AI制药进入临床验证期：AlphaFold之后，首批AI设计药物进展如何

AI制药正在经历一次关键的身份转变：从实验室里的技术演示，变成真正进入人体试验的药物管线。AlphaFold拿下诺贝尔奖不过两年多，首批由AI参与甚至主导设计的候选药物已经推进到临床阶段，行业的评判标准也随之改变——不再看模型跑分，而看临床试验的读数。

AlphaFold奠定基础：从蛋白质结构到药物设计

2024年10月，诺贝尔化学奖授予Demis Hassabis和John Jumper（Google DeepMind），表彰AlphaFold在蛋白质结构预测上的突破，同时获奖的还有华盛顿大学的David Baker。这是诺贝尔奖首次将AI系统视作发现的核心工具，象征意义远超奖项本身。

AlphaFold2在2020年解决了生物学的一大难题：从氨基酸序列预测蛋白质的三维结构。在此之前，用X射线晶体学或冷冻电镜解析一个结构可能需要数月甚至数年；AlphaFold只需几分钟，精度可与实验室方法竞争。DeepMind随后与EMBL欧洲生物信息学研究所合作，将超过2亿个预测结构开放给全球研究者，覆盖已知蛋白质目录的绝大部分，已有来自190个国家的200多万名研究人员使用。

结构对药物设计的意义在于：多数药物通过与靶点蛋白结合来发挥作用，就像钥匙配锁。知道锁的精确形状，化学家才能设计出更好的钥匙，而不是靠猜。2024年发布的AlphaFold 3进一步将预测范围扩展到蛋白质与DNA、RNA、小分子之间的相互作用。

Isomorphic Labs与端到端药物设计引擎

DeepMind在2021年将药物发现业务分拆为Isomorphic Labs，由Hassabis领导，目标是让AI在计算机中完成药物设计的全流程。2026年2月，该公司发布Isomorphic Labs Drug Design Engine（IsoDDE），技术报告称其在蛋白质-配体结构预测上的表现是AlphaFold 3的两倍，预测结合亲和力的精度高于基于物理的方法，而时间和成本只是后者的一小部分。

IsoDDE还处理了旧方法难以触及的问题，例如发现蛋白质上的"隐蔽口袋"——只有在药物分子存在时才会打开的隐藏结合位点，以及模拟蛋白质在药物结合过程中的构象变化。公司管线聚焦肿瘤和免疫领域，首批AI设计候选药物正接近或进入首次人体试验，并与诺华、礼来、强生建立了发现合作。2026年5月，公司完成21亿美元融资，是生物技术领域有记录以来最大的私募融资之一。

PDB与结构解析的传统方法：蛋白质数据库（Protein Data Bank, PDB）自1971年建立以来，一直是实验解析结构的全球归档中心。截至AlphaFold出现前，PDB中积累的实验结构约18万个，其中相当部分来自X射线晶体学，冷冻电镜（cryo-EM）则在2017年前后因探测器技术突破而快速崛起。实验方法的瓶颈不仅在时间与成本，还在于许多蛋白质——尤其是膜蛋白和内在无序蛋白——极难结晶或稳定成像。AlphaFold的2亿多个预测结构因此并非简单替代实验数据，而是填补了实验方法长期无法覆盖的结构空间，其价值在于提供可计算的起始模型，实验验证仍是确认关键结合位点构象的必要步骤。使用者需注意预测结构附带的置信度指标（如pLDDT），低置信区域往往对应柔性 Loop，直接用于对接容易产生假阳性。

结合亲和力与隐蔽口袋的技术背景：结合亲和力通常以解离常数（Kd）或半数抑制浓度（IC50）衡量，数值越小表示药物与靶点结合越紧密。传统上，自由能微扰（FEP）等基于物理的方法能较准确预测亲和力，但每个分子需数小时至数天的计算，难以大规模筛选。IsoDDE声称以深度学习在精度上超越这类方法，其意义在于把亲和力预测变成可高通量调用的模块。所谓"隐蔽口袋"（cryptic pocket）指在无配体状态下被柔性侧链遮蔽、仅在特定构象下暴露的结合位点，典型例子包括KRAS G12C抑制剂结合的口袋——这类位点传统上被结构筛选忽略，因为静态晶体结构里根本看不到。模拟蛋白质构象变化则涉及分子动力学，计算成本极高，AI代理模型试图以更低成本近似这一过程。这些能力若成立，直接扩大了可成药靶点的范围。

