AI模型在药物发现中的应用：区分真正的加速与实验室表演

当I期成功率飙升至90%时，你需要提出正确的问题

这个标题听起来无懈可击： AI辅助的候选药物在I期的成功率接近90%，而行业平均水平为40-65%。这样的数字经常出现在风险投资的企划书、董事会陈述和财务电话会议中。但在你重写公司的创新战略之前，请考虑这个说法实际上告诉了你什么——以及它没有告诉你什么。

AI在药物发现中的现实介于风险投资的炒作和学术界的怀疑之间。没错，这些工具确实在加速管线的某些阶段。不，它们还不足以取代III期试验或绕过临床现实。业界已经超越了理论探讨：截至2025年7月，已有超过29个公开报告的AI驱动的治疗项目推进到人体研究阶段。但从进入I期到上市之间的差距——仍然是以年和数十亿美元来衡量的。

延伸阅读： 2026年临床试验中的实时LLM分析：加速药物发现的不那么性感的真相

真正有效的：蛋白质预测和虚拟筛选

最明确的胜利在于计算速度。过去需要数年才能完成的工作，现在借助AlphaFold3等基于AI的技术可以在几分钟内完成。这很重要，因为结构生物学本身就很困难：理解一个药物分子如何与靶蛋白结合，数十年来要么需要昂贵的实验室实验，要么需要经常出错的不精确数学模型。

2024年11月发布的AlphaFold3能够高精度预测生物分子复合物，包括预测共价蛋白-配体复合物。早期的基准测试令人印象深刻：使用AlphaFold3预测的基于物理的评分函数对化合物进行排名，显著优于经典的共价对接工具。

但转化到生产筛选更加棘手。深度对接、主动学习和多任务学习等AI方法大大缩短了虚拟筛选和先导化合物发现的时间，但基准测试结果往往给人一个比实际情况更高的真实性能印象。这句话值得强调。基准测试——经过控制、发表、同行评审——往往优于将模型应用到真实实验室管线时的表现，特别是在面对新颖靶点、混乱的数据集和从未出现在训练集中的边界情况时。

IIa期的拐点（及其失效的地方）

第一个真正的临床里程碑出现在2024-2025年。Insilico Medicine的Traf2和Nck相互作用激酶抑制剂ISM001-055在特发性肺纤维化中获得了IIa期积极成果。（该化合物随后在2025年3月被正式更名为rentosertib。）另一个AI设计的候选药物，酪氨酸激酶2抑制剂zasocitinib（TAK-279），已推进到III期临床试验，体现了Schrödinger公司的物理学赋能设计策略。

这是真实的进展。但它也暴露了局限性。一个IIa期的成功——即使是一个干净的成功——也不能确认有效性。它只是确认该药物足够安全，并显示了足够的探索性信号来进一步测试。III期是财务和时间成本激增的地方。一项III期肿瘤学试验可能需要在两年内招募500名患者。在发展中国家进行的传染病试验可能会遇到无法在计算机模拟中重现的并发症。

并非每个AI设计的候选药物都能度过这个转折。Recursion在II期试验后因疗效不足而中止了其REC-994项目，随后也因疗效不足而叫停了REC-2282神经纤维瘤病2型项目。该公司在2024-2025年重组了其管线，专注于初步数据更有力的领域。这不是失败，而是正常的制药衰减。但它表明AI衍生的化合物名称并不能赋予其免疫生物学规律的权利。

数据实际上说了什么

这就是90% I期成功率需要拆解的地方。I期试验是毒性和剂量寻找研究，通常在健康志愿者中进行（对于非癌症适应症）。它们测试的是安全性和药代动力学，而不是有效性。AI设计的药物获得90% I期通过率，而非AI化合物的通过率为40-65%，这可能提示以下三件事之一：

• AI衍生的化合物平均确实更安全，因为设计过程在更早期就过滤了不利的特性。
• AI公司在选择推向临床的化合物时很有选择性，倾向于结构更简单或更少新颖的靶点。
• 比较不是完全对等的——不同的治疗领域、不同的公司、剂量递增中的不同风险容限。

严格的答案需要获取底层试验数据和控制适应症、靶点等级和赞助商的回归模型。这种透明度在业界还不是标准做法。截至2025年，AI发现的化合物的临床试验阶段从I期到IIa期不等，意味着没有任何化合物完成过III期，因此没有任何化合物基于AI设计的分子申请过FDA批准。

