ISM-3091

不知不觉AI应用已经拓展到了制药领域，这个进展算是挺快的，对于医药研发领域肯定能够提升效率、缩短周期。公司早在2018年，已经开始将AI应用于药物发现。     公司2014年在美国成立，创始人Alex Zhavoronkov成长在加拿大，2019年把科技总部设立在上海，是国内AI驱动药物发现、开发的企业。业务围绕自主研发的Pharma.AI平台开发，覆盖靶点发现、分子设计到临床试验的全流程，构建了30+创新管线，覆盖多个领域。 行业资料     药物研发主要分为药物设计、临床两个主要阶段，临床阶段是药物研发最主要的成本，药物设计阶段AI可以缩短发现时间，从药物发现过程平均5年缩短到2年内。目前，市场上真正由AI设计的新分子在临床2、3期的仅有10-15款左右，大部分集中在肿瘤和罕见病。AI明显提升了临床前的效率，AI分子发现1期临床成功率高于制药行业的平均水平（40%-65%），但还没有显著提升临床2期的成功率。     当前，AI制药主要分为二种模式；     1、SaaS/CRO服务型：卖工具及服务，向药企提供软件或计算服务，收取服务费，这种模式好处是风险比较低，不承担临床失败的风险，但也面临更多的竞争；     2、AI Biotech：利用AI平台开发自有管线，独立推进到临床，这种模式回报比较高，风险是要面临失败的可能；     AI药物发现主要优势：分析大量数据，缩短药物发现的时间周期，预测药物特性及成功率，帮助研究人员筛选出更好的候选药物，减少资源浪费。  核心业务     1、药物研发：利用Pharmma.AI平台发现新靶点，设计开发针对特定疾病的候选药物，自行推进管线至临床阶段，保留全部知识产权。除了自研的方式，还与合作伙伴共同开发，分担研发成本并共享权益。对外授权的方式是将成熟管线授权给药企，获取首付款、里程碑付款及销售分成；     2、软件解决方案：AI平台以SaaS或私有云的形式授权给外部客户；     公司借助生成式AI平台，公司已经开发出的管线覆盖肿瘤学、免疫学、代谢等领域。Pharma.AI公司自主研发的生成式AI驱动端到端药物发现与开发系统，覆盖从靶点发现到临床试验预测的全流程，能够显著缩短研发周期，2020年上线商业化。 授权     1、公司与Exelixis签订独家许可协议，授权开发、制造及商业化临床前候选药物ISM3091（潜在bic，是一种针对泛素特异性蛋白酶1的小分子抑制剂，用于潜在治疗同源重组修复缺失相关癌症，与BRCA突变相关的癌症，如乳腺癌、卵巢癌及前列腺癌），首付款0.8亿美元，开发里程碑最高1亿美元，商业里程碑最高7.75亿美元；     2、公司与Stemline达成协议，授权全球独家开发和商业化ISM5043(小分子KAT6抑制剂，用于之路多种实体瘤），首付款0.12亿美元，开发里程碑最高1.5亿美元，销售里程碑3.44亿美元；     3、公司与Stemline达成另一项协议，候选药物未公开，针对肿瘤领域的疾病，首付款0.2亿美元，开发、商业化里程碑最高5.5亿美元； 市场规模     2024年全球AI制药市场规模达到17.58亿美元，国内在5.62亿人民币，还处于初期阶段。 总结     没细看之前，以为公司是为药企服务，提供AI研发业务，其实不是，公司更像用了AI的药物发明企业，想要从海量的生物学数据找到全新的治病靶点，然后一点点的把药做成功，本质上是一家AI驱动的创新药企业，效率上肯定是会优于传统的创新药企业，但对于新药成功率依旧难以把握。

