SU3327

做药难，是整个行业的共识。一款新药从最初的想法到最后走到患者手里，平均要花十年时间，烧掉二十多亿美元，最后能闯过所有临床试验的，十不存一。这种投入越来越大、产出却没跟着提速的"反摩尔定律"，困了制药行业几十年。所有人都在找破局的路，而人工智能，是眼下被寄予最多期待的答案。 2024年的诺贝尔化学奖颁给了David Baker、Demis Hassabis和John Jumper，表彰他们用AI预测和设计蛋白质结构的工作。学术界的最高荣誉落在这里，其实是给整个领域定了性：AI不只是写代码的人的事，它已经真正改变了生命科学的研究方式。但在讲技术之前，我们得先把最根本的逻辑理清楚——很多人聊AI制药，上来就讲算法讲模型，却跳过了一个最基础的问题：为什么整个行业都围着蛋白质转？药物到底是什么？ 先把最根本的逻辑理清楚：药是怎么治病的？ 要理解AI制药的所有技术路线，你得先理解一件事：我们的身体到底是怎么运转的，疾病又是怎么发生的。 你可能从生物课上记得，DNA是遗传物质，基因是生命的蓝图。但真正执行生命活动的，不是DNA，是蛋白质。你吃进去的食物靠酶来消化——酶是蛋白质；你的肌肉能收缩，靠的是肌动蛋白和肌球蛋白；你能抵抗病毒细菌，靠的是抗体——抗体也是蛋白质；甚至你思考问题时神经细胞传信号，靠的还是各种离子通道蛋白和受体蛋白。可以说，从呼吸、运动、消化到免疫、思考，你身体里几乎每一件事，都是不同的蛋白质在干活。 那疾病是怎么来的？绝大多数疾病，本质上都是某些蛋白质出了问题。要么是某个蛋白太多了，要么太少了，要么是突变导致它太活跃或者太不活跃，要么是外来的病原体（比如病毒）带进来了异常的蛋白打乱了身体的正常秩序。比如很多癌症，就是某个控制细胞生长的蛋白发生突变，一直处于"开启"状态，细胞就开始疯长；比如很多遗传病，是某个关键蛋白编码错了，没法正常干活；甚至糖尿病，也和胰岛素这个蛋白信号通路的异常有关。 顺理成章地，药物的作用原理也就清楚了：绝大多数药物，本质上都是通过结合特定的蛋白质，调节它的功能，把异常的状态拉回正常。要么抑制一个过度活跃的蛋白，要么激活一个不够活跃的蛋白，要么堵住病毒用来入侵细胞的蛋白。这就是为什么整个制药行业，从第一天起就围着蛋白质转——它是几乎所有药物的作用靶点，是我们理解疾病、治疗疾病的核心抓手。 理解了这一点，你就能明白为什么蛋白质结构预测这么重要：你要调节一个蛋白的功能，总得先知道它长什么样，它的"结合口袋"在哪里，是什么形状，才能设计出合适的分子去和它结合。这就像你要配钥匙，总得先看见锁孔是什么形状。 当然，我们也要客观地说：蛋白质不是唯一的靶点。现在也有一些药物是靶向DNA、RNA的（比如很多化疗药、以及近年的RNA药物），还有的靶向脂质、糖类，甚至通过调节肠道菌群来治病。但这些目前只占所有药物的很小一部分，而且很多机制我们还没完全搞清楚。现在整个AI制药的主流路线，基本都是围绕蛋白质靶点展开的——这既是当前技术最成熟的方向，也是一个潜在的局限：我们对生命的理解还远不完整，可能有很多疾病的根源不在蛋白质，或者不只是蛋白质，这些是现在的AI还很难触及的领域。 那药物又分哪几类？ 既然药物是去结合蛋白质、调节功能的分子，那根据分子的大小和性质，我们大致可以把现在的药物分成几类： 第一类也是最经典的一类，就是小分子药物。这类药一般是化学合成的，分子量很小，通常只有几十到几百个原子，个头大概是纳米级别。因为小，它们能轻松穿过细胞膜，进到细胞里面去结合细胞内的蛋白，而且一般可以做成口服药片，吃进去就行，生产和储存也方便。我们熟悉的阿司匹林、布洛芬、降压药、降糖药，绝大多数传统药物都是小分子。现在AI制药进展最快、成果最多的，也是小分子领域。 第二类是大分子药物，也叫生物药。这类药本质上就是生物大分子，最常见的是单克隆抗体，还有重组蛋白、疫苗、细胞因子等等。它们的分子量比小分子大几百上千倍，个头太大，穿不过细胞膜，所以一般只能结合细胞表面的蛋白，而且大多要注射给药，不能口服。但大分子的好处是特异性特别强，一般只会结合它的靶点，副作用相对小，而且能做到很多小分子做不到的事情。现在治疗癌症、自身免疫病的很多重磅药都是抗体药，比如著名的PD-1抑制剂。AI在抗体设计、蛋白药物从头设计上进展也很快，David Baker拿诺奖的工作很大一部分就是从头设计功能蛋白。 