

靶点识别与验证

药物研发的第一步是找到与疾病相关的生物靶点（通常是蛋白质）。所谓生物靶点（biological target），是指与疾病发生发展密切相关的生物大分子，最常见的是蛋白质（如激酶、受体、离子通道等），也包括核酸（如mRNA、microRNA）等。AI通过分析海量基因组学、蛋白质组学和文献数据，帮助研究人员发现此前被忽视的潜在靶点，并预测其与疾病的关联性。这一环节大幅缩短了传统上依赖人工筛选文献和实验验证的时间。

值得注意的是，"靶点验证"是确认调节某个靶点确实能产生治疗效果的过程，这一步骤的失败是新药研发中最大的风险来源之一。据统计，约50%的临床II期失败可归因于靶点选择错误——即药物虽然成功作用于靶点，但调节该靶点并不能有效治疗疾病。AI在此环节的核心价值在于整合多组学数据（基因组学、转录组学、蛋白质组学、代谢组学等），通过因果推断和网络分析揭示疾病机制，从而降低靶点选择的失误率。具体而言，AI可以利用孟德尔随机化（Mendelian Randomization）等因果推断方法，结合大规模全基因组关联研究（GWAS）数据，区分与疾病具有因果关系的靶点和仅存在相关性的"旁观者"靶点，这对于提高后续临床成功率具有重要意义。

分子生成与虚拟筛选

这是AI药物发现中最受关注的应用方向之一。生成式模型可以在广阔的化学空间中"设计"出符合特定要求的候选分子，而虚拟筛选技术则能从数十亿计的化合物库中快速定位有潜力的先导化合物。相比传统高通量实验筛选，AI筛选的速度提升了数个量级。

所谓"化学空间"（chemical space），是指所有理论上可能存在的类药分子的总和。据估计，潜在的类药小分子数量高达10的60次方，远超宇宙中原子的总数（约10的80次方）。传统药物化学只能在已知化合物库中进行筛选，而生成式AI模型（如变分自编码器VAE、生成对抗网络GAN、扩散模型以及基于Transformer的分子生成模型）能够在这个几乎无穷大的空间中定向"创造"新分子。这些模型学习已有药物分子的结构-活性关系后，可以生成满足特定约束条件（如与靶点的结合亲和力、溶解度、代谢稳定性等）的全新分子结构。虚拟筛选则借助分子对接（molecular docking）、自由能微扰（FEP）等计算方法，对候选分子进行优先级排序。

值得对比的是，传统高通量筛选（High-Throughput Screening, HTS）是自1990年代以来药物发现的主力方法，通过自动化设备每天可测试数十万个化合物与靶点的相互作用。然而HTS受限于物理化合物库的规模（通常为100万-500万个化合物），且每次筛选成本可达数百万美元。相比之下，AI虚拟筛选可以在数小时内评估数十亿个虚拟化合物，成本仅为HTS的百分之一。但虚拟筛选的命中率（hit rate）通常低于HTS，且预测结果仍需湿实验验证，因此两者更多是互补而非替代关系。当前最佳实践是将AI虚拟筛选作为第一层过滤器，大幅缩小候选范围后，再通过HTS或定向实验进行验证。

蛋白质结构预测

DeepMind的AlphaFold是这一领域的标志性突破。它将蛋白质三维结构预测的准确度提升到了接近实验测定的水平，为基于结构的药物设计打开了新局面。目前AlphaFold已开放数亿个蛋白质结构预测结果，成为全球研究者不可或缺的工具。

从技术角度看，AlphaFold的核心创新在于引入了一种名为"Evoformer"的注意力机制架构，能够同时处理蛋白质序列的多序列比对（MSA）信息和氨基酸残基对之间的空间关系。要理解这一成就的里程碑意义，需要了解CASP（Critical Assessment of protein Structure Prediction）竞赛的历史背景。CASP由John Moult教授于1994年发起，每两年举办一次，是蛋白质结构预测领域的"奥林匹克"。参赛者需要在不知道实验结果的情况下预测蛋白质的三维结构，随后与实验测定的结构进行比对。在AlphaFold2之前，CASP竞赛中最优秀的预测方法GDT分数通常在40-70之间，且进步缓慢。AlphaFold2在2020年的CASP14中取得的92.4分（满分100）被Nature称为"解决了蛋白质折叠问题的50年挑战"，其准确度已接近X射线晶体学和冷冻电镜等实验方法本身的误差范围。

2022年发布的AlphaFold数据库已包含超过2亿个蛋白质结构预测，覆盖了几乎所有已知蛋白质序列。后续的AlphaFold3进一步扩展到蛋白质与DNA、RNA、小分子配体等的复合物结构预测。然而需要指出的是，AlphaFold预测的是静态结构，而药物设计往往需要了解蛋白质的动态构象变化（即蛋白质在不同功能状态之间的转换），这仍是当前技术的局限之一。分子动力学模拟（Molecular Dynamics Simulation）和增强采样方法正被用于弥补这一缺口，但计算成本仍然高昂。