会议推荐 2026第三届中国医药企业项目管理大会 2026第二届中国AI项目管理大会 2026第十五届中国PMO大会 2026第五届中国项目经理大会 本 文 目 录 1、2026，AI制药的「变局之年」:我们准备好了吗? 2、AI制药爆发元年:全球创新药研发正经历一场""静默革命"" 3、AI制药不只是算法的胜利，更是产业协同的结果 4、AI制药:从数据到药物的集大成者 5、AI制药:热潮中的新启示 一、2026，AI制药的「变局之年」:我们准备好了吗? （分子势能） 说来也巧，已到年底，和几位药企老友聊天，大家不约而同地提到一个词——「风向变了」。 是真的。 回看2025年，从年初的《医药工业数智化转型实施方案》，到下半年国务院“人工智能+”行动正式发布，再到“十五五规划”点名生物制造——风向很明确：国家不仅在鼓励，更在系统性地推着AI和药研往深水区走。 “这不再是试水，这是造浪。” 01 窗口期真的来了， 但红利是给有准备的人 政策推一把，是好事。但真正考验一家AI制药公司的，是你能不能帮客户解决实际研发里的“痛点”，而不只是讲一个“故事”。 我们内部常说：2026年，客户要的不再是“AI能做啥”，而是 “你的AI在我这儿怎么用、能省多少时间、能提高多少成功率”。 这不是一句空话。 去年我们跟一个做双抗的团队合作，他们卡在亲和力和稳定性怎么都平衡不好的“死循环”里。我们用自研的 DualGPT-AB 框架，几周内筛出了一批同时满足多个条件的候选分子。后来对方老大开玩笑说：“以前是‘猜’，现在是‘设计’。” 话糙理不糙。 2026年，能活下来、活好的AI制药公司，一定要能交付确定性，哪怕只是一小步。 02 行业在悄悄转向， 三大变化值得关注 我们平时和很多Biotech、MNC、CRO打交道，能明显感觉到几个趋势正在发生： 第一，工具再好，也得成系统。 前几年大家喜欢用“单点工具”——靶点发现用一个，分子优化用一个。现在越来越多人意识到：数据流断了，价值就断了。 我们从一开始就坚持做“干湿闭环”，MolPE BioX 平台去年已经跑了十几条管线，从靶点挖掘到湿实验验证全在系统里走。有个客户反馈很直接：“我不关心你用了什么模型，我关心的是实验结果能不能直接反馈给AI，让它越跑越聪明。” 第二，大分子正在成为“主战场”。 小分子的AI设计已经很卷了，但抗体、ADC、多肽、基因治疗载体——这些大分子结构更复杂，设计难度更高，也正是AI最能发挥价值的地方。 我们去年把大部分研发精力都投在这儿，不是因为追风口，而是真实看到需求在爆发。尤其是多属性同步优化，几乎成了每个大分子项目的“必答题”。 第三，合作模式在变“深”。 以前大多是“你买我软件”或者“我帮你做个项目”。现在越来越多客户问：“能不能一起推管线？成了我们一起分。” 我们觉得这是好事。去年我们试水 “Flex-Scale”模式，既有SaaS订阅降低使用门槛，也开放管线联营、共享里程碑。有一家和我们联营的Biotech，临床前阶段整整省了14个月。 03 我们怎么帮客户 抓住这波机遇？ 说实话，我们不太喜欢讲“颠覆”，更愿意说“陪你走一段”。 如果你需要快速试错——我们平台已经内置了20多个研发模型，开箱即用，支持零代码操作。有客户自己团队没AI背景，两周就跑通了第一个抗体生成实验。 如果你有明确管线但卡在某个环节——我们可以做深度定制，从靶点发现到分子优化，甚至共建实验验证流程。去年有个ADC项目，毒性一直降不下来，我们调了算法框架，在保持活性的前提下把毒性压低了20%。 如果你想轻资产探索新方向——我们可以联营推进，共享成果。省去你自建AI团队的时间与试错成本。 04 最后说两句真心话 AI制药走到今天，早已不是“画PPT”的阶段。 2026年，会是检验真功夫的一年——谁的技术能落地、谁能真正帮药企缩短周期、降低成本，谁才能活下来，甚至活得好。 我们也还在路上。 但有一点很确定：这个行业需要的不只是技术公司，更是懂研发、懂场景、能并肩作战的伙伴。 如果你也在思考2026怎么走，欢迎来找我们聊聊。不一定非要合作，哪怕只是交换些行业观察，也挺好。 