除了这两类经典的，最近十几年还涌现出了很多新模态药物，可以理解为"杂合"或者全新机制的药物：比如PROTAC，它是一个双功能的小分子，像个"分子媒人"一样，一边结合靶蛋白，一边结合细胞里的"垃圾处理系统"，把致病的蛋白直接降解掉；比如ADC，也就是抗体偶联药物，把抗体的精准导航和化疗药的毒性结合起来，像"生物导弹"一样直接把毒药送到肿瘤细胞里；还有mRNA疫苗、基因治疗、细胞治疗等等，这些新模态机制更复杂，设计难度也更大，但也是AI正在快速渗透的方向。 理解了这些最基础的概念，我们再回头看AI制药的整个技术版图，就会发现每一步都顺理成章：为什么先做蛋白质结构预测？因为蛋白是绝大多数药物的靶点，看见锁才能配钥匙。为什么重点做小分子生成？因为小分子是最成熟、应用最广的药物模态，化学空间也最大。为什么慢慢延伸到抗体、PROTAC、ADC？因为技术成熟了，自然会向更复杂的分子类型拓展。 这条路不是突然出现的：从计算化学到AI的四十年积累 很多人以为AI制药是近几年突然冒出来的风口，其实不是。往前倒三四十年，计算化学就已经在药物研发里扎根了。分子对接、定量构效关系分析、分子动力学模拟，这些基于物理化学原理的方法，早就是药物化学家的常规工具。它们在已知靶点的配体优化上很管用，但天生有自己的边界：理论上可能成药的小分子有10的60次方那么多——比太阳系的原子总数还多一千倍，人类合成过的所有化合物加起来也就一亿多种，靠传统方法永远探索不完这个巨大的化学空间；再加上蛋白不是硬邦邦的石头，是会动会变形的，药物在体内怎么代谢、会和哪些别的蛋白结合，光靠第一性原理算不准；大量失败的实验数据散落在各处，没法沉淀成结构化的知识，效率自然提不上来。 本世纪初到2015年前后，传统机器学习开始慢慢介入。支持向量机、随机森林这些方法，靠已有的数据训练模型，用来预测化合物的活性、溶解度、毒性，比老办法准头高了不少。那时候大家忙着建数据库，ChEMBL、ZINC、PubChem一个个起来，给后来的深度学习攒下了家底。但本质上，这时候的AI还只是"预测工具"，只能判断一个已知分子好不好，还不会自己创造新分子。 真正的范式转变，是深度学习带过来的。图神经网络能直接读懂分子的拓扑结构，捕捉原子之间的空间关系，一下子把性质预测的精度拉上了一个台阶。更关键的是生成式模型的出现——变分自编码器、生成对抗网络、循环神经网络，再到后来的Transformer和扩散模型——让AI第一次有了从头设计新分子的能力。而真正把这件事推到公众面前的，是AlphaFold。 2021年DeepMind团队在《Nature》发了那篇《Highly accurate protein structure prediction with AlphaFold》，宣布AlphaFold2在CASP14竞赛里的中位GDT_TS得分超过92，精度基本和实验测定持平。后来他们又放出了覆盖98.5%人类蛋白质的结构预测库，相当于给整个结构生物学领域送了一份厚礼。2024年推出的AlphaFold3又进了一大步，不再只能预测单个蛋白，还能直接预测蛋白和小分子、核酸、配体形成的复合物结构——相当于不仅能看见锁，还能直接看见钥匙插在锁孔里的样子。DeepMind分拆出来的Isomorphic Labs，基于AlphaFold3开发的特发性肺纤维化候选药物，2025年7月就已经进入了I期临床试验，速度比传统模式快了一大截。 当然，冷静下来看，结构预测的进步不等于药物发现的问题就全解决了。中国科学院上海药物所2025年的研究就发现，AlphaFold3在G蛋白偶联受体（GPCR）这一类最重要的药物靶点家族上，结合模式预测的准确率还有限；蛋白的动态变化、结合的动力学过程，这些静态结构预测也告诉不了我们。Joosten和Perrakis在《Nature Methods》发表的《AlphaFill: enriching AlphaFold models with ligands and cofactors》里也说得很实在：预测结构在柔性区域、配体结合态、膜蛋白这些地方还有局限，而且一个靶点能不能成药，不光看静态结构，还要看它的动力学行为、在信号通路里的位置。AlphaFold是里程碑，但它是起点，不是终点。 除了这种"先找锁再配钥匙"的基于结构的思路，还有一条完全不同的路线：我们甚至不用先搞清楚具体是哪把锁出了问题，直接看细胞"生病"之后长什么样，然后找能把它变回正常样子的分子。