AI制药的三大核心挑战

尽管资本和技术都在快速涌入，业界对AI制药的实际成效仍持谨慎态度。以下是当前面临的关键瓶颈。

数据质量：最大的制约因素

生物医药数据的稀缺性、噪声和不一致性，是制约AI模型性能的核心障碍。与拥有海量高质量文本的自然语言处理领域不同，高质量的实验数据往往获取成本高昂、数量稀少，且不同实验室之间难以复现。"垃圾进，垃圾出"的规律在药物发现领域体现得尤为突出。

与互联网文本数据相比，生物医药数据面临着独特的挑战。首先是"小数据"问题：一个典型的药物-靶点相互作用数据集可能仅包含数百到数千个数据点，远不及训练大语言模型所需的万亿级别token。其次是实验噪声问题：不同实验室使用不同的检测方法（如荧光检测、质谱法等），同一化合物的活性测量值可能差异数倍。此外还有数据孤岛问题：出于竞争和知识产权保护考虑，药企通常不会公开其内部筛选数据。公开数据库如ChEMBL虽然汇集了大量生物活性数据（截至2024年已包含超过230万个化合物和1900万个生物活性数据点），但数据质量参差不齐。

为解决跨机构数据共享的难题，联邦学习（Federated Learning）等隐私保护技术正被积极探索。联邦学习允许多方在不共享原始数据的情况下协同训练模型。在制药领域，MELLODDY（Machine Learning Ledger Orchestration for Drug Discovery）项目是最大规模的联邦学习实践之一，由10家大型药企（包括阿斯利康、辉瑞、安进等）参与，汇集了超过2000万个化合物的生物活性数据进行联合模型训练。结果表明，联邦学习训练的模型性能优于任何单一药企独立训练的模型，尤其在数据稀疏的靶点上提升最为显著，证明了跨机构数据协作的巨大价值。

尚无AI原生药物获批上市

这是一个无法回避的现实：截至目前，尚没有一款完全由AI设计的药物成功通过全部临床试验并获批上市。多家头部AI制药公司的候选药物虽然进入了临床阶段，但也遭遇了临床失败或进展缓慢。这提醒我们，AI优化的主要是研发早期的效率，而临床试验的成败仍取决于复杂的生物学现实。

从行业进展来看，多家AI制药公司的管线已取得了里程碑式进展。Insilico Medicine的抗纤维化候选药物ISM001-055是首个由AI发现靶点并设计分子的药物进入临床II期；Recursion Pharmaceuticals利用高内涵表型筛选结合AI分析推进了多条管线；Exscientia与合作伙伴开发的多个候选药物也进入了临床阶段。然而，2023年BenevolentAI的特应性皮炎候选药物在II期临床未达到主要终点，成为AI制药领域最受关注的挫折之一。这些案例表明，AI确实能加速早期药物发现（将靶点到候选药物的时间从4-5年压缩到1-2年），但一旦进入临床阶段，AI药物仍然面临与传统药物相同的生物学不确定性。值得指出的是，传统药物的临床II期成功率本身仅约30%，因此AI药物在临床阶段遭遇失败并不意味着AI方法本身失效，而是反映了从分子设计到人体验证之间存在的根本性认知鸿沟。

计算模型与生物系统之间的鸿沟

药物发现的真正难点不在于算力，而在于生物系统的极端复杂性。一个在计算模型中表现出色的分子，进入人体后可能因为毒性、代谢问题或脱靶效应而失败。AI能加速"提出假设"的过程，但无法替代"验证假设"所必需的湿实验和临床研究。

这里涉及"湿实验"（wet lab experiment）与"干实验"（dry lab/in silico）的互补关系。湿实验指在实验室中使用真实生物样本和化学试剂进行的物理实验，如细胞培养、动物模型测试、生化检测等；干实验则指基于计算机模型的分析和预测。药物发现的核心挑战在于，生物系统具有涌现性（emergence）——分子层面的预测往往无法完全捕捉细胞、组织乃至整个生物体层面的复杂行为。

例如，药物在体内的ADMET特性（吸收Absorption、分布Distribution、代谢Metabolism、排泄Excretion、毒性Toxicity）涉及多个器官系统的协同作用，目前的计算模型只能做部分预测。据估计约40%的药物研发失败可归因于不良的药代动力学特性。AI模型（如基于图神经网络GNN的分子性质预测模型）已能对部分ADMET性质做出合理预测，如水溶性、CYP酶抑制（细胞色素P450酶系统负责代谢约75%的临床药物）、血脑屏障穿透性等。然而，涉及多器官协同的复杂性质（如肝毒性、心脏毒性中的hERG通道阻断等）的预测准确率仍有待提高，因为这些性质受到分子在体内复杂转化过程的影响，单纯从分子结构出发难以完全捕捉。这就是为什么即便AI预测出高度优化的分子，仍然需要通过体外实验、动物实验和人体临床试验来逐步验证。