二、AI制药爆发元年:全球创新药研发正经历一场""静默革命"" （原创  与你常在 柳叶方舟）  临床管线井喷 • 全球已有 >75个 AI设计药物进入临床阶段（2023年仅约12个） • 其中约70%处于 I–II期，10%已进入 IIb/III期准备阶段 • 覆盖领域包括：肿瘤（42%）、纤维化/呼吸疾病（18%）、神经退行性病（15%）、代谢与免疫疾病（25%） • 速度刷新纪录 • 最快管线：Exscientia × Recursion 合作项目——18个月完成“靶点→IND”（传统平均需4–6年） • Insilico Medicine：Rentosertib（IPF药物）从AI生成到IIa期读出仅用28个月 • 辉瑞新冠口服药PAXLOVID：AI辅助将预临床开发压缩至4个月（原需4年） 辉瑞新冠口服药PAXLOVID • 商业价值爆发 • 单笔最高合作：XtalPi×DoveTree —— $5.99亿（含里程碑与权益分成） • 平均前期付款：$50–200M；总潜在价值中位数 $1.2B 关键判断：AI制药已跨越“可行性验证”，进入规模化临床验证期——接下来3年是决定成败的“死亡谷穿越期”。三大技术支柱：AI如何重构药物研发全链条？靶点发现：从“经验猜测” → “系统计算” • 传统方式：文献综述 + 少量组学验证 • AI革新方式：多源异构数据融合 + 网络推理 • 典型案例： •AlphaFold3（DeepMind）：新增配体/核酸互作预测，可建模蛋白–小分子动态结合。 •PandaOmics（Insilico）：整合>10亿文献+临床组学+专利数据，构建疾病关联网络。 •BioAge Labs：用GNN挖掘“衰老代谢通路”，锁定全新抗衰靶点。 效果：靶点发现周期从12–24个月 → 3–6个月；成功率提升2–3倍（内部验证）分子设计：AI化身“超级化学家” • 核心能力突破： • 生成性化学空间扩展：扩散模型/VAE可生成10⁶⁰+ 化学上合理的新分子（远超ZINC库10⁹规模） • 多目标协同优化：同步优化靶点亲和力（pIC50 >8）、ADMET性质（Caco-2 >20，hERG <30%）、合成可行性（SA Score <4） • 逆合成规划：AI自动推荐3步以内可合成路径（如PostEra平台被辉瑞用于PAXLOVID中间体优化） • 典型案例： • Rentosertib（Insilico）： • 全AI生成的TNIK抑制剂（无已知类似物） • IIa期（N=84）：FVC改善 +98 mL（vs 安慰剂 -20 mL；p=0.03） • 首次证明 AI生成分子可达成临床生物学获益 Nat. Med. 2025; DOI:10.1038/s41591-025-0267-4 • Exscientia + Recursion 合并： • 全球最大机器人湿实验平台（>50台自动化工作站） • 实现 “AI设计 → 机器人合成 → 高内涵表型筛选”闭环 • 2024年推进4个全新靶点分子进入临床前开发 Exscientia + Recursion 合并临床开发：从“粗放试错” → “精准预测” • 患者招募革命： • AI匹配电子病历 + 基因组 + 影像数据 → 入组效率提升3–10倍 • 诺华案例：黑人/非裔患者招募比例提升至2.7倍行业均值（解决代表性偏差） • 试验设计智能化： • 合成对照臂（Synthetic Control Arms, SCAs）： • 利用RWD构建虚拟对照组，减少安慰剂组患者数量 • FDA已接受2项SCA支持的NDA（2024） • 数字孪生预测 • 输入患者基线数据 → 生成虚拟个体 → 模拟不同给药方案反应 • 用于罕见病/儿科试验设计（如Recursion的神经退行病项目） • 风险预警：      • AI实时监控CRO数据流，自动识别异常中心/数据漂移 → 提前干预 • 辉瑞Saama工具将数据质疑（Query）处理时间从3周→22小时 全球竞争格局：谁在定义未来？