这就是表型筛选的思路——以前靠人眼看细胞形态的变化，现在AI能从显微镜图像里提取出上千个人眼看不到的特征，判断一个分子是不是把病变的细胞"治"好了。Recursion Pharmaceuticals就是这条路线的代表，他们每周能产生上百万张细胞图像，用AI分析这些图像来发现候选药物。这条路线的好处是不用预先知道靶点，特别适合那些机制复杂、我们还没搞清楚具体是哪个蛋白出问题的疾病。 顺着结构往下走，生成式AI的发展速度超出了很多人的预期。Grisoni等人2025年在《Journal of Medicinal Chemistry》发的《Generative Deep Learning for de Novo Drug Design—A Chemical Space Odyssey》里，把现有的技术路径梳理得很清楚：有基于SMILES字符串生成的，有直接生成分子图的，有扩散模型，也有Transformer架构。各有各的长处，也各有各的问题——比如字符串生成简单但容易出化学上无效的结构，图模型化学合理性高但训练难，扩散模型在三维口袋生成上有优势但速度慢。大家通常还会配上强化学习，用奖励函数推着模型往目标性质上优化，像Olivecrona他们提出的REINVENT框架，后来更新到第四代，已经是阿斯利康这些公司在用的开源工具了。 但这里有个很容易被忽略的鸿沟：论文里好看的分子，实验室里未必做得出来。合成可及性是现在生成模型最大的软肋之一——很多分子在计算上各项指标都完美，真要合成的时候，要么路线极其复杂，要么根本做不出来。所以逆合成规划成了AI必须补上的一课。2018年Segler等人在《Nature》发表的《Planning chemical syntheses with deep neural networks and symbolic AI》是这个领域的里程碑，他们把深度神经网络和符号推理结合，在双盲测试中达到了和人类化学家相当的路线规划水平。现在的IBMRXN、Chematica这些工具，已经能在几秒内给出多步合成路线，还能预测反应条件和产率，实实在在帮化学家省了很多事。 纯粹的数据驱动AI虽然预测准，但遇到训练集里没见过的新骨架就容易翻车，所以现在行业里越来越认可"AI+物理"的混合路线。最典型的就是自由能计算——这本来是基于量子力学和分子动力学的高精度亲和力预测方法，算得准但太慢，以前只能用来做最后几个分子的验证。AI进来之后，一方面加速了分子动力学的采样，另一方面用机器学习校正结果，在保持精度的同时把速度提了几个数量级。Aldeghi等人2023年在《Nature Reviews Drug Discovery》的综述里说，AI增强的自由能计算已经能把活性预测误差控制在1kcal/mol以内，基本和实验误差差不多，这在以前是不敢想的。这种混合模式既保留了物理模型的靠谱，又有AI的速度，现在已经是大药企先导优化的标配。 这两年大语言模型的爆发，也给药物研发带来了新的工具。以前散在几千万篇论文、专利、临床试验报告里的知识，一个人一辈子也读不完，现在专门训练的生物医药大模型能自动从这些非结构化文本里提取基因、蛋白、疾病、药物之间的关系，帮研究人员快速掌握一个领域的所有已知信息。化学专用大模型还能直接理解和生成分子结构，甚至帮着设计实验方案。国内已经有团队开发出了药物制剂专用的大模型，输入药物分子的性质，就能直接给出处方建议和工艺参数。这些工具虽然不直接设计分子，但它们把人类积累了几十年的药物研发知识盘活了，价值一点也不小。 再往研发上游走，靶点发现是整个链条的源头，也是最难的环节。传统找靶点靠生物学家的直觉和海量筛选，慢不说，还容易漏。AI的优势是能把基因组、转录组、蛋白质组、代谢组这些多维度的数据揉到一起，从整个生物网络的层面找和疾病相关的关键节点。知识图谱是很常用的工具，把基因、蛋白、疾病、药物这些实体和它们之间的关系织成一张网，再用图推理算法找潜在的关联，Open Targets就是做这个的公共平台。2025年临港实验室发布的"元生"多智能体系统，在靶标发现和临床价值评估上超过了主流大模型，还拿到了前瞻性实验验证，代表了这个方向的最新进展。 这里也要说句实在话：AI能帮你找出可能和疾病相关的蛋白，但它告诉你的是相关性，不是因果性。这个蛋白到底是不是真的驱动了疾病，还是只是疾病的副产品，必须靠基因敲除、动物模型这些实验去验证。