临床管线盘点：谁在真正测试AI设计的药物

结构和模型再漂亮，AI制药的最终考验是AI设计的药能否在人体中起效。到2026年，一个真实的管线已经形成。

公司/项目	AI方向	状态
Isomorphic Labs（IsoDDE）	药物设计引擎，肿瘤与免疫	接近首次人体试验；合作方包括诺华、礼来、强生
Insilico Medicine / rentosertib	AI发现靶点（TNIK）并设计分子	IIa期完成，III期进行中
Recursion / REC-4881	基于成像的生物学平台	家族性腺瘤性息肉病2期
Recursion / REC-7735	基于结构的AI设计，突变选择性肿瘤药	IND已 clearance，1/2期预计2026年启动
Generate:Biomedicines / GB-0895	生成式蛋白质设计	临床阶段抗体项目
Iambic Therapeutics / IAM1363	物理信息深度学习	1期，脑穿透性HER2抑制剂

需要说明的是，上述状态来自公司披露和截至2026年9月的同行评审文献，随着项目推进或终止会发生变化。

Insilico Medicine：首个全AI生成候选药物的验证

被引用最多的概念验证来自Insilico Medicine的rentosertib。其靶点TNIK与纤维化相关，由公司的PandaOmics靶点发现平台识别，小分子本身由生成化学系统Chemistry42设计。公司将其描述为首个由AI同时主导靶点发现和分子设计的候选药物，而非只在某一环节提供辅助。

针对特发性肺纤维化（一种无法治愈的进行性肺瘢痕化疾病）的IIa期试验入组71名患者，结果于2025年6月发表在《Nature Medicine》。试验达到主要安全性终点，并显示出剂量依赖的疗效信号：60mg每日一次组患者在12周内用力肺活量平均增加98.4mL，而安慰剂组下降20.3mL。该药此后推进至III期。公司还表示，该项目从靶点识别到临床前候选药物约用18个月，远短于传统的多年周期。

2026年9月《Nature Biotechnology》的一项分析提供了一个有意思的注脚：对试验留存血样重新分析后发现，该药在改善肺功能的同时，使六个独立的蛋白质组"衰老时钟"向更年轻的生物学年龄偏移。这是探索性生物标志物信号，不能证明抗衰老效果，但说明AI发现的靶点可能同时涉及多种疾病生物学。

临床试验分期与终点解读：IIa期试验通常是小规模、探索性的，主要目标是安全性并初步观察疗效信号，样本量往往几十人，统计效力有限。rentosertib的71人试验正是这一设计，因此"剂量依赖的疗效信号"属于假设生成而非确证。III期才是确证性试验，需要数百至上千患者、预设主要终点和统计学显著性门槛。文中提到的用力肺活量（FVC）是特发性肺纤维化试验的常用指标，但监管审批通常还要求评估FVC下降速率或疾病进展时间，单一时点的绝对变化量说服力有限。理解这一点有助于判断：IIa期的正面读数降低了后续风险，但离"药物有效"的结论仍有相当距离，这也是行业强调"看批准率而非新闻稿"的原因。

Recursion：规模化成像与并购整合

Recursion Pharmaceuticals走了另一条路。其Recursion OS平台建立在自动化显微成像之上：机器人拍摄数百万张细胞在基因和化学扰动下的图像，机器学习模型从中学习疾病生物学的视觉特征。2024年11月，Recursion以6.88亿美元股票收购最接近的AI药物发现竞争对手Exscientia，合并后公司称拥有超过10个临床和临床前项目。