AI原生公司（技术驱动型） 公司 核心平台 进展亮点Insilico Medicine Pharma.ai（PandaOmics+Chemistry42+inClinico） •Rentosertib进II期  • 3条管线进入IND-enablingXtalPi ID4智能实验平台 + QM/ML分子建模 • 小分子晶体结构预测准确率 >95%  • 自动化合成–测试闭环Generate:Biomedicines 生成式蛋白质设计（Generative Biology） • 从头设计细胞因子/酶/TCE双抗  • 半衰期 >48h，无免疫原性大型药企（生态整合型） 公司 战略路径 关键举措辉瑞 自建+并购+合作三维驱动 • 自主平台VOX：整合靶点→临床全链  • 合作XtalPi（分子建模）、PostEra（合成）、Truveta（RWD）诺华 算力+人才+生态三位一体 • 与NVIDIA共建主权超算Gefion（5 exaFLOPs）  • AWS虚拟筛药：39年计算量→9小时 • 举办DSAIs挑战赛，培育200+内部AI科学家GSK 聚焦高价值细分赛道 • 启动£4500万“弗莱明倡议” • 专攻AI+抗耐药菌（如bepirovirsen靶点分型） 黄仁勋和丹麦国王为丹麦首台人工智能超级计算机"Gefion"揭幕 趋势总结： • 并购整合（Exscientia × Recursion）→ 补齐湿实验短板 • 平台授权（Schrödinger、Insilico Nach01）→ 软件+管线双变现 • 云+算力基建（AWS HealthOmics、Azure BioMed）→ 成为新“水电煤” 冷思考：三大瓶颈仍需跨越 挑战 具体表现 潜在解决路径临床转化鸿沟 尚无AI药获批；II期成功率未显著高于传统管线 • 加强早期生物标志物验证  • 构建“AI预测–湿实验–临床响应”反馈闭环数据孤岛与质量 80%数据非结构化；跨机构共享难；人群代表性不足 •联邦学习（MELLODDY项目：9家药企联合建模）  • 政策推动医院–药企RWD协作监管与IP不确定性 •FDA/EMA要求AI模型可解释性 •USPTO拒绝AI为发明人（Thaler案） • 采用SHAP/LIME解释模型  • 探索“人类主导+AI辅助”专利撰写范式 “AI缩短了‘时间’，但没降低‘不确定性’——我们仍需理解失败背后的生物学逻辑。”未来3–5年四大趋势预测 1. AI + 自动化实验室 = 新研发基础设施 • Recursion OS、XtalPi ID4、Insilico R2D2 将成为Biotech标配 • 目标：实现“7×24小时无人化分子迭代” 2. 多模态大模型成为靶点发现新引擎 • 融合：蛋白结构 + 单细胞转录组 + 医学影像 + EHR文本 • 下一代模型将具备“假设生成能力”（如：“若抑制X通路+激活Y受体，是否可逆转Z表型？”） 3. 高壁垒领域率先突破 • 罕见病：患者少、机制明确、监管灵活 • 抗耐药菌：临床终点清晰（如菌落清除率），开发周期短 • PROTAC/分子胶：依赖蛋白互作，AI结构预测优势显著 4. 中国力量加速崛起 • 政策：2025年《“人工智能+”三年行动计划》明确支持AI制药 • 优势：全球最大真实世界数据池 + 快速临床推进能力 • 潜力企业：晶泰科技、英矽智能（中国团队）、燧坤智能、未知君 结语：AI是“超级显微镜”，而非“万能钥匙” 这场静默革命的本质，不是取代科学家，而是🔸 将“试错研发”升级为“理性设计”🔸 将“经验驱动”进化为“数据–知识–决策闭环”🔸 将“十年十亿”范式，推向“更快、更准、更普惠”的下一代药物创新体系 三、AI制药不只是算法的胜利，更是产业协同的结果 （赖卫东 卫东小茶桌） ——从“AI+CRO”模式，看新药研发范式的变化 新年伊始，港股生物医药板块迎来一条引人关注的消息：一家以生成式人工智能驱动新药研发的企业成功登陆港交所，成为近期规模最大的港股生物医药 IPO 之一。 