Finan等人2017年在《Science Translational Medicine》发的那篇经典文章早就说过：有人类遗传学证据支持的靶点，临床成功率要高得多。AI能帮我们更快地筛出候选，但真正的因果验证，谁也代替不了实验。 从单一分子类型到全模态覆盖 很多人对AI制药的印象还停留在小分子上，但实际上，AI已经在快速渗透到所有类型的药物研发中。 抗体药是生物药里最大的一类，AI在抗体人源化、亲和力成熟、双特异性抗体设计上已经成为常规工具。David Baker团队更是做到了完全从头设计蛋白质骨架，生成自然界不存在的、具有特定功能的迷你蛋白，这为全新机制的生物药打开了空间。 这两年最火的蛋白降解剂（PROTAC）是AI的另一个用武之地。之前说过，PROTAC是双功能分子，它不仅要分别结合靶蛋白和E3连接酶，还要让两个蛋白形成合适的空间构象才能工作，传统方法设计起来特别难。AI在这里正好发挥优势：预测三元复合物的结构、设计合适长度和刚性的连接子、预测降解活性，这些都是传统方法的短板。上海科技大学2026年开发的DeepDegradome模型，第一次把PROTAC设计统一到了结构感知的生成框架下，能从头设计PROTAC分子。 ADC也就是抗体偶联药物，结构比抗体还复杂——它是单抗连一个化疗药，中间还要有连接子，相当于"生物导弹"。一个ADC有太多参数可以优化：抗体选哪个靶点、亲和力要多高、连接子用什么化学结构、偶联在抗体的哪个位置、一个抗体连几个毒药分子，这些参数排列组合起来是天文数字，传统试错法效率极低。现在AI可以从抗体序列预测结构和可开发性、优化连接子的稳定性和释放特性、预测不同DAR值（药物抗体比）的效果和毒性，甚至直接预测整个ADC的抗肿瘤活性。2025年Guo等人用AI优化的ADC分子，在动物模型上效果比已经上市的DS-8201还好，展示了这个方向的潜力。 甚至mRNA疫苗、细胞基因治疗这些最前沿的方向，AI也在发挥作用。比如mRNA序列优化，AI可以预测不同序列的稳定性、翻译效率和免疫原性，帮着设计更有效更稳定的疫苗；LNP递送系统的配方优化，AI也能大幅减少实验量。新冠疫苗能研发得那么快，AI在其中就帮了不少忙。 当然我们也要承认，现在AI在新模态上的应用整体还不如小分子成熟，很多还在早期阶段，这也是未来几年的重点发展方向。 顺着药物的一生走一遍：AI到底渗透到了哪些地方？ 如果我们跟着一款药从最初的想法到最后上市、再到患者手中走一遍，你会发现AI其实已经渗透到了几乎每一个环节，只是每个环节的成熟度不一样，创造的价值也不一样。 从苗头到先导：最成熟的前端应用 最开始的苗头发现阶段，AI虚拟筛选现在已经是很多公司的常规操作了。传统高通量筛选一次测几十万化合物，花钱多，覆盖的化学空间还小。AI筛选能在几天里筛完几十亿上百亿个分子，成本降一大截。现在行业里普遍用"两级筛选"的策略：先用轻量的AI打分从几十亿分子里快速筛出几百个候选，再用高精度的自由能计算二次验证，最后挑几十个去合成。2024年Wang等人开发的RosettaVS平台就是这么做的，他们针对KLHDC2和NaV1.7两个靶点，最后分别拿到了14%和44%的命中率，全部工作七天就做完了，这在以前是不可想象的。 拿到苗头化合物之后，就是漫长的先导优化阶段。做药化的人都知道，这是个在多个指标间走钢丝的手艺——活性要高，要选择性地只作用于靶点而不影响其他同源蛋白，吸收要好，代谢要稳定，不能有毒性，还要能做成合适的剂型。传统上这要靠药化师一轮轮设计、合成、测试，几十上百个化合物做下去，半年一年就过去了。AI在这里的价值是多目标同时优化，一次生成一批满足所有约束的分子，再提前把各项性质预测一遍，帮化学家少走弯路。强生公开过他们的实践数据，AI辅助下的先导优化周期能缩短差不多一半。 很多人不知道，晶型预测也是AI大显身手的地方。同一种分子，不同的晶体结构在溶解度、稳定性、生物利用度上可能天差地别，以前筛晶型全靠实验试错，要做几百个实验。现在AI能从分子结构直接预测可能的稳定晶型，大幅减少实验量。还有制剂环节，之前说的LNP递送系统，以前筛选配方要做几千个实验，现在AI能直接预测不同组成的递送效率。 ADMET预测可能是AI在药物发现里用得最久也最成熟的应用。差不多一半的候选药物最后倒在药代动力学不好或者毒性上，要是能在早期就把这些风险高的分子筛掉，能省巨量的钱。