AI药物发现的务实发展路径

面对上述挑战，行业正在探索几条更加务实的方向。

从"取代研究员"到"增强研究员"

更现实的定位是将AI打造为研究人员的强力助手，而非完全自主的替代方案。AI擅长处理海量数据、发现隐藏模式、加速设计迭代，而人类专家负责科学判断、实验验证和方向把控。这种人机协同模式被认为是短期内最可行的落地路径。这一理念与"辅助智能"（augmented intelligence）的思路一致：AI不是替代人类决策，而是扩展人类认知能力的边界——帮助研究者在更大的假设空间中探索，同时减少重复性工作的认知负担。

建立"预测—实验—反馈"闭环

未来的关键在于打通"AI预测—自动化实验—数据反馈—模型迭代"的完整闭环。通过实验室自动化和机器人技术，AI的预测结果能够被快速验证，验证数据再反哺模型，形成持续学习的良性循环。这一机制有望从根本上缓解数据稀缺的困境。

构建这一闭环的关键技术之一是实验室自动化（lab automation）和自主实验室（self-driving lab）。这一概念将机器人技术、物联网（IoT）传感器和AI决策系统整合到实验流程中，典型的自动化平台包括液体处理机器人、自动化细胞培养系统、高通量检测平台等。2023年，卡内基梅隆大学展示的"Coscientist"系统利用大语言模型进行实验规划和代码生成，多伦多大学的"Ada"自主化学实验室已初步实现了AI规划实验、机器人执行操作、结果自动分析反馈的完整闭环。这种"闭环学习"（closed-loop learning）模式有望将每轮实验迭代的周期从传统的数周缩短到数天甚至数小时。更重要的是，每一轮闭环迭代产生的数据都是"有目的性"的（即由AI主动设计的信息量最大的实验），这比随机实验更高效地扩充训练数据，体现了主动学习（active learning）的思想。

构建更强的基础模型与数据基础设施

随着生物医药领域专用大模型不断涌现，以及行业对数据标准化、跨机构共享机制的日益重视，AI在药物发现中的能力上限还有很大提升空间。构建高质量、可复用的数据基础设施，可能比单纯堆砌算力更加关键。

受大语言模型（LLM）成功的启发，生物医药领域正在涌现一批专用基础模型（foundation model）。在蛋白质领域，Meta AI的ESM-2和ESMFold利用蛋白质序列的"语言"特征进行预训练，将每个氨基酸类比为"词元"（token），蛋白质序列类比为"句子"，从而能够捕捉进化信息和结构特征；在分子领域，微软的MoLFormer和多个开源项目尝试将SMILES字符串（一种用线性文本表示分子结构的标准化方法）或分子图作为输入，训练通用的分子表示模型；在基因组学领域，Google DeepMind的Enformer和Nucleotide Transformer等模型能够预测基因调控元件的功能。

这些基础模型的核心优势在于"预训练—微调"范式：先在大规模无标注数据上学习通用表示，再针对特定任务（如药物活性预测、毒性预测等）进行微调，从而缓解标注数据稀缺的问题。这一范式特别适合生物医药领域"无标注数据丰富、标注数据稀缺"的特点：UniProt数据库中有超过2.5亿条蛋白质序列可用于预训练，但有实验测定结构的蛋白质仅约20万个；PubChem中有超过1亿个化合物结构，但有高质量生物活性标注的仅占一小部分。通过自监督学习（如掩码预测、对比学习等），基础模型可以从海量无标注数据中提取有意义的生物学特征，大幅降低对标注数据的依赖。

理性看待AI制药这场长跑

AI正在切实改变药物发现的方式，尤其在研发早期的靶点识别、分子设计和结构预测环节，带来的效率提升已经不容忽视。但这是一场需要耐心的长跑，而非一夜之间的颠覆。

真正的突破，可能不会以"某款AI药物横空出世"的形式出现，而是体现在整个研发流程效率的系统性提升上。麦肯锡2023年的报告估计，AI有望在未来十年内为制药行业创造600亿-1000亿美元的年度价值，其中大部分来自研发效率的提升而非单一重磅药物的诞生。对于关注AI制药领域的从业者和投资者来说，保持技术乐观的同时不失科学审慎，才是最恰当的态度。最终，AI制药的成功不应以单一药物的获批来衡量，而应以整个行业研发成功率的系统性提升——从当前约10%的临床成功率逐步提高到15%甚至20%——作为更有意义的里程碑。

核心要点