这不仅是一家企业的资本事件，更被行业视为 AI 制药赛道获得资本市场阶段性认可的重要信号。与此同时，与其长期深度协作的产业伙伴，也随之进入更广泛的行业视野。 从产业角度看，这背后真正值得关注的，并不只是“AI 很热”，而是一个正在逐步成形的新研发范式： AI + CRO，正在重塑新药研发的效率与边界。 一、AI 制药真正解决的，不只是“算得快” 过去几年，“AI 制药”几乎成了生物医药领域最具想象力的关键词之一。 算法筛靶、分子生成、虚拟筛选、结构预测……技术进步有目共睹。 但在实际研发推进中，行业逐渐形成一个更冷静的共识：AI 的价值，不在于生成了多少候选分子，而在于有多少分子，最终能走到 IND，走向临床。 从算法输出到临床前研究、PK 研究、安全性评价、申报支持，每一个环节都存在大量工程性、合规性和执行层面的挑战。这些“落地环节”，恰恰是传统 CRO 长期积累的核心能力所在。 二、“AI+CRO”，正在成为更现实、也更可持续的路径 在多个创新药与肿瘤项目的实践中，行业正在看到一种更务实、也更有效的协作模式： AI 企业 聚焦前端分子设计与优化，提升早期发现效率； CRO 企业 承接临床前研究、IND 支持与关键数据生成，保障研发节奏的稳定性与确定性。 这种模式，并不是“谁取代谁”，而是：用 AI 压缩探索空间，用 CRO 把不确定性转化为可交付的研发成果。 在实际项目中，尤其是在研发周期紧、节奏快的任务里，稳定的执行能力、数据质量和响应速度，往往比单一技术指标更具决定性意义。 三、从实践看：产业协同正在改变研发节奏 从行业观察的角度看，一些具备系统能力的 CRO，正在成为 AI 制药浪潮中不可或缺的一环。 以 美迪西 为例，作为国内较早布局创新药临床前研究体系的 CRO 之一，其在 PK 研究、IND 申报支持及多项目并行推进方面的经验，使其在与 AI 驱动研发团队的协作中，能够更快将算法成果转化为符合监管要求的研发数据。 这种协同并不体现在“概念叠加”，而体现在研发节奏的可控性与关键节点的成功率上。 这也是为什么在部分 AI 制药项目中，产业协同本身，正在成为影响项目成败的重要变量。 （说明：以上为产业观察层面的案例讨论，并不构成任何投资或商业判断。） 四、新范式的本质：效率与确定性的再平衡 如果从更宏观的角度总结，“AI+CRO”模式带来的变化，至少体现在三个方面：1️⃣ 从“技术展示”走向“工程效率” AI 不再只是展示模型能力，而是被放入完整研发流程中接受现实检验。 是否能够持续、稳定地产出可进入下一阶段的成果，成为新的评价标准。 2️⃣ 从“单点创新”走向“系统协同” 新药研发始终是多专业、多环节的系统工程。 AI 的加入，并没有改变这一点，反而让协同能力变得更加重要。 3️⃣ 从“想象空间”走向“资本可理解性” 当 AI 项目能够与成熟 CRO 能力深度结合，研发路径、风险边界与成本结构变得更清晰，这也更符合资本市场对“可复制、可验证模式”的期待。 五、对企业管理者与行业参与者的几点启示 站在 2026 年这个时间点回看，这一趋势至少带来三点现实启示： 对 AI 企业而言： 与其单打独斗，不如更早融入成熟研发体系，让技术更快走向现实成果。 对 CRO 企业而言： AI 不是威胁，而是放大自身价值的新工具，关键在于是否具备承接能力与系统协作能力。 对产业管理者与观察者而言： 真正值得长期关注的，不是某一次上市事件，而是新范式是否具备持续演化的能力。 