AI 如何加速药物发现？| AI4S 投研系列 01
文章目录
AI 正在改变药物发现：找靶点、预测结构、设计分子、串起研究流程，让团队探索更多可能，在动手实验前先筛掉一部分不合适的方案。但它究竟省下了多少时间？ 一个项目的速度，是数据、模型和研究团队共同作用的结果。要看清 AI 的贡献，得拆开具体环节，看看哪些选择做得更好了、哪些实验少走了弯路。
18 个月，够不够研发一款新药？
英矽智能（Insilico Medicine）报告过一个项目：从锁定攻击目标，到选出一个值得正式开发的分子，约用了 18 个月 [1]。作为参照，2010 年一项基于 13 家大型药企数据的经典测算显示，这一段传统上平均约需 4.5 年，新药从立项到上市全程约 13.5 年 [2]。
项目瞄准的是特发性肺纤维化：肺组织像伤口结疤一样逐渐变硬，病人越来越喘不上气，“特发性”指找不到明确病因。团队用 AI 分析疾病数据，挑中细胞里一种名叫 TNIK 的蛋白作为干预对象，再针对它设计出小分子 rentosertib。
但计时器停在了“候选物提名”。这像初创公司拿到天使轮：值得继续投钱，离产品卖出去还很远。这个分子在人身上是否安全、有效，还要靠后续验证回答。
这个投研系列会沿着一款药从研究走向应用的路径，依次讲药物发现、实验验证、临床研究，以及产业中的成本、收益与价值分配；每篇追问三件事：原来怎样做，AI 改变了什么，有什么证据说明它做得更好。
第一篇只讲最前段的药物发现，围绕三个问题：打哪里？用什么打？下一轮实验该做什么？
一、先看全景，再聚焦发现
一款药走到病人手里，要跨过几道门槛：弄清疾病机制，做出能干预它的分子，在实验室和动物身上检验，再做人体临床试验；获批后还要稳定生产、持续监测安全性。
AI 几乎能介入每个环节，但挑选攻击目标、分析实验数据、为临床试验匹配病人，是完全不同的任务，不能笼统地合并成一句“AI 让造药变快了”。
本篇只展开药物发现：从疾病线索走到候选分子。 核心任务有两个：找到值得干预的靶点 -- 药物要“瞄准”的生物分子，多数是蛋白质；再做出能作用于靶点的分子，检验“干预这里有没有用”。
AI 能帮的是：把更多证据放在一起比较，在合成之前预测部分结果，再根据实验反馈调整方向。评价时要找对参照：药物研发早已离不开统计、模拟和自动化，公平的基线是“经验丰富的专家＋成熟工具”，AI 的价值是在此之上多出来的部分。
图 1｜发现阶段的工作循环：数据支持假设，模型帮助排序，实验决定下一步。
二、找靶点：从“有异常”到“值得干预”
研究者发现某种蛋白在患者组织里明显偏高，要不要开发药物把它压下去？至少有三种解释：
-
它是推手：在推动疾病，压下去可能有用。
-
它在救火：身体正用它对抗损伤，压下去反而帮倒忙。
-
它只是跟着变：某类细胞变多，连带抬高了它的总量。
找靶点难就难在，从“这里有异常”走到“改变这里会有用” -- 相关不等于因果。
把多方证据放到一张桌上
DNA 变异提供遗传线索；RNA 显示哪些基因正被“调用”；蛋白质更接近真正干活的执行层；细胞图像和组织切片补充“发生在哪里”。这些统称组学数据。过去研究者靠统计、数据库和文献把它们拼起来；AI 能从更大、更复杂的数据中学出规律，给可能的致病机制排优先级。rentosertib 项目里，这类分析参与了 TNIK 的挑选 [1]。
增量可以这样看：团队只有十个实验名额，AI 能否帮忙挑出更值得验证的十个？ 就像基金经理只有十个仓位，AI 可能扩大扫描范围、调整排序；但组合好不好看实盘，不看模型给自己打的分 -- 靶点也要交给独立样本和功能实验检验。
图 2｜AI 整合与排序的是假设，功能实验检验“干预这里”是否真有意义。
两道必过的关
第一关：排除假线索。 如果患者和健康人的样本分在不同批次检测，模型可能学会的是区分实验条件，而不是区分疾病。
第二关：找更接近因果的证据。 一类来自人类遗传学：有人天生某个基因功能偏弱或偏强，相当于大自然做了一场终生实验；若这些人患病风险明显不同，这个基因很可能真的参与了疾病。2024 年发表于 Nature 的一项分析估计，有遗传证据支持的药物机制，临床成功概率约为缺乏支持者的 2.6 倍 [3]。
这个数字要读准：它说明遗传证据有价值，不是 AI 的提效倍数；天生的终生差异，与成年后服药的短期干预也不完全等价。证据的价值来自人体数据，AI 的贡献在于更好地发现和利用证据，两份功劳要分开记账。
另一类来自扰动实验：用 CRISPR 基因编辑等手段主动关掉或调高某个基因，观察细胞反应。可以理解为生物学里的 A/B 测试——不只看谁和谁一起出现，而是亲手改变一个变量。
“虚拟细胞”：先在电脑里预演实验
扰动实验又贵又多。“虚拟细胞”模型尝试从已有数据中学习，预测没做过的扰动会带来什么变化，帮团队决定先做哪几组。以 Arc 研究所 2026 年的公开评估赛为例，任务是预测在几种没见过的细胞系里敲低某个基因后的基因表达变化 [4]。从预测一个细胞的读数，到预测器官乃至病人的反应，中间还隔着好几层验证。