现在像溶解度、代谢稳定性、hERG心脏毒性这些指标，AI预测的精度已经和体外实验差不多了。当然像肝毒性、遗传毒性这些机制特别复杂的，AI还只能做风险排序，不能完全取代实验，但哪怕只是提前排除掉最危险的分子，价值也已经很大了。 临床前：被低估的隐形战场 候选化合物定下来之后，要做系统的临床前研究，在动物身上验证药效、药代和安全性，这部分AI的应用虽然没那么受关注，但其实很实在。 以前做PK/PD建模，也就是描述药物在体内怎么吸收、怎么分布、浓度和药效是什么关系，用的是比较死板的房室模型，要专家手动设参数。现在神经网络能更灵活地拟合复杂的体内过程，从有限的动物数据里建出更准的模型，还能更好地做"从动物到人"的剂量外推，降低第一次给人用药的风险。AI还能帮着优化动物实验设计，用贝叶斯优化的方法，用更少的动物拿到同样可靠的数据，既省钱也符合动物福利。病理切片的分析就更不用说了，AI自动读片、定量肿瘤大小和纤维化程度，比人工更客观也更快。 临床试验：潜力最大也最难啃的骨头 临床试验是整个研发过程中最烧钱也最慢的环节，占了总成本的三分之二以上，也是AI渗透最慢的地方。现在用得最多的是患者招募——传统招募靠医生推荐和打广告，慢得要死，很多试验就是因为招不到病人拖期。AI能自动从电子病历里按照入排标准筛选合适的患者，南方医科大学南方医院做过的系统，能把筛选时间减少97.8%，这个效率提升是非常惊人的。 再往深走，AI正在改变临床试验本身的设计。以前的试验设计是固定的，方案定了就不能改，很容易因为剂量选得不对或者终点设得不好失败。现在的自适应试验设计，可以在试验进行过程中根据累积的数据动态调整样本量、剂量组，甚至提前终止无效的组，AI和贝叶斯统计结合，能让剂量探索更快更准，用更少的病人拿到更可靠的结果。AI还能自动从电子病历里识别不良事件，做实时的安全监测，比人工审查快得多也全得多。 监管机构也在为AI药物开绿灯。2026年FDA启动了"AI药物加速通道"试点，选了十家公司的AI发现药物进入I期临床的快速审评流程，就是看到了AI在提升研发效率上的潜力。当然这一块的落地障碍也最多：医疗数据不标准、隐私要求严、监管要求高，所以现在还在早期，但反过来想，越难的地方，一旦突破创造的价值也越大。 上市之后：AI的应用远不止研发端 很多人以为药物获批了AI就没事了，其实不是，上市之后才是药物真正服务患者的开始，这部分AI的应用空间一点也不小。 药物警戒就是个很典型的场景。药物上市之后，要持续收集全世界的不良反应报告，以前靠人工读报告、找信号，效率极低，经常漏报。AI自然语言处理能自动处理海量的自发报告、医学文献、电子病历，甚至社交媒体上的患者反馈，更快地发现潜在的安全风险。FDA的哨兵系统现在就大量用AI做上市后安全监测。 还有真实世界研究。药物上市之后，要在更大规模的真实人群里看效果，还要拓展新的适应症，这时候AI能从医保数据、电子病历里生成真实世界证据，尤其是罕见病这种很难招到足够病人做临床试验的领域，真实世界数据可以作为外部对照，大大降低研发难度。 甚至在生产环节，也就是行业里说的CMC，AI也在发挥作用。从化学反应工艺优化、连续生产的实时过程控制，到生物药发酵过程的参数调整，AI能帮着提升产率、降低不合格率。这部分工作虽然不那么光鲜，但对降低药价、保障供应链稳定特别实在。 那些真正走到临床的AI药物：成绩与教训 讲了这么多技术，肯定有人会问：说了半天，到底有没有AI做出来的药真的在人身上看到效果了？截至2026年初，全球公开的AI参与研发的临床管线已经有173个，其中12个已经推进到了III期临床试验，我们可以挑几个最有代表性的，它们各自对应不同的技术路线，也各自告诉我们不同的道理。 第一个是Halicin，2020年MIT Collins团队在《Cell》上发表的那个新型抗生素。他们用两千多个分子的抑菌数据训练模型，再去筛上亿个分子的库，最后找到了这个结构和所有已知抗生素都不一样的分子。它的杀菌机制也很特别，靠破坏细菌的跨膜质子梯度工作，细菌不容易产生耐药性，在小鼠感染模型里效果也很好。这个工作第一次实打实地证明了AI能跳出人类的化学知识边界，找到全新结构和全新机制的活性分子。但也要客观说，Halicin是从已有的化合物库里筛出来的，不是完全从头生成的，而且它的成药性还在优化，至今没有进入临床。 第二个是Rentosertib，也就是英矽智能的ISM001-055，这是目前全球走得最远的、AI从靶点到分子全流程参与发现的药物。