结语：AI 时代，更需要“把事做成”的能力 技术浪潮来得很快，但产业真正向前推进，往往依赖的不是单点突破，而是长期、稳定、可复用的协同能力。 从“AI 制药”到“AI+CRO”，这条路径或许不够喧哗，却更接近新药研发的真实世界。 而这，也许正是这一轮 AI 医药浪潮中，最值得持续关注的地方。 四、AI制药:从数据到药物的集大成者 （原创 杨梦 郝晓红 药链IP） AI制药 ：从数据到药物的集大成者 01 AI制药打破研发魔咒 医药研发高度依赖资本投入，而当前资本市场正值寒冬，两者之间的矛盾日益尖锐。人工智能（AI）技术凭借数据、算法、自动化方面的优势，通过整合分析海量数据，实现了药物靶点发现、分子设计与筛选、药物代谢特性预测等环节的提速，使得药物研发尽可能避免人为干扰，过程趋于标准化，同时使药物研发周期和成本达成“双降”。AI驱动药物研发正成为高潜力赛道。 02 技术驱动国内重点企业专利布局 （1）国内AI制药领域专利申请趋势。 从TOP10的地域分布来看，国内AI制药领域专利主要集中于广东、北京、江苏、上海等经济发达地区，珠三角和东部沿海地区处于领先地位，中部地区相对落后，揭示出区域经济力和创新力的差异。 图1 各省份AI制药领域专利数量排名 申请时间上看，2016年前技术处于萌芽阶段，每年仅有零星几件专利申请，2017年后申请数量出现显著增长。平安科技、腾讯科技、百度网讯科技等企业在2019年后专利申请增速迅猛，形成第一梯队，这显示出企业受市场驱动更为明显。在高校中，浙江大学、电子科技大学、吉林大学等计算机优势院校表现突出。 图2 AI制药领域申请趋势 （2）技术热点看，贯穿于底层算法到药物预期用法的药物早研全流程。 平安科技在医疗领域持续深耕，具有数据广度和深度优势，技术聚焦靶点预测，且各领域布局均衡；腾讯科技基于算法和“云深智药”平台优势，主攻药物分子设计；百度网讯基于AI平台优势，均衡布局从靶点到药物用途预测各环节。三大科技巨头技术聚焦明确，但在“个性化算法”、“数据处理”、“机器学习”、“文本识别”方向专利较少，揭示该领域底层创新不足。 图3 AI制药领域重点企业技术热点 对重点企业进行技术功效对比分析，平安科技聚焦于提高准确性、提高效率、降低成本等技术应用功效，腾讯科技与其类似，专利数量稍逊一筹；需要注意的是，百度网讯科技在计算精度和模型可解释性方面存在专利空白。 图4 AI制药领域重点企业技术功效 03 合作共享为AI制药发展提供新机会 国内AI制药TOP10申请人中，高校占据了较多席位： 未来，对于高校，可以对市场层面未解决的基础技术进行挖掘，同时持续底层技术建设。对于企业，可以关注与高校之间的技术合作机会，加强产学研协作，建立差异化的平台技术壁垒。 互联网企业与传统药企存在领域内的资源互补： 互联网企业掌握着AI制药必备的算法与算力，在药物临床前研发方面具有先行者优势，传统药企掌握着生物医药数据资源。互联网企业可以通过授权许可、股权投资等商业模式与传统药企绑定，实现技术价值快速验证和研发风险分摊，同时借助传统药企的产业化、商业化能力加速成果产出。 截至2025年，尚无从头设计的药物分子成功上市，AI制药领域迎来了关键验证节点。当前AI在靶点发现至临床设计多体现为“效率工具”，对研发整体成功率未产生明显影响，促成相关成果落地成为当下AI制药领域的重中之重。随着技术迭代、市场推进、监管政策完善，行业终将会迈入集中产业化阶段。 五、AI制药:热潮中的新启示 （原创 药明康德 药明康德）药明康德内容团队编辑 人工智能（AI）领域是2024年备受关注的领域。2024年的诺贝尔物理学奖授予了为机器学习（ML）奠基的科学家，而诺贝尔化学奖则授予了David Baker教授，Demis Hassabis博士和John Jumper博士，表彰他们利用AI在蛋白质设计和蛋白质结构预测方面做出的贡献。