合并后的管线展示了AI在不同阶段的应用。REC-4881是一种MEK1/2抑制剂，用于家族性腺瘤性息肉病，第13周息肉负荷中位降低43%，第25周降至53%。REC-7735是一种针对PI3K-alpha突变形式的抑制剂，从首个化学命中到IND clearance仅用10个月，对突变蛋白的选择性超过健康版本的100倍。到2026年中期，公司报告有5个临床阶段项目、超过5亿美元已实现合作付款，合作方包括拜耳、罗氏/基因泰克、赛诺菲和默克。

生成式设计：底层引擎如何工作

这些项目共享一个技术内核：面向分子的生成式AI。就像图像生成器根据文本提示生成图片，化学模型生成同时优化多种性质的候选药物结构——结合亲和力、对疾病靶点的选择性、代谢稳定性，以及化合物能否在实验室中实际合成这一现实问题。人类化学家仍在验证、测试和优化，但数周内探索的化学空间，过去靠手工设计需要数年。

成本、风险与监管：AI制药要回答的硬问题

理解AI为何在此重要，需要看它试图修复的经济账。塔夫茨药物开发研究中心估计，一款新药上市的平均成本约26亿美元，包含失败成本和资金时间价值，临床审批成功率仅为11.83%——大约每8.5个进入临床的化合物只有1个成功。开发周期通常长达10到15年，大部分资金花在失败的候选药物上，且往往失败在昂贵的后期临床试验。

AI的经济学论证有两层：将早期发现阶段从数年压缩到数月，并在进入昂贵试验之前更早淘汰坏候选。更好的靶点选择、更精确的分子，以及AI辅助的试验设计（挑选合适的患者、预测应答者），都在攻击导致药物开发如此昂贵的失败率。但行业尚未在规模上证明这一点，2026年的临床读数只是第一次真正的测试。挫折是预期之内的：即使AI引导的项目也会在临床中失败，这个领域的信誉最终取决于批准率，而不是新闻稿。

监管机构也在同步调整。2023年5月，FDA发布关于在药物和生物制品开发中使用AI/ML的讨论文件，指出仅2021年提交的申请中就有超过100份已包含AI或ML成分，并承诺采取基于风险的方法。2025年1月，FDA发布关于使用AI支持监管决策的指南草案，围绕"使用场景"（context of use）构建：监管决策对AI输出的依赖越重，模型需要承载的证据就越多。2026年1月，FDA与欧洲药品管理局联合发布《药物开发中良好AI实践指导原则》，十项原则覆盖数据治理、透明度、生命周期监测，以及保持人类对监管决策负责。

监管立场的贯穿逻辑是一致的：机构不禁止AI用于药物开发，但把负担从"许可"转向"证明"。申办方必须记录模型做什么、证明其适合该用途，并随时间监测。

Context of use与模型生命周期管理：FDA的"使用场景"（context of use）概念借鉴自生物标志物资格认定框架，意指明确界定AI模型输出在监管决策中的具体角色——是用于筛选化合物、支持剂量选择，还是作为主要疗效证据的一部分。角色越关键，申办方需提交的验证证据越充分，包括训练数据代表性、模型性能的稳健性测试、以及外部验证集表现。模型生命周期监测则要求申办方在部署后持续跟踪性能漂移，因为输入数据分布变化可能使模型失效。这一框架的实际影响是：AI不再被视为一个黑箱工具，而是一个需要像分析方法一样被验证、记录和审计的监管对象，文档负担显著上升，但为AI输出的可接受性提供了明确路径。

2026年的位置：基础设施时代结束，临床时代开始

AI药物发现已经越过一个分水岭。蛋白质结构已成为解决了的公共品，生成式设计平台在行业最大规模的合作中投入运行，基础设施建设的阶段基本结束。临床阶段已经开始：首批AI设计的候选药物正在给患者用药，未来两到三年的试验读数将决定AI是否真正提高了行业的成功率，还是只加速了早期步骤。无论如何，那个26亿美元的问题，现在有了正在人体中接受检验的新答案。