它靶向TNIK激酶，用来治特发性肺纤维化，靶点是AI找的，分子是AI设计的。2025年6月它的IIa期结果发在了《Nature Medicine》，71个患者的双盲试验里，安全性可控，肺功能和纤维化生物标志物都看到了积极的信号。2026年6月30日，这个药正式启动了320人的III期临床试验，这是第一个走到III期的AI端到端发现的药物。德睿智药的AI设计GLP-1受体激动剂MDR-001也在2025年底进入了III期，从靶点到III期只用了四年半，比传统模式快了一倍还多。 第三个是Ulotaront，这个故事更值得我们冷静看待。它是治疗精神分裂症的药物，最早是BlackThorn和Scripps用计算平台发现的，最特别的地方是它不作用于多巴胺D2受体——这是之前所有抗精神病药共同的靶点，II期数据特别好，副作用也小，当时所有人都觉得这会是第一个AI重磅药。结果2023年两项III期试验都没达到主要终点，没能比安慰剂效果更好。这不是AI的失败，这就是药物研发的常态：哪怕早期数据再好，到大样本III期都有可能折戟，AI能提升效率，但消除不了药物开发本身的不确定性。Recursion、Exscientia、BenevolentAI这些AI制药明星公司，也都有过早期数据亮眼、后期临床失败的经历。 还有一个很经典的老药新用案例是Baricitinib，这个本来治类风湿关节炎的JAK抑制剂，新冠期间被BenevolentAI的知识图谱预测可能对新冠有效，后来临床试验验证了效果，FDA给了紧急使用授权。老药新用因为安全性已经验证过了，风险低见效快，是AI制药里特别务实的一个方向。 生物药这边也有不错的进展，比如AbCellera用AI抗体发现平台，新冠期间几个月就筛出了中和抗体，证明了AI在突发公共卫生事件里的加速能力。 热闹背后，那些真正绕不开的坎 讲完成绩，必须说说难处。AI制药这几年泡沫不少，很多宣传说得神乎其神，但真正在一线做药的人都知道，还有很多绕不开的坎。 最根本的还是数据问题。AI是吃数据长大的，但制药领域的高质量数据太少了。和图像、自然语言领域几十亿的标注数据比，药物活性数据差了好几个数量级，而且最好的数据都在大药企手里，不公开。更麻烦的是数据质量参差不齐，不同实验室、不同方法测出来的结果本身就有系统偏差，堆在一起训练，模型很容易学歪。还有个特别头疼的问题叫"阳性偏差"——发论文都爱报活性好的分子，失败的数据没人愿意发，模型训练的时候见不到"坏分子"，自然就只会往已知的活性结构上靠，很难真正探索全新的化学空间。生物药的数据比小分子还少，抗体、ADC、细胞治疗这些领域的结构化数据积累远远不够。 数据大家都想要，但谁也不愿意把自己的数据拿出来，这就有了联邦学习的尝试——大家各自的数据不出本地，只传模型参数，一起训练一个共享模型。欧洲几个大药企联合做的MELLODDY项目验证了这条路可行，2022年成果发在了《Nature Machine Intelligence》，但技术复杂，协调成本也高，离大规模用起来还早。 然后是模型本身的问题。大家可能都听过一个词叫"活性悬崖"——两个分子结构几乎一模一样，可能只差一个甲基，活性就能差上千倍。这直接挑战了机器学习"相似结构有相似性质"的基本假设，也是很多模型在测试集上表现很好，到了真实项目就翻车的重要原因。还有可解释性的问题，深度学习是个黑箱，药物化学家不光想知道哪个分子好，更想知道为什么好、接下来该往哪个方向改。说不出道理的预测，就很难真正融入研发决策，监管审查也会有问题。现在大家都在做可解释AI，也在试物理加AI的混合路线，但离化学家能顺手用的程度还有距离。 再往深说，是生物学本身的复杂性，这也是我们最开始提到的——现在的AI制药基本都围着蛋白质转，但生命活动远不只是蛋白质。我们对很多疾病的机制理解还非常肤浅，很多疾病是整个网络的异常，不是单个蛋白出问题；还有很多非蛋白的靶点，比如非编码RNA、脂质代谢、肠道菌群，这些现在的AI还很难触及。现在的AI本质上还是在找相关性，不是找因果。一个分子在试管里把蛋白抑制了，不等于在细胞里有效；在小鼠身上治好了病，不等于在人身上有用。从分子到细胞、到组织、到整个机体，跨了好几个尺度的复杂性，不是光靠堆数据就能完全解决的。说句实在话，AI现在更多是在"已知疾病、已知通路"的框架里帮我们提速，真正的源头创新——比如发现全新的疾病机制——还是要靠基础医学的突破。 