2026 年最新发表于《Frontiers in Oncology》的综述,整体比较务实。这篇文献梳理了 AI 在癌症药物发现各环节的作用,并重点评析其临床转化证据——既包括令人鼓舞的 I 期成功率与 rentosertib 的随机 IIa 期信号,也包括 II 期瓶颈与失败案例所揭示的边界。
一、引言:把 AI 定位为“增强智能”
人工智能正从概念走向药物研发全流程。作者强调,AI 并非替代研究者,而是“增强智能”(augmented intelligence),用于辅助决策、生成假设与排序实验优先级。癌症是 AI 最具挑战、也最具价值的场景:疗效取决于基因变异、表观状态、信号网络、肿瘤微环境、免疫与代谢的多层交织,统计相关的分子特征未必具有治疗因果性。因此,转化型 AI 必须区分“疾病相关生物标志物”与“肿瘤维持所必需、且体内可成药”的靶点——这在患者间与瘤内高度异质的精准肿瘤学中尤为关键。
图 1 人工智能、机器学习、深度学习与新兴基础模型在癌症药物发现中的层级关系二、技术演进:从机器学习到基础模型
文章梳理了 20 世纪 50 年代至今的演进:早期计算药物研究受算力所限;2000 年代机器学习与计算化学崛起;2010 年代深度学习进入筛选、蛋白结构与毒性预测;2018–2020 年图神经网络(GNN)与 AI 临床监测成为转折;2022 年后生成式 AI 与基础模型进一步支持智能设计。方法学上,小规模结构化数据适合随机森林、SVM 等经典模型;高维、非线性的分子/影像/组学数据更适合 CNN、GNN、几何深度学习与 Transformer;生成式模型(VAE、GAN、强化学习、分子语言模型)可对活性、选择性、ADMET、可合成性多目标联合优化,但其产出应视为“候选提案”而非“候选验证”。
图 2 1950–2020 年 AI 在癌症药物发现中的演进
图 3 癌症药物发现中的“人—AI—实验”反馈闭环三、全链条应用:从靶点到临床运营
AI 贯穿靶点识别(TID)、分子设计、药物相互作用(DDI)、ADMET 预测、药物重定位、临床试验与生产质控。TID 上,网络中心性、模块发现与多组学融合可推动“统计相关”走向“因果可成药”;AlphaFold3 能预测蛋白–配体、蛋白–核酸复合物,但对大于 5 Å 的构象变化与亲和力排序仍欠可靠,需实验验证。设计上,基于结构、基于配体与 de novo 三条路线并用;DDI 与毒性预测(DeepDDI、DeepTox 等)可在合成前筛除高风险分子。药物重定位则借 GNN 挖掘“疾病–靶点–化合物”的隐含关系,显著缩短研发周期。
图 4 AI 贯穿癌症药物发现与开发全周期
图 5 主要 AI 方法示意:SVM、随机森林、多层感知机、深度学习与语法 VAE
图 6 AI 辅助靶点识别(TID)的流程步骤
图 7 AI 在药物相互作用(DDI)中的应用四、临床转化:结果与冷静的评论
这是全文最有价值的部分。一项 2024 年分析显示,截至 2023 年底共有 24 个 AI 生成分子完成 I 期,其中 21 个取得 80%–90% 的 I 期成功率,远高于行业历史 40%–65% 的水平;但同一分析中 II 期成功率仅约 40%,且样本更小。作者据此给出审慎判断:AI 主要优化了分子的“成药性”与早期表现,却未消除“生物学问题”——靶点依赖性、耐药与肿瘤微环境仍是决定性变量。
真正具说服力的案例是 rentosertib(原 ISM001-055):在一项纳入 71 例特发性肺纤维化患者、覆盖中国 21 个中心的随机 IIa 期研究中,药物耐受良好并呈剂量依赖的用力肺活量(FVC)改善,被视为 AI 发现分子首个随机对照疗效信号;但它并非抗癌药,只能作为 AI 研发“整体成熟度”的证据,而非肿瘤领域的胜利。肿瘤管线中,pan-TEAD 抑制剂 ISM6331 于 2026 年 8 月获 FDA 快速通道资格(用于恶性胸膜间皮瘤),但快速通道不等于疗效;ENPP1 抑制剂 ISM5939、USP1 抑制剂 XL309/ISM3091、MAT2A 抑制剂 ISM3412 等多仍处 I 期或 I/II 期。反面案例同样重要:A2A 受体拮抗剂 EXS21546 的 I 期已完成,但其 Ib/IIa 肿瘤联合研究因难以达到合适治疗窗于 2023 年终止——提醒 AI 无法替代治疗窗与安全性的临床裁决。
图 8 药物开发管线中 AI 的应用与决策点
图 9 AI 在临床前、临床评价、监管审评与上市后警戒中的整合五、局限与治理
数据质量与代表性是根本约束:主要在特定瘤种、人群或化学骨架上训练的模型,回顾性表现优异却可能对未见人群泛化不良。随机划分易造成数据泄漏,应以骨架/时间/蛋白家族划分并做外部验证。可解释性(注意力、SHAP、反事实)只能提示关联,因果仍须实验确认。此外,商业平台的可重复性、数据隐私与伦理,以及监管(FDA 建议以“使用场景 COU”评估可信度)都要求透明记录与独立验证。六、结论
AI 正把药物发现重塑为“计算预测—临床前验证—临床洞察”的闭环人–机–实验生态;其价值应以生物学与临床决策的改进来衡量,而非单纯算力规模。AlphaFold3 等结构 AI 是重要进步,但仍需与实验互补。对肿瘤而言,AI 是加速器而非替代品——真正的胜负仍取决于对靶点生物学与耐药机制的深刻理解。
参考资料
De D, Chakraborty S, Banerjee S. Redefining drug discovery: AI-driven strategies for efficient cancer therapeutics. Front Oncol. 2026;16:1907591. doi:10.3389/fonc.2026.1907591
Jayatunga MKP, Ayers M, Bruens L, et al. How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons. Drug Discov Today. 2024;29:104009.
Xu Z, Ren F, Wang P, et al. A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nat Med. 2025;31:2602–2610.
Ren F, Ding X, Zheng M, et al. AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor. Chem Sci. 2023;14:1443–1452.
Pu C, Cui H, Yu H, et al. Oral ENPP1 inhibitor designed using generative AI as next generation STING modulator for solid tumors. Nat Commun. 2025;16:4793.