生产现实：成本和时间表

风险投资的论点是成本降低。主要增长驱动力包括加速的药物开发时间表和通过生成模型和预测分析等AI创新实现的成本效率。2025年支持AI的药物发现全球市场估计超过30亿美元。

但规模问题仍然存在。一个小分子开发项目从靶点确定到FDA批准，在传统方式下通常耗资10-20亿美元，需要10-15年。如果AI能减少18个月的发现阶段（在120个月的项目中的前36个月），并将合成和筛选成本降低20%，绝对影响是有意义的，但不是革命性的——你仍然要花费8亿美元，等待8.5年。

对于患者群体较小且未满足需求更明确的罕见病，经济学会反转：即使只是10%的时间表缩短也值得数亿美元。对于肿瘤学和阿尔茨海默病，其中III期试验规模庞大，监管路径充满争议，AI对更快靶点验证的贡献比头条数字所显示的更重要。

"自动驾驶实验室"实际上做什么

与AI紧密集成的机器人现在能够启用自动驾驶实验室，加速设计-制造-测试-学习循环并改进可重复性。这是真实的。从物理上讲，一个能在一周内合成和筛选10,000个化合物而无需人工干预的机器人改变了化学的节奏。从智力上讲，它强制了严谨性：每个设计决策都被记录，每个失败都被量化，你不能责怪技术人员操作不一致。

但智能不在机器人中。它在机器学习模型中，该模型基于最后1,000个化合物的结果建议下一个100个化合物来制造。如果该模型是在你的靶点等级的历史数据上训练的，它就有效。如果它遇到新颖的支架、灵活的结合口袋或具有内在无序性的蛋白质，性能就会下降——有时甚至会急剧下降。

监管清晰度仍在形成中

来自美国食品和药物管理局及欧洲药品管理局的监管和伦理框架开始涉及透明度、偏见、问责制、知识产权和数据隐私。FDA在2025年发布了指导草案，但尚未批准完全基于AI设计的分子结构的药物。首个AI发现分子获得FDA批准将为需要多少机制解释、可接受多少黑箱预测以及AI训练数据本身是否成为监管文物等问题设定先例。

在此之前，AI仍然是一个假说生成和优化的工具——而不是传统化合物库、药物化学专业知识或仍需要人类药理学家在场做出的监管判断的替代品。

这对你的组织意味着什么

如果你是制药高管：AI是真实的，它已经到来，值得为特定问题采用——靶点预测、先导优化、ADMET建模、临床试验设计。但它不是对你的III期基础设施的替代品。将其作为效率工具来预算，而不是革命。与Exscientia、Insilico Medicine、Recursion Pharmaceuticals、BenevolentAI和Schrödinger等专注于AI的公司的合作可能很有价值，但前提是你的组织有纪律将预测整合到现有的研发工作流中。

如果你是投资者：这个领域的公司已经从理论发展到临床，这是一个巨大的进步。但"临床阶段"和"FDA批准"不是同义词。看项目管线的深度、靶点选择的质量以及AI背后的化学团队。发表的基准不等于IIb期成功率。

如果你是研究人员：AlphaFold3及其后继者是结构生物学的真正进步。使用它们。但要与实验验证相结合，特别是对于具有灵活区域、变构效应或内在无序性的靶点。该工具很强大，但它不是预言工具。

底线

AI正在加速药物发现的发现阶段——先导发现、早期先导优化和靶点验证。I期成功率的提高反映了这种真实的加速。但临床以其自己的步速前进。在AI发现的分子完成III期并获得FDA批准之前，最诚实的说法是：承诺是实质性的，证据仍在待定中。

指标	AI设计的化合物（2024-2025）	传统化合物（历史数据）	备注
I期成功率	~90%	40-65%	早期安全性评估；非有效性
人体试验中的化合物	>29个公开报告	不适用	截至2025年7月
最高临床阶段	III期（zasocitinib）	不适用	FDA尚未批准任何AI设计的分子
市场价值（AI发现工具）	>30亿美元（2025）	不适用	预计至2035年
典型的时间表压缩	12-24个月（发现阶段）	24-48个月（发现阶段）	增量式，非革命性