药物研发全流程：AI如何把10年缩短到18个月

引子：一个被拒绝的分子，和一个被AI发现的分子

2019年，伦敦的一家AI制药公司Insilico Medicine在做一个实验。他们让AI去发现一种治疗纤维化的新靶点。AI分析了海量多组学数据后，锁定了一个基因——它在已有的文献中几乎没人关注。然后AI从零开始生成了一批针对这个靶点的候选分子，筛选出最优的几个进入实验验证。

结果让传统制药人瞠目结舌：从靶点发现到临床前候选化合物确定，只用了18个月，花了约260万美元。

作为对比，传统制药流程中，同样的阶段平均需要4.5年和数千万美元。

这不是科幻。这已经发生了。这个药物（INS018_055）在2023年已进入II期临床试验。如果最终获批上市，它将是人类历史上第一个由AI全程主导发现的药物。

这个故事的核心不是「AI比人聪明」，而是「AI让人类重新理解了药物发现的效率极限」。

40.1 为什么药物研发如此之难？

40.1.1 一组让人绝望的数字

药物研发是人类所有商业活动中成本最高、失败率最高的领域之一。说一组全球公认的数字：

更让制药行业焦虑的是反摩尔定律：随着时间的推移，每10亿美元研发投入产出的获批新药数量在持续下降。1970年代是1亿美元/药，2010年代已经飙升至26亿美元/药。这个趋势如果不逆转，到2050年一个新药可能要花50亿美元。

40.1.2 传统药物研发的四道关口

药物研发的流程可以简化为四个阶段，每个阶段都有极高的淘汰率：

靶点发现 → 先导化合物优化 → 临床前评价 → 临床试验(5000-10000个分子) (250个) (5个) (1个获批)

40.2 靶点发现：从「大海捞针」到「精准导航」

40.2.1 传统靶点发现的两大路径

传统上，科学家发现新靶点主要靠两条路：

文献驱动：阅读本领域的论文，找到某个和疾病相关的基因或蛋白——问题是同领域的科学家都在读同样的论文，发现的新靶点高度同质化实验驱动：通过细胞实验或动物模型筛选——效率极低，成本极高两条路都面临一个共同的瓶颈：人类能处理的数据维度是有限的。一个生物学家可以同时思考3-5个基因和2-3条信号通路之间的关系，但人体有2万个基因，它们之间形成了百万级的互作网络。

40.2.2 AI靶点发现的逻辑

AI靶点发现的核心是多组学数据整合：

数据类型 来源 AI能做什么基因组数据 患者全基因组/全外显子测序发现疾病相关的罕见变异和结构变异转录组数据 RNA-seq 鉴定差异表达基因，构建基因调控网络蛋白质组数据质谱分析 发现翻译后修饰与疾病的关系代谢组数据 代谢物谱 找到代谢通路中的关键调控节点单细胞数据 单细胞RNA-seq 在细胞类型分辨率上精确定位疾病相关基因临床数据 EHR+真实世界数据 发现基因型-表型关联和药物反应差异AI在这里的价值不是「分析更高明」，而是可以在同一时间「看见」所有维度的数据。人类科学家的大脑不可能同时记住5000个基因的表达变化、300种代谢物的浓度变化和20条信号通路之间的所有交叉连接。AI可以。

40.2.3 一个真实案例

Insilico Medicine的PandaOmics平台发现的一个肺纤维化靶点，在公开数据库中与肺纤维化的关联度仅排名第80位以外——如果靠人类科学家阅读文献，可能永远没人关注它。但AI通过对多组学数据的深层挖掘，发现这个基因在蛋白质互作网络中处于「结构洞」位置（连接多个关键通路），最终实验验证了它确实是有效的治疗靶点。

40.3 先导化合物：AlphaFold 3改写游戏规则

40.3.1 分子生成的AI革命

找到靶点之后的下一个问题是：设计一个什么样的分子来作用于这个靶点？

传统方法是高通量筛选——从数百万个化合物库中逐个测试哪个能和靶蛋白结合。这是一个巨大的「体力活」，效率取决于筛选的化合物数量。

AI分子生成换了一个思路：不给AI一个化合物库让它挑，而是告诉AI靶蛋白的结构，让它自己「画」一个分子。这就像让一个建筑设计师为一块特定的地皮设计房子，而不是让他从全世界所有房子的照片中挑选一个。