好的 AI 不只给出更长的候选清单，更应帮团队设计最能分辨真假的实验：疾病信号下降了，是真纠正了异常，还是把细胞普遍杀死了？
三、看结构：让设计更早有“施工图”
选定靶点后，下一个问题是：药物从哪里下手？
蛋白质是一条氨基酸长链折叠成的立体结构，表面的凹凸、电荷和晃动的部位，决定了别的分子能否靠近、抓牢。很多小分子药物的思路，是找到蛋白表面的“口袋”，设计一个能稳稳嵌进去的分子，像钥匙插进锁孔。看清三维形状，就像拿到施工图：没图纸也能盖楼，但每一步都更靠猜。
过去拿结构，主要靠 X 射线晶体学、冷冻电镜等实验，配合参照相似蛋白推测形状（同源建模）、把分子“摆”进口袋试试（分子对接）和物理模拟。实验结构仍是金标准，但有些蛋白耗时很长，甚至做不出来。
AlphaFold 让大量项目更早拿到可用的草图：AlphaFold 2 大幅提升了仅凭序列预测蛋白结构的准确度 [5]；2024 年的 AlphaFold 3 扩展到蛋白质与核酸、小分子等组成的复合物，开始预测“药物分子和靶点抱在一起的样子” [6]。同年，诺贝尔化学奖部分授予了 AlphaFold 的两位主要开发者 [7]。
有了空间依据，药物化学家能讨论得更具体：这个片段能否伸进口袋深处？换一个基团会不会多抓住一个位点？直接增量是结构信息更易获得、设计更有针对性；能省多少研发时间，要按具体项目测量。
图 3｜结构模型提供设计起点，图中蛋白、分子与结合姿态均为概念示意。
分清三个层次
“AI 预测了药物结合”可能指三件不同的事：结合姿态（怎么接触）、结合亲和力（抓得多紧）、治疗效果（病人有没有获益）。好比产品铺进了渠道，不代表卖得好；卖得好，也不代表赚钱。蛋白会运动，水分子、离子和体内环境都参与作用，预测出合理姿态，推不出结合强度，更推不出疗效。
评价结构 AI 本身，可以拿模型没见过的实验结构当考题；AlphaFold 3 在这类基准上展示了明显进步 [6]。但它值多少研发价值，还要看更准的结构有没有帮团队做出更好的分子。
四、设计分子：让每一轮实验都更值钱
A 分子对靶点作用很强，但几乎溶不进水；B 作用稍弱，却更好合成、性质更均衡。该押哪一个？这像手机厂商在“性能最强但良率低”和“性能稍逊但能稳定量产”之间选，答案取决于产品定位——对药物来说，是口服还是注射、病灶在哪、要维持多久。
一个口服小分子要同时过很多关：能否起效，会不会误伤别的蛋白，能否吸收并到达病灶，在体内待多久，安全剂量空间是否够，能否稳定量产。其中一组指标缩写为 ADMET：吸收、分布、代谢、排泄与毒性，描述“药吃进去后在身体里经历了什么”。这些指标常常此消彼长，多目标优化不是把每项拉满，而是找到符合定位的组合。
AI 参与三个动作：
-
筛选：从海量分子库里打分排序，挑一小部分实测。这类“虚拟筛选”早于生成式 AI，也常用对接和物理计算，不能都算作生成式 AI 的功劳。
-
设计：生成模型按目标和约束直接“写”出新分子，再由性质模型评估。但有的分子画得出来却合成不了；有的钻了预测模型的空子拿到虚高分——就像销售冲业绩开出一堆会被退回的订单，KPI 好看，生意没做成。
-
迭代：把实测结果送回来，看模型哪里猜错，再挑下一批。可以押“最可能达标”的，也可以押“最能补上认知盲区”的。
图 4｜生成与性质预测帮助安排合成测试，最终取舍依赖实测结果；图中结构与数值均为示意。
生成越多不等于越好：生成十万个结构却让团队多返工十轮，效率反而下降。合理的尺子像获客成本——不看拉来多少线索，看成交一单花多少钱：在同样验收标准下，拿到一个达标候选要合成多少分子、迭代多少轮、花多少总成本。
“候选”也分成熟度：生成的结构、筛选命中的分子、优化中的先导化合物、正式提名的临床前候选物，依次更接近目标。rentosertib 走到的是最后一级，但这仍不等于获准用于人体，更不等于获批上市。
同样的思路也用于抗体等蛋白质药物，只是输出换成蛋白骨架或氨基酸序列，还要检验结合、功能、稳定性和能否顺利生产。RFdiffusion 展示了按约束生成蛋白骨架、配合序列设计并经实验验证的路径 [8]。Chai Discovery 在 2025 年披露，Chai-2 针对 52 个此前缺少已知抗体结合物的靶点，每个靶点最多测试 20 个设计，约 16% 的设计能结合目标，约一半靶点至少拿到一个结合物 [9]。
两个数字分母不同：16% 按设计个数算，50% 按靶点个数算；两者都不是“成为药物的概率”。这份结果目前以公司技术报告和预印本形式发布，尚未见同行评审论文，还需要独立检验 [10]。
五、智能体：把知识、工具和实验串起来
