TNIK kinase(INSILICO MEDICINE)

引言：从政策高地吹响的集结号2026年4月7日，北京市医保局联合九部门发布了《支持创新医药高质量发展若干措施（2026年）》，坊间称之为"2026版32条"。这份文件延续了北京连续三年出台创新医药专项支持政策的传统，但今年有一个新的变化，AI技术被放在了创新药研发的最前端。这则消息放在行业资讯中算不上"爆炸"。真正值得注意的，是这种表述背后的认知转变——AI制药不再只是一个技术概念，而是正在成为政策制定者眼中可以"托付"的方向。回望过去五年，AI制药经历了从狂热到冷静、从概念到验证的关键蜕变。当资本的喧嚣退去，真正支撑这个产业继续向前的，是一系列正在发生的、可以被验证的变化。而2026年，恰好站在了这些变化的交汇点上。一、AI正在学会"设计药物"理解AI制药的当下，需要先看清它从哪里来。行业的第一次浪潮发生在2020年前后。基于Transformer架构的生物大语言模型、扩散模型、多模态基础大模型的相继爆发，紧随其后的是AlphaFold2的横空出世，让人类第一次用算法破解了困扰生物学半个世纪的蛋白质结构预测难题。AI制药由此从"辅助工具"升级为"全栈设计师"。它不仅能看海量论文找靶点，还能生成全新分子，甚至设计实验步骤。从技术演进的角度，这条路大致可以分为三个阶段：1.0阶段（1980-2012年）：AI本质上是传统计算机辅助药物设计的延伸，依赖人类已掌握的物理化学定律进行计算，不具备真正的创造力。2.0阶段（2012-2020年）：深度学习正式进入药物发现领域。AI开始成为"筛选机器"，分子被视作图像或文本进行高通量虚拟筛选，ADMET预测准确性大幅提升。这一阶段的代表是薛定谔的FEP+技术——它通过模拟分子在溶剂中逐渐变成另一个分子的热力学过程，精确计算结合能差异，预测精度可以达到1kcal/mol以内，逼近湿实验水平。3.0阶段（2021年至今）：生成式AI时代正式来临。AlphaFold2不仅破解了蛋白质结构预测难题，更重要的是它为大分子AI药物发现所需的海量高质量数据提供了基础。扩散模型与多模态大模型让AI具备了从靶点发现到分子生成的端到端能力。但技术迭代并非线性上升。当前AI制药正处于一个"局部突破、整体验证"的关键节点。在分子筛选环节，AI辅助下的虚拟筛选命中率已经从传统方法的0.6%提升至4.5%，FEP技术可以在3-4小时内完成活性评估，将原本需要数天的实验缩短至一天左右。多肽和环肽被认为是AI在大分子领域突破前的过渡方向，兼顾覆盖表位的能力和计算的可行性。然而，全新靶点的抗体设计仍是难题。DavidBaker实验室发表的文章承认，如果靶点已有历史成药抗体作训练数据，20个AI生成序列中可能筛到1-2个有结合活性的；但面对全新靶点，这一数字趋近于零。这种"能做的越来越强，暂时做不到的边界清晰"，本身就是一种进步。它让行业可以更务实地评估AI的能力边界，而不是用概念代替现实。二、2026-2027年是第一份答卷如果说技术迭代是"蓄力"，那么临床数据就是"出鞘"。2018年前后成立的那批AI制药公司，到今天已经有相当一部分管线进入了临床试验阶段。截至目前，全球尚无第一款以"AI设计"为核心卖点并获FDA批准的小分子药物。多数AI参与研发的药物仍处于临床I/II期。药物研发是一场漫长的长征，临床验证需要时间。2026-2027年，大量AI设计的药物将在这一时间段内完成从临床II期到III期的推进，届时将形成具有统计意义的数据样本（预估小分子、大分子合计超过100个临床药物），可以与传统药物约11%的总体成功率作对比。这是一场真正的"考试"。目前已有的数据证明，AI确实能提高临床I期的成功率，这很可能是因为AI的ADMET预测结构比较准确。但I期主要评估的是安全性，而非有效性。许多分子都折戟在了验证有效性的阶段。