此外，多家致力于利用AI加速药物发现和开发的新锐公司获得融资，其中David Baker教授联合创建的Xaira Therapeutics公司获得超过10亿美元的融资，是去年融资数额最高的初创公司之一。 在今天的文章中，药明康德内容团队将基于近日《自然》子刊Nature Cancer上发表的评论文章以及公开资料，盘点AI在药物发现和开发不同阶段的影响。 早期药物发现阶段 AI应用于早期药物发现阶段的一大优势在于AI可以大规模进行虚拟筛选，或者同时进行多个实验，从而提高筛选化合物的规模和将苗头化合物推进为先导化合物，以及候选疗法的速度。麻省理工学院教授Jim Collins博士在接受药明康德内容团队采访时表示，研究人员可以用小规模的化合物库训练AI模型，然后使用这些模型来探索庞大的化学空间。这让他的团队能在几天内完成对包含数十亿种化合物的虚拟化合物库的筛选。这是常规实验无法实现的。 Lantern Pharma公司首席执行官Panna Sharma先生在接受Nature Cancer采访时表示，该公司的抗癌研发项目从最初AI产生的洞见到进入首个人体临床试验，花费的时间大约是传统策略的一半，同时可降低成本高达80%。其它利用AI进行药物开发的公司，比如Recursion和英矽智能（Insilico Medicine）也有类似的体验。人工智能虽然目前不能取代实验，但是能够让研究人员更快地完成正确的实验，从而改善成功率。 老药新用和组合疗法开发 人工智能对癌症治疗的早期影响之一可能体现在重新利用失败或被淘汰的药物上。以上面提到的Lantern公司为例，其人工智能平台汇集了数百亿与肿瘤学相关的数据点。这些数据来自科学研究、临床试验和数据库。通过机器学习预测患者对候选药物的应答，人工智能可以快速发现此前未被发现的新适应症，或者鉴定出尚未完全表征的新癌症亚型及其生物标志物。 例如，Recursion公司的精准肿瘤学管线中包括一款曾被终止开发的MEK1和MEK2别构小分子抑制剂。通过将该分子与各种疾病和细胞模型进行交叉验证，Recursion利用机器学习算法确定了该药物可能的最佳适应症。目前，这款疗法针对具有AXIN1或APC突变的晚期或转移性癌症患者的2期临床试验正在进行中，初步数据预计将于2025年公布。 图片来源：123RF 识别有效的药物组合是人工智能的另一个应用方向。目前测试药物组合的工作既艰难又耗时，而人工智能可以通过分析所有临床试验的数据，更快速地预测哪些药物构成的组合疗法更为有效。例如，Turbine公司使用其细胞模拟平台为Debiopharm的WEE1抑制剂Debio 0123寻找新的组合疗法，并帮助发现和验证了酪氨酸激酶抑制剂cabozantinib作为组合疗法的一员。 设计全新化合物 生成式AI针对指定靶点的特征，定制新分子结构以实现特定治疗效果的能力尤其令其支持者感到兴奋。目前的生成式AI在临床前研究中已经表现出根据靶点特征，从头设计全新蛋白或小分子化合物的能力。例如，诺奖得主David Baker教授的团队在《科学》杂志上发表论文，介绍了增强版的蛋白模拟工具RoseTTAFold All-Atom和蛋白设计工具RFdiffuion All-Atom。RoseTTAFold All-Atom让科学家们可以模拟蛋白质与其它生物分子的相互作用。RFdiffuion All-Atom则让科学家们能够根据与特定化合物结合的口袋，从头设计全新蛋白质，有望为设计精准疗法铺平道路。 多家新锐公司已经成立并致力于利用人工智能进行蛋白质设计。例如去年获得10亿美元资金支持，由David Baker教授联合创建的Xaira Therapeutics。