生成式AI（如变分自编码器VAE、生成对抗网络GAN、扩散模型）可以：

学习已知药物的化学空间分布在化学空间中「导航」，找到未被探索的区域生成具有特定性质（药效、溶解度、毒性边界）的全新分子

40.3.2 AlphaFold 3：2024年的里程碑

如果说AI制药有一个「iPhone时刻」，那就是DeepMind在2024年发布的AlphaFold 3。

回顾AlphaFold的进化：

版本 时间 能力 生物学意义AlphaFold 1 2018 蛋白质3D结构预测（初版） CASP13夺冠，首次达到实验精度AlphaFold 2 2021 蛋白质3D结构预测（原子精度）颠覆结构生物学，2亿蛋白结构预测公开AlphaFold 3 2024 蛋白质+DNA+RNA+配体+离子的全生物分子结构预测药物研发的游戏规则改变者AlphaFold 3与前两代最大的区别是：它不仅预测蛋白质的独立结构，而是预测蛋白质如何与它的「伙伴」互动——它如何结合DNA、如何结合RNA、如何结合一个药物分子、如何结合一个金属离子。

对药物研发来说，这意味着：

• 给定一个靶蛋白的结构，AI可以预测任何候选药物分子与这个靶蛋白的结合模式
• 不需要在实验室培养蛋白晶体（可能耗时数月到数年），AI在几分钟内就能给出结构预测
• 虚拟筛选的精度从「大海捞针」级提升到「精确制导」级

40.3.3 虚拟筛选的革命

传统虚拟筛选的流程：从亿级化合物库中，用AI模拟每个分子与靶蛋白的结合能力，挑出排名前几千的去做实验验证。

AlphaFold 3时代的新流程：用AI生成针对靶蛋白「定制」的小批量候选分子（几百到几千个），再用精确结构预测筛选出最优的几十个进入合成和实验验证。

效率差异对比：

指标 传统虚拟筛选 AlphaFold 3时代AI分子生成候选分子来源 现有化合物库（已探索空间）AI全新生成（未探索空间）

结合模式预测精度 中低 高从靶点到先导化合物2-4年 可能缩短至6-18个月候选分子新颖性 低（库中已有） 高（全新设计）

40.4 临床前阶段：ADMET预测的AI化

40.4.1 一个「经典」的失败模式

药物研发中最经典也最昂贵的失败模式是：「分子在实验室里效果很好，进了动物体内完全不行」。这是因为一个分子要成为药物，除了能和靶蛋白结合，还必须满足一系列严苛的条件：

A（Absorption，吸收）：能通过肠道吸收进入血液吗？

D（Distribution，分布）：能到达靶组织吗？

M（Metabolism，代谢）：在肝脏中被代谢的速度合适吗（太快=无效，太慢=中毒）？

E（Excretion，排泄）：能被有效清除吗，还是会在体内积累？

T（Toxicity，毒性）：对心脏（hERG通道）、肝脏、肾脏有没有毒性？

传统上，ADMET的评估需要大量动物实验，耗时数月到数年。

40.4.2 AI预测的威力

AI在ADMET预测上的优势来自一个简单的事实：过去几十年间，全球制药行业积累了海量的ADMET实验数据——数十万个化合物在数百种ADMET实验中的结果。这是AI最喜欢的训练材料。

现在的AI模型（如DeepT ox、ADMET-AI等）可以：

预测项 传统方法 AI方法肝毒性 动物实验（3-6个月） AI预测（秒级）

心脏毒性（hERG） 细胞实验+动物实验 AI预测（秒级，准确率>85%）

口服生物利用度 动物PK实验 AI预测+少量验证血脑屏障穿透性 动物实验 AI预测药物-药物相互作用 PubMed检索+经验 AI系统性扫描

40.5 临床试验：最昂贵环节的AI增效

40.5.1 临床试验为什么这么贵？

III期临床试验的平均成本约数亿美元，耗时3-7年。其中最大的成本来源：

患者入组难：符合条件的患者分散在各地，招募周期长入组失败率高：筛选的患者中，可能只有50%-60%最终符合所有入组标准患者脱落：III期试验中平均有15%-30%的患者中途退出方案设计失误：终点指标设置不当、样本量估计不足，导致整个试验失败

40.5.2 AI可以做什么？

患者入组AI：NLP技术扫描EHR文本，自动匹配试验入组条件。传统上，临床试验协调员要手动翻阅成千上万份病历；AI可以在几秒钟内扫描百万级电子病历，找出符合条件的所有潜在患者。研究显示，AI辅助入组可以将筛选效率提升60%-80%。