AI的真正价值，需要在临床II期和III期得到体现。英矽智能的ISM001-055是目前最受关注的AI制药管线之一。这是一款针对特发性肺纤维化的TNIK抑制剂，也是全球首个由AI发现靶点并由AI设计分子的候选药物。在IIa期研究中，用力肺活量（FVC）相较基线提升了98.4ml，而现有药物（如尼达尼布、吡非尼酮）在52周的研究中仅能做到减少FVC的下降。这意味着ISM001-055不仅可能延缓病情发展，甚至有潜力成为首个能"修好肺"的特发性肺纤维化药物。52周数据能否在更大规模的III期实验中保持现有的有效性，是当前最大的悬念。RelayTherapeutics的RLY-4008是一款FGFR2抑制剂，已提交NDA申请用于胆管癌，公司基于46.5%的客观缓解率申请了加速审批。GenerateBiomedicines的GB-0895是一款AI设计的抗TSLP抗体，已进入III期临床，针对严重哮喘和COPD，预计2028年公布顶线数据，这将是第一个验证大分子生成平台能力的案例。这些进展背后更底层的逻辑是AI制药正在经历从"叙事驱动"到"数据兑现"的切换。2021年前后的第一波上涨，核心催化剂是AlphaFold2的突破和COVID催化的融资热潮；但随后的崩盘同样惨烈，2022年，多个AI制药公司的股价从高点下跌70-90%，原因是临床成功率不及预期，市场开始重新定价。当下的复苏，是因为生物大语言模型带来了新故事，也是因为MNC对AI制药的持续加码。礼来、赛诺菲、罗氏、辉瑞等巨头在过去几年投入了数十亿美元与AI制药公司达成合作。但这一次，市场更理性了。临床数据不再是"预期"，而是"要求"。三、谁在受益，谁在改变技术演进的另一面是产业格局的重塑。MNC（跨国药企）是AI制药崛起最确定的受益者。这不仅因为AI是降本增效的工具，更重要的是AI模型迭代最核心的壁垒是数据，而MNC多年积累的生物实验数据为模型优化提供了最稀缺的资源。英伟达与礼来合作建立AI超算实验室、赛诺菲与多家AI公司达成总额超过100亿美元的合作、罗氏与Recursion的十年合作——这些动作不是试探，而是战略性押注。MNC的策略可以概括为"买"而非"竞"。他们不追求自建AI平台，而是直接收购具有潜力的AI制药公司或其管线。Biotech（生物技术公司）有望弯道超车，但需要好的平台。英矽智能、晶泰科技等公司已经证明了AI平台可以产生真正的管线价值。英矽的ISM001-055进入临床II期、与礼来达成超过27亿美元的合作、ISM3091以8000万美元首付授权给Exelixis，这些交易证明AI赋能的自研管线正在被市场定价。晶泰科技的模式更具特色。它不只做AI软件，而是将AI与机器人湿实验结合，形成了从设计到验证的闭环。每月超过20万条反应过程数据为AI模型提供专有的负样本数据，这是纯软件公司无法复制的物理壁垒。2025年，晶泰与DoveTree达成价值60亿美元的合作，并与礼来在双抗领域展开合作，标志着它从AI小分子正式迈入MNC级别的大分子/双抗梯队。对CRO/CDMO的影响，整体偏向正面。AI确实会对高通量筛选等传统订单产生替代，但也会催生新的需求。微软、亚马逊等科技巨头向国内CRO公司下单蛋白表达业务用于构建训练数据和验证AI模型，这是典型的增量需求。更重要的是，更多AI药物进入临床意味着更多IND申报、更多临床试验、更多NDA产品，毒理CRO、临床CRO和CDMO都会实质受益。当然，变化不是均等的。化学合成仍是不可替代的实物环节，药明康德、康龙化成等拥有大量实验数据和经验的CRO龙头依然稳健。但在早期研发环节，AI制药公司已经开始抢占原本属于传统CRO的市场，尤其是在低柔性靶点的分子设计和虚拟筛选上，AI公司的效率和成本优势正在扩大。四、春天真的来了吗为什么北京会在2026年的政策文件中，把AI放在创新药研发的最前端？