最后还有产业本身的惯性。制药行业是出了名的保守，一套研发流程沉淀了几十年，不是装个AI工具就能改变的。做AI的人和做药的人之间也有代沟：搞计算机的不懂药物化学的实际约束，做药的不相信模型的预测，工具再好，嵌不进实际工作流也没用。生产端的数字化基础更弱，很多车间的数据都采不上来，自然也谈不上AI优化。 未来的路，其实很清晰 好在监管机构没有拖技术的后腿。2025年1月FDA发了AI用于药品监管决策的指南草案，核心思路是"按用途管风险"——你用AI做什么事，风险有多高，就要求多高的可信度证据，早期药物发现阶段的AI工具企业自己负责质量就行，不用额外审批。2026年1月FDA和EMA又联合发布了AI药物研发的良好实践原则，十条核心要求覆盖了从模型开发到全生命周期管理，这是全球两大监管机构第一次达成共识。国内CDE也在2024年出了相关指导原则的征求意见稿。总的方向很明确：鼓励创新，但不降低标准，给行业一个清晰的预期。 最后聊聊未来。短期三五年内，AI会继续在虚拟筛选、先导优化、ADMET预测、患者招募这些已经成熟的环节扩大渗透，降本增效的价值是实实在在看得见的。五到十年，我们大概率会看到第一个真正由AI发现的新药获批上市，但它不会是什么神药，更可能是某个现有疾病领域的渐进式创新。 技术路线上，物理和数据融合的混合建模已经是明确的方向，纯黑箱的AI在制药这种高风险领域很难走到底。生物学大模型是现在的热点，就像大语言模型改变了NLP一样，在海量生物数据上预训练的基础模型，很可能会成为未来所有AI制药工具的底座。多模态融合也是必然趋势，把化学结构、蛋白结构、细胞图像、组学数据、临床记录这些不同类型的数据打通，我们才能对生物系统有更完整的理解。AI和自动化实验室结合的"自主实验室"也在从概念走向现实，AI提假设、设计实验，机器人去做，跑完自动分析结果再迭代，真正把"设计-构建-测试-学习"的闭环跑通。 从覆盖范围来说，AI正在从小分子向PROTAC、ADC、抗体、疫苗、细胞基因治疗这些新模态扩展，也在从研发前端向临床、生产、上市后全生命周期延伸。它不会是某个单点的突破，而是慢慢渗透到制药行业的每一个毛细血管里。 现在的AI制药，正好处在从"证明AI能做"到"证明AI能创造多大价值"的转折点上。前十年大家在回答第一个问题，答案已经很清楚了；接下来的十年，我们要回答第二个问题，这个答案只能靠一个又一个真正走到患者身边的药物来写。 AI不会取代药物科学家，但是会用AI的科学家，一定会比不用的人走得更快、走得更远。说到底，所有技术的终极意义都很朴素：让更多好药，更快一点，更便宜一点，走到需要它的人身边。这条路还很长，但方向是对的。

2026年6月，人类医学史翻开了新的一页。 一支疫苗通过了第一期人体临床试验。听起来没什么特别的——全球每年有几百种疫苗进入临床试验。 但这支不一样。 它不是人类科学家设计的。是一个AI。 BBC的标题直接用了三个词："World-first vaccine designed by artificial intelligence"（世界首次，人工智能设计的疫苗）。Fox News、南华早报、Medical Xpress、ScienceDaily——全球主流媒体几乎在同一天推送了这条新闻。 而且这还不是一支普通的疫苗。它是"通用"冠状病毒疫苗——不仅能防现在的病毒，还能防未来可能出现的新型冠状病毒。 换句话说：AI可能刚刚帮人类挡住了下一次大流行病。 ▲ AI在实验室中设计疫苗分子——不再是科幻 一、这支疫苗到底什么来头？ 先搞清楚几个关键事实： 问题答案 谁设计的？AI算法，不是人类科学家 防什么？冠状病毒家族（COVID、SARS、MERS + 未来可能出现的变种） 试验阶段第一期人体临床试验通过（安全性验证） 怎么打？无针注射（贴片或喷雾） 什么时候能用？专家说还需要几年（第二、三期试验） 最关键的词是"通用"——Universal。这不是针对某一种病毒的疫苗，而是针对整个冠状病毒家族。 Medical Xpress的解释是：AI分析了数万种冠状病毒的蛋白结构，找到了所有病毒共享的"弱点"。然后设计了一种能同时攻击所有弱点的疫苗。 这个分析量，人类做不完。AI几天就搞定了。 二、AI到底是怎么设计疫苗的？ 