核心结论先行: 2026年4月24日,澳门大学路嘉宏团队与杭州德睿智药牛张明团队在 Nature Biomedical Engineering(影响因子26.8)发表研究,开发出新一代AI筛选平台 DeepDrugDiscovery。该平台融合ADMET和血脑屏障穿透性预测,从百万级化合物中迅速锁定能穿透血脑屏障、不依赖mTOR通路的新型自噬增强剂——两个先导化合物在动物模型中成功清除AD相关蛋白聚集体并恢复记忆功能。一、6000亿美元,换来的是什么?在一串冷冰冰的数字里,这是最让人唏嘘的: 2000年至2017年间,全球33家顶级制药企业在阿尔茨海默病(AD)领域累计投入超过 6000亿美元 的研发费用[1]。砸进去的几乎是人类医学史上最高昂的”赌注”。换来了什么?99.6%的临床试验失败率。从Aβ淀粉样蛋白假说,到Tau蛋白过度磷酸化理论,再到神经炎症和线粒体功能障碍——几乎每条路都被试过,每一条都撞了墙。直到2023年,FDA才正式批准了首个被证明能延缓疾病进展的抗Aβ抗体药物,但这距离”有效治疗”仍有相当大的距离。全球AD患者约 5000万,预计到2050年将增至 1.52亿[2]。65岁以上人群患病率约11%,85岁以上飙升到42%。面对这种困境,医学界急需一个答案:能不能更聪明地找到新药?二、DeepDrugDiscovery:它和别的AI有什么不同?其实,药物研发中用AI已经不是什么新鲜事。但DeepDrugDiscovery的不同之处在于三个关键点:第一,它不只筛活性,还筛”能不能到”。 传统的虚拟筛选只管分子有没有生物活性,但从来不问”这个东西能不能穿过血脑屏障”——而这个恰好是中枢神经系统(CNS)药物研发的头号难题。95%以上的候选分子无法有效穿过血脑屏障(BBB),实验室里表现再好也白搭。DeepDrugDiscovery 整合了 ADMET预测模块(吸收、分布、代谢、排泄、毒性)和 血脑屏障穿透性预测模块。在筛选化合物时,活性、安全性、脑穿透性三个维度同时打分。第二,它不依赖mTOR通路。 过去大部分自噬增强剂都是通过抑制mTOR起作用的——但mTOR是个”总管”,它调控的事情太多了:细胞生长、代谢、蛋白质合成。抑制mTOR虽然能激活自噬,但也会带来免疫抑制、代谢紊乱等一系列副作用。DeepDrugDiscovery 找到的候选分子完全不依赖mTOR通路,也就是说,它们激活自噬的方式更特异、更安全。第三,速度惊人。 路嘉宏教授在一次采访中透露了一个数字:完成百万级分子的虚拟筛选,平台只需要 几十秒[3]。“如果按照传统的方法可能要十年,但现在借助AI,这一过程能够加速成千上万倍。”三、两个先导化合物长什么样?AI筛选找到了两个最亮眼的候选分子,在跨物种验证阶段表现突出:能够穿透血脑屏障清除AD相关蛋白聚集体(Aβ和Tau)在线虫和小鼠AD模型中恢复记忆和认知功能不依赖于mTOR,新型自噬增强机制安全剂量范围内无明显毒副作用值得一提的是,这并非路嘉宏团队的首次合作。早在2022年,他们就与挪威奥斯陆大学方飞团队在 Nature Biomedical Engineering 发表了基于机器学习发现线粒体自噬诱导剂的研究[4]。那项研究最终筛选出了山奈酚(Kaempferol)和丹叶大黄素两个化合物,MIT神经科学家蔡立慧教授评价其为”通过计算机筛选与多物种验证的结合,为神经退行性疾病的药物研发树立了标杆”。而2026年的DeepDrugDiscovery是彻底的升级版——模型架构、预测维度、验证规模都远超此前的版本。平台的技术核心:采用变分自编码器(VAE)与门控循环单元(GRU)的混合表征架构,将2048-bit Morgan指纹与19个一维、三维分子描述符整合编码,在无监督预训练中学习分子潜在表示[5]。合作团队还包括英国帝国理工学院。四、不可忽略的局限我同样需要把前提划清楚:① 只是临床前数据。 两个先导化合物在秀丽隐杆线虫和转基因小鼠模型中有效,不等于在人体中有效。AD药物研发史上,动物模型成功了但人体试验失败的情况数不胜数。② 还需优化成药性。 目前发现的化合物距离真正候选药物还有优化空间——药代动力学参数、选择性、大规模生产工艺等都需要进一步验证。③ AI筛查仍有假阳性。 即便DeepDrugDiscovery已经整合了多个预测维度,虚拟筛选依然会漏掉或误判一些分子,后续实验验证不可或缺。④ 绿叶制药也在赛道上。 这家中国药企的LY03017(5-HT2AR反向激动剂)用于AD精神病性障碍,已于2026年4月进入中国Ⅱ期临床,全球尚无同类药物获批。AD治疗正进入一个百花齐放的阶段。五、一个方向正在转变AD药物研发最让我感到振奋的变化,不是某个具体分子的突破,而是范式的转变。过去我们是”猜靶点→合成分子→试动物→上临床”的线性流程,中间的每一步都充满随机性,失败几乎是常态。现在,AI正在把这条线性流程变成一种多维筛选引擎——活性预测、毒性预测、穿透性预测、机制分析同时运行,在进入实验验证之前就已经淘汰了大量无效候选。DeepDrugDiscovery所代表的方向,不是要取代科学家,而是让科学家的每一分精力都能用在最值得验证的分子上。路嘉宏教授的话值得再读一遍:”如果没有AI,完成百万级筛选可能需要十年。现在只需要几十秒。”这几十秒,可能是AD药物研发史上最宝贵的几十秒。参考资料: [1] 2000-2017年33家顶级药企AD领域研发投入数据,Nature Reviews Drug Discovery 2018 [2] The Lancet, 2020年痴呆症报告 [3] 新浪财经专访路嘉宏教授,2025-04-29 [4] Fang et al., Nature Biomedical Engineering, 2022: 机器学习发现线粒体自噬诱导剂 [5] Lu, Dong et al., Nature Biomedical Engineering, 2026: DeepDrugDiscovery平台技术架构 [6] BioBAY企业资讯,德睿智药Nature Biomedical Engineering论文解读,2026-05-01