此外，Nabla Bio公司去年与阿斯利康（AstraZeneca）、百时美施贵宝（Bristol Myers Squibb）和武田（Takeda）等大型医药公司达成战略合作，预付款、里程碑付款总计可达5.5亿美元。 另一方面，当前临床研发管线中AI生成的生物分子大部分仍然与现有分子类似，它们经过调整以改善其选择性或降低非靶点毒性。例如，英矽智能公司开发的USP1抑制剂旨在针对携带BRCA突变的癌症。USP1是一种调节DNA损伤响应通路的去泛素化酶，并非一个全新的靶点。英矽智能公司开发的ISM3091在临床前安全性实验中表现出良好的耐受性和较大的安全窗口。目前，该药物正在进行1期临床试验。 Recursion公司的一款新临床期抗癌候选药物是由Exscientia设计的CDK7抑制剂，目前正在进行1/2期试验，目标患者为对标准治疗无效的实体瘤患者。CDK7是调节癌基因转录和细胞周期进程的关键因子，是一个经过广泛研究的靶点。目前已有数种非AI生成的抑制剂处于临床试验阶段，不过其中一些候选药物在实现足够宽的治疗窗口方面遇到了困难。Recursion/Exscientia设计的候选药物对抑制CDK7活性的程度和持续时间进行了精准控制，具有“best-in-class”的潜力。去年12月公布的初步临床试验结果显示，这款名为REC-617的药物表现出良好的安全性，在剂量递增阶段尚未达到最大耐受剂量。虽然这一研究目标不是评估药物的效力，但是接受治疗的一名卵巢癌患者已获得确认的部分缓解，并且治疗持续时间已经超过6个月。另有4名患者在接受治疗长达6个月时维持疾病稳定。 临床试验设计和执行 候选药物仍然需要证明它们在人类中的疗效，这离不开临床试验。在药物研发过程中，临床试验占用了研发的大部分成本和时间，因此即使是小幅的效率提升也能带来巨大的影响。 Recursion利用来自专业数据收集机构（如Tempus等）的临床和多组学数据，基于人工智能模型以识别可能产生最佳应答的患者。改善患者筛选不仅意味着更小规模的试验，还在理论上提高了成功率。 人工智能还可用于发现合适的患者并确定最佳试验地点，从而最大化加速患者招募。业界专家指出，大型医药公司多年来一直将人工智能应用于临床试验的运营，以提高患者招募的效率和参与者的多样性。 结语 Atlas Venture公司合伙人，著名投资人Bruce Booth博士在该公司的2024年终盘点中表示，AI/ML领域的进展日新月异，然而如何分辨炒作和现实却是一大挑战。由于人体生物机制的复杂性和现有用于训练AI模型的数据库的缺陷，在可以预见的未来，AI给新药开发带来的是进化（evolution）而不是革命（revolution）。现今的人工智能并不能将为期数年的新药开发过程缩短到几周内完成。Nature Cancer的评论文章也表达了同样的观点。 ▲AI对新药开发不同阶段均能产生显著影响（图片来源：参考资料[2]） 然而不可否认的是，AI将会对新药开发的不同阶段均产生深远的影响。英矽智能公司首席执行官Alex Zhavoronkov博士在接受Nature Cancer采访时表示，未来10年里将出现AI助力药物发现和开发的有力证据。他表示，这将包括展示“从靶点发现到药物设计的清晰且有据可查的路径”，并开发出真正造福患者的重磅疗法。2025年已经到来，飞速发展的人工智能又会带来哪些惊喜和突破？让我们拭目以待！ end 本公众号声明： 1、如您转载本公众号原创内容必须注明出处。 2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。 3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。 4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。