试验方案优化：AI分析历史失败试验的数据，找出导致失败的方案设计问题（如入组标准过严导致样本量不足、终点指标不敏感等），辅助设计更「不容易失败」的试验方案。

患者分层：基于基因组和生物标志物数据，AI将患者细分为多个亚组，实现「精准入组」——只纳入最可能从药物中获益的亚群。这不仅能降低试验失败率，也让最终获批的药物能精准定位获益人群。

AI介入环节 具体手段 预期增效患者入组 NLP扫描EHR自动匹配 筛选效率提升60%-80%患者保留 AI预测脱落风险定向干预 脱落率降低20%-30%试验设计 历史数据学习+模拟优化 降低方案设计导致的失败风险患者分层 基因组/生物标志物AI分型 提高试验成功率15%-25%

40.6 现实版图：谁领先？谁在追赶？

40.6.1 全球格局

40.6.2 FDA已批准的AI辅助案例

药物 AI参与环节 意义巴瑞替尼（Baricitinib）AI发现其在COVID-19中的新适应症全球首个AI发现的药物老药新用获批多个肿瘤药物 AI辅助患者分层和生物标志物发现 精准入组成为标准实践各药企管线中多个AI发现分子 靶点发现/先导化合物 正在临床各阶段，尚未正式获批上市重要提醒：截至2025年初，尚没有一个由AI完全从零发现的新分子实体获得FDA正式批准上市。最接近的是Insilico的INS018_055在II期临床。但我们正站在这个门槛上——第一个纯AI发现的获批药物，很可能在未来3-5年内出现。

40.6.3 对中国药企的意义

中国是全球最大的原料药生产国和仿制药市场，但在创新药领域长期落后。AI制药给中国提供了一个独特的「弯道超车」机会：

传统创新药比拼的是积累——大药企有几十年积累的化合物库和临床数据，后发者几乎无法追赶AI制药比拼的是数据和算法——中国的优势在于庞大的患者基数（数据）、活跃的AI人才储备（算法）和政府战略支持晶泰科技等企业已经证明：中国AI制药公司可以在全球竞争中占有一席之地

40.7 对医生的启示

启示一：药物研发的时间压缩会体现在你的处方上

当AI将药物研发从10年压缩到3-5年（甚至更短），你将更频繁地面对「从未听说过的新药」。保持对AI制药动态的关注，不是为了转行，而是为了在面对新药时能判断它的来路。

启示二：精准入组 = 精准处方

AI驱动的患者分层意味着未来的药物说明书将越来越精确——不只写「用于治疗X疾病」，而是写「用于治疗X疾病的Y亚型，伴有Z基因突变的患者」。作为临床医生，你开具处方前需要的不再只是药物名称，而是患者是否属于「AI定义的那个获益人群」。

启示三：中国的AI制药机会不是「遥远的故事」

中国有全球最大的患者人群、最活跃的AI研发力量、强有力的政策支持。AI制药是中国在生物医药领域实现全球领导力的最重要赛道之一。作为医生，你可以是这一进程的见证者，也可以是参与者——通过贡献真实世界数据、参与AI辅助临床试验等方式。

40.8 本章小结

环节 传统方法 AI方法 时间/成本变化靶点发现 AI多组学数据挖掘，数月时间大幅缩短环节 传统方法 AI方法 时间/成本变化文献+假设驱动，数年到十年先导化合物高通量筛选+经验设计，2-4年AI分子生成+AlphaFold 3精确结合预测，6-18个月时间缩短50%-70%临床前ADMET大量动物实验，数月到数年 AI预测+靶向实验验证 加速初筛，减少动物实验临床试验 全人工招募+固定方案AI辅助入组+患者分层 效率提升60%-80%关键里程碑AlphaFold 3（2024）

实现全生物分子结构预测Intrinsic Medicine INS018_055 II期第一个AI原研药呼之欲出

40.9 延伸思考

如果一个药物是AI「从头到尾」设计出来的，你会信任它的安全性和有效性吗？你信任的依据是什么？

AlphaFold 3将蛋白质结构预测从「实验决定」变成了「计算决定」。这种转变在科学数据上已经是事实，但在你的心理上，你更相信「实验做出来的结构」还是「AI算出来的结构」？

中国AI制药的弯道超车，你认为最大的障碍可能是什么——是技术、是数据、是人才，还是监管和支付体系？

本章初稿，待浩哥审阅。