传统疫苗研发流程： 科学家观察病毒 → 猜测哪个部位是弱点 → 设计疫苗 → 体外测试 → 动物实验 → 人体试验 这个过程通常需要5-10年，成功率不到10%。 AI的做法完全不同： 1. 蛋白质结构预测 AI（很可能用了类似AlphaFold的技术）先分析冠状病毒的刺突蛋白结构。不是分析一种病毒，而是同时分析数万种冠状病毒变体。 2. 找"不变的部分" 病毒变异很快，但有些核心结构几乎不变——就像一个人的指纹不会因为换了衣服就改变。AI的任务就是找到这些"指纹"。 3. 设计"万能钥匙" 找到不变的部分后，AI设计一个能精确匹配这个部位的免疫反应。不管病毒怎么变异，只要"指纹"不变，疫苗就有效。 4. 无针递送系统 这支疫苗还有一个关键创新：不用打针。根据Medical Xpress的报道，它使用了一种无针递送技术——可能是微针贴片或鼻腔喷雾。 这意味着：不需要冷链、不需要医护人员操作、可以自己使用。 这对发展中国家来说，是革命性的。 三、人体试验结果如何？ 第一期临床试验的主要目的是验证安全性，而不是有效性。 根据多家媒体的综合报道： 指标结果 安全性✅ 通过。没有严重不良反应 免疫反应✅ 产生中和抗体和T细胞反应 广谱性✅ 对多种冠状病毒变体均有反应 持久性🟡 需要更长时间观察 对未来的变体🟡 理论上有效，但无法直接验证 Medical Daily的报道特别加了一句谨慎提醒："研究人员警告，距离实际应用还需要数年时间。" 但考虑到传统疫苗从设计到一期临床通常要3-5年，AI把这个过程压缩到了一个惊人的程度。 四、AI制药：比你想的快得多 这支疫苗不是AI在制药领域的第一次亮相，但绝对是最高调的一次。 回顾AI制药的里程碑： 时间事件意义 2020年AlphaFold破解蛋白质折叠解决了50年未解的生物学难题 2022年AI发现新型抗生素Halicin能杀死多种耐药菌 2023年首款AI设计药物进入临床试验用于治疗特发性肺纤维化 2024年AI筛选出抗衰老分子在动物实验中延长寿命20% 2026年AI设计的通用疫苗通过一期临床AI首次设计疫苗并进入人体 从50年未解难题，到设计疫苗进入人体，只用了6年。 按照这个速度，10年内AI可能成为新药研发的主力军。 五、这意味着什么？ 1. 下次大流行病，人类可能有"防火墙" COVID-19从发现到疫苗上市用了不到一年——这已经是人类历史上前所未有的速度。但这一年里全球死了几百万人。 如果有了通用冠状病毒疫苗——下次出现新病毒时，不是从零开始研发，而是直接启用"预装"的防护。 这就像给人类装了一个"防火墙"，能挡住整个病毒家族。 2. 制药行业的范式转变 传统制药："试错法"——试1000个分子，找到1个有用的。 AI制药："精准设计法"——AI计算后直接告诉你要造什么。 前者像用炸药炸鱼，后者像用鱼叉捕鱼。效率和成本差了好几个数量级。 3. 穷人也能用上好药 无针递送 + 不需要冷链 + AI降低研发成本 = 廉价疫苗。 这对非洲、东南亚等医疗基础设施薄弱的地区，是真正的救命技术。 ▲ 通用疫苗概念图：一个盾牌保护人类免受多种病毒攻击 六、警惕和争议 不是所有人都欢呼。 1. "还需要几年"不是开玩笑 一期临床只验证安全性。二期要验证有效性，三期要大规模验证。历史上很多药物一期很好，二三期翻车。 2. AI黑箱问题 AI为什么选这个蛋白结构而不是那个？它"思考"了什么？——我们不完全知道。这让监管审批变复杂。 3. 免疫系统是复杂的 通用疫苗听着很美好，但人体的免疫系统不是"一把钥匙开所有锁"。不同病毒的感染机制不同，一个通用疫苗可能对某些变体效果有限。 七、写在最后 2026年6月，人类做到了三件事： 第一，让AI设计了一支疫苗——不是人类辅助AI，是AI主导设计。 第二，这支疫苗通过了人体试验——安全性被验证了。 第三，这支疫苗是"通用"的——它瞄准的不是一种病毒，是整个冠状病毒家族的共同弱点。 这是AI从"帮人类算东西"变成"帮人类保护生命"的转折点。 COVID-19改变了世界。下一次大流行病什么时候来？不知道。但这次，AI可能已经帮我们准备好了答案。 不是"可能"，是"正在准备"。 声明：本文基于BBC、Medical Xpress、ScienceDaily、Fox News、Medical News Today、南华早报等公开报道撰写，不构成医疗建议。疫苗目前仍处于临床试验阶段，实际效果和上市时间需等待进一步验证。