这些科学模型和聊天大模型是什么关系？可以按公司分工理解：预测结构、性质、细胞反应的专门模型，像财务、法务这样的专业部门；大语言模型（LLM）擅长读文献、整理证据、写代码、调用工具，像跨部门协调的项目经理。能把多个步骤串起来、自己决定下一步调用什么工具的系统，叫 Agent（智能体）。
它最大的机会藏在“交接”里。研究者从论文找到一个分子，输进预测工具，再搬进实验计划 -- 论文里的细胞类型、浓度、处理时间，很容易在搬运中丢失，就像客户需求经过销售、产品、研发层层转述后走了样。LLM 若能把条件和出处一路带着走，就能减少遗漏；若把“高浓度下某种细胞出现某种变化”压缩成“这个分子有效”，自动化只会让错误传得更快。所以，靠谱的科研智能体应交付结论、适用条件、出处、分析过程和待验证的问题。
图 5｜LLM 与智能体的贡献，主要在知识整理、工具协作和信息交接。
FutureHouse 的 Robin 系统展示了这样一个循环：AI 梳理机制、提出候选，人类研究者做实验，数据交回 AI 分析，再推动下一轮。2026 年 5 月发表于 Nature 的论文围绕干性年龄相关性黄斑变性——一种让老年人中心视力逐渐模糊的眼病 -- 探索增强视网膜色素上皮细胞“清理垃圾”（吞噬）能力的方向；在体外培养的人视网膜细胞实验中，筛到的候选包括 ripasudil，一款已在日本获批用于青光眼的药物 [11]。这是特定实验任务上的进展，还不能当作对患者有效的证据。
归因时要分开记账：性质数值由专门模型算出，功劳归那个模型；智能体的功劳在于选对工具、正确调用、完整传递条件并留下记录。衡量增量，可以看形成可审阅实验方案的时间、关键条件遗漏率和人工修改量。省下的时间，要扣掉核查和返工。
六、回看 18 个月：项目成绩怎样拆开？
回到 rentosertib。论文描述，PandaOmics 平台参与疾病数据分析和靶点假设生成，Chemistry42 平台参与针对 TNIK 的分子设计，研究团队完成合成、筛选与优化，最终提名候选物 [1]。
三份贡献相互依赖：已有数据和知识打基础，AI 平台参与排序与设计，研究团队通过实验和决策推进项目。 TNIK 也不是凭空发现的新蛋白，创新在于把它和这个疾病连起来的证据组合，以及随后的分子开发。
图 6｜约 18 个月对应该项目到候选物提名的阶段，包含计算与实验；后续临床验证另有时间与证据要求。
18 个月是这套综合流程的项目用时。要说“AI 省下了几个月”，得有起点和预算相近的参照项目，不能把总成绩直接记在算法头上。
进入人体之后
2025 年发表的 IIa 期随机对照试验，在中国 22 家中心纳入 71 名患者，治疗 12 周，主要终点是安全性，肺功能只是探索性指标 [12]。研究观察用力肺活量——深吸一口气后能用力呼出的最大气量：最高剂量组（60 毫克、每日一次）平均增加 98.4 毫升，安慰剂组下降 20.3 毫升；论文也报告了因肝脏毒性或腹泻停药的情况 [13]。每组只有约 17—18 人、观察 12 周，这是值得追踪的早期信号，还不足以判断长期疗效和安全性。
2026 年 9 月，公司宣布 III 期研究完成首例给药：计划在中国 47 家中心入组 320 名患者，治疗 52 周，主要终点是用力肺活量的年下降速度——这一次，肺功能成了要正式证明的核心指标 [14]。截至该公告，rentosertib 仍是在研药物。
还要守住一条归因边界：临床试验比较的是“吃药”和“吃安慰剂”，没有比较“用 AI 研发”和“不用 AI 研发”。 它为药物提供证据，量不出 AI 的研发增益。模型基准、项目用时、患者结局，各有各的评价对象。
七、判断增量，问四个问题
再看到“AI 制药重大突破”，可以像做尽职调查一样先问四个问题：
-
完成了什么？ 预测结构、得到结合物、提名候选，还是改善病人结局？
-
快的是哪一段？ 一次计算、一轮实验、发现阶段，还是从立项到获批？起点终点不同，“提速几倍”没法比。
-
和谁比？ 同题的成熟方法、团队历史项目，还是笼统的行业平均？参照越弱，进步显得越大。
-
失败算进去了吗？ 没合成出来的、测不出活性的、中途叫停的、返工和额外审核，都是成本。只统计成功案例，就像只看活下来的基金算行业收益 -- 幸存者偏差会让数字好看得多。
更有说服力的比较是一场公平“赛马”：两支团队拿同样的起始数据、预算和验收标准，一支用专家加成熟工具，另一支再加入 AI；事先定好评分规则，用独立实验比较候选质量、完成时间和总成本。
图 7｜先对齐任务、预算与验收标准，再比较结果，不预设 AI 一定胜出。
如果模型、数据和实验机器人同时升级，收益首先只能记在整套系统名下，要拆开归因就得逐项比较。各环节的尺子也不同：靶点看功能证据，结构看预测质量与设计效用，分子看达标候选的成本，智能体看交接耗时与出错负担。
如果只能选一把尺子，我会问：在相近的起点和预算下，团队能否更早拿到可靠证据，决定继续、调整，还是放弃？ 找到更好的分子是收益，尽早放弃错误方向同样是 -- 及早砍掉注定失败的项目，省下的就是投向下一个项目的弹药。