一个合理的解释是，政策制定者看到了AI制药正在从"概念"走向"现实"的转折点。这不是盲目跟风，而是基于对产业进展的判断。从全球范围看，AI制药的监管框架正在走向成熟。2025年1月，FDA正式出台了AI在药物研发中应用的指南，要求制药企业明确AI的使用语境及评估模型风险，并建立一套验证其可信度的方法。FDA的态度可以概括为"积极拥抱、审慎监管"，核心监管落在AI模型的数据源透明度和可信度上，而非限制AI本身的使用。在国内，北京连续三年出台创新医药专项支持政策，2026版"32条"进一步升级。在AI驱动源头创新方面，政策提出开发不少于15种AI预测模型，覆盖靶点发现、虚拟筛选、蛋白质结构预测等环节；在资金支持方面，市、区及中央投资基金合计投资额度超过100亿元，资助早期项目不少于100个。但政策暖风不等于产业春天会自动降临。AIDD（AI药物发现）在国内普及仍面临约束：大分子算法精度不足（而国内药企研发重心正向大分子偏移）、药企付费意愿较低（市场推广仍处于"以人为核心"的阶段）、数据库质量差距（核心数据必须由公司自己采集，需要大量人工处理）。这些问题的解决需要时间，不能一蹴而就。更深层的挑战在于生态信任的建立。国内CRO公司的内部数据显示，2022年推出AI辅助抗体优化服务后，客户采纳率峰值约为40-45%，但之后回落至约30%。这说明仍有约70%的客户不愿采用AI优化，行业整体信心有所下降。在临床数据兑现之前，任何关于AI制药颠覆性的断言都需要谨慎。五、变化的三个信号为什么2026年是观察AI制药的好时机？答案不在于AI已经成功了，而在于三个变化的信号正在同时出现：第一个信号是验证节点的临近。2026-2027年，大量AI设计药物将完成关键临床数据读出。这不是"预期"，而是已经排上日程的事实。英矽的ISM001-055、Relay的RLY-4008、Generate的GB-0895、Recursion的REC-4881，这些名字在未来的12-24个月内，将从"管线代号"变成"临床结果"。无论成功与否，行业都会得到一份真实的成绩单。第二个信号是产业分工的清晰化。AI制药不再是"大而化之"的概念。软件服务、CRO模式、自研管线BD模式，每种商业路径的头部公司已经跑出来，能力边界和局限性也逐渐清晰。英矽证明了AI可以发现新靶点、设计新分子、获得MNC认可；晶泰证明了AI+机器人可以形成闭环；薛定谔证明了物理计算在亲和力预测上的不可替代性。这种分工让行业可以更理性地评估机会和风险。第三个信号是产业需求的刚性化。Eroom定律（每9年研发成本翻倍）困扰制药行业七十年。AI可能是目前最接近打破这一规律的工具，不是因为它能解决所有问题，而是因为它在某些环节已经证明了效率提升的价值：命中率从0.6%到4.5%，FEP将活性评估从一周缩短到一天，靶点发现从经验驱动到数据驱动。这些变化不是颠覆性的，但是真实的、累积的。结语：好戏才刚刚开始2026年不会决定AI制药的终局，但很可能是这场大戏的第一幕高潮。临床数据会给出答案，但不是全部答案。技术的演进从来不是线性的。AI在靶点发现上的局限、在全新抗体设计上的困境、在大分子领域的挑战，都是真实存在的。但这并不意味着方向是错的。北京在2026年的政策文件中把AI放在创新药研发的最前端，不是基于乐观的预期，而是基于对产业已经发生的变化的判断。AlphaFold2之后的五年，行业经历了狂热、崩盘、复苏、重建。当泡沫退去，真正留下来的，是那些被临床验证的进展、被MNC真金白银认可的能力、被产业分工检验出的商业模式。这些变化让2026-2027年成为了一个有价值的观察窗口。它不会给出"AI制药是否成功"的终极答案，但它会让这个问题变得更加具体。哪些公司在哪些环节真正创造了价值？哪些公司只是在贩卖概念？临床数据的分化会给出答案。好戏才刚刚开始。