这一篇走到了候选分子。下一篇，它将离开电脑屏幕，变成实验室里的真实物质：AI 设计的方案，怎样经过制备、测试与反馈，变成可信的实验结果？
参考资料
-
Ren F. 等. A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nature Biotechnology, 2024. https://www.nature.com/articles/s41587-024-02143-0
-
Paul S. M. 等. How to improve R&D productivity: the pharmaceutical industry's grand challenge. Nature Reviews Drug Discovery, 2010. https://www.nature.com/articles/nrd3078
-
Minikel E. V. 等. Refining the impact of genetic evidence on clinical success. Nature, 2024. https://pubmed.ncbi.nlm.nih.gov/38632401/
-
Arc Institute. Virtual Cell Challenge 2026. https://arcinstitute.org/news/virtual-cell-challenge-2026
-
Jumper J. 等. Highly accurate protein structure prediction with AlphaFold. Nature, 2021. https://www.nature.com/articles/s41586-021-03819-2
-
Abramson J. 等. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 2024. https://www.nature.com/articles/s41586-024-07487-w
-
The Nobel Prize in Chemistry 2024. https://www.nobelprize.org/prizes/chemistry/2024/summary/
-
Watson J. L. 等. De novo design of protein structure and function with RFdiffusion. Nature, 2023. https://www.nature.com/articles/s41586-023-06415-8
-
Chai Discovery. Introducing Chai-2, 2025. https://www.chaidiscovery.com/news/introducing-chai-2
-
Chai Discovery Team. Zero-shot antibody design in a 24-well plate. bioRxiv 预印本, 2025. https://www.biorxiv.org/content/10.1101/2025.07.05.663018
-
Ghareeb A. E. 等. A multi-agent system for automating scientific discovery. Nature, 2026. https://www.nature.com/articles/s41586-026-10652-y
-
北京协和医院. New Hope for Idiopathic Pulmonary Fibrosis: PUMCH Xu Zuojun Team's Results Published in Nature Medicine, 2025. https://www.pumch.cn/en/detail/42613.html
-
Xu Z. 等. A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nature Medicine, 2025. https://www.nature.com/articles/s41591-025-03743-2
-
Insilico Medicine. Insilico Medicine Doses First Patient in GENESIS-IPF-3 Phase III Trial, 2026-09-10. https://insilico.com/news/isn1009261-insilico-medicine-doses-first-patient-genesis-ipf-3
延伸阅读：
