RIPK1 inhibitors (Artivila)

日前，四川大学华西医院、四川省人民医院、西南医科大学附属医院、重庆医科大学附属第一医院、陆军军医大学第一附属医院等9个医疗机构的专家学者，齐聚重庆华森制药股份有限公司（简称“华森制药”），参加2025年血液病医疗质量控制与创新转化研究系列研讨会暨临床噬血细胞综合征诊治进展研讨会，致力提升我国噬血细胞综合征整体诊治水平。本次研讨最受关注的，是将华森制药全资公司重庆华森英诺生物科技有限公司（下称“华森英诺”）的注射用盐酸ORIC-1940，作为启动噬血细胞综合征临床试验的核心药物。会议指出，注射用盐酸ORIC-1940靶点作用机制明确，效价高，安全性好，是全球首个临床用于噬血细胞性组织淋巴细胞增多症的RIPK1抑制剂、First-in-class创新药，满足临床迫切需求，将填补我国原研药在这一病症中的用药空白，为患者争取更多时间寻找并治疗原发病因，从而降低继发性噬血细胞综合征患者的死亡率。华森制药党委书记、董事长游洪涛介绍，华森英诺历经5年研发与技术攻坚，核心成果注射用盐酸ORIC-1940正式进入Ib期多中心临床试验阶段，这不仅是企业创新药研发历程中的关键节点，更是践行国家创新驱动发展战略、守护人民健康的具体行动。下一步，华森英诺将持续加大创新药研发投入，推动科研成果加速向临床“救命良药”转化，在噬血细胞综合征治疗领域谱写“中国方案”崭新篇章，以实际行动推动我国原研药自主突破，为国家持续提升重大疾病防治能力贡献力量。（融媒体中心记者 蒋坤红）

当阿尔茨海默病、罕见病等难治性疾病仍在挑战医疗边界，传统药物研发却深陷 “高成本、长周期、低成功率” 的泥潭 —— 平均 12-15 年研发周期、26 亿美元投入，临床试验成功率却不足 10%。如今，人工智能正以颠覆性力量打破困局，从靶点识别到临床试验全流程渗透，不仅改写药物研发规则，更催生了全新的产业机遇与投资方向。 一、AI 如何颠覆药物研发全流程？三大核心环节突破瓶颈 传统药物研发如同在 “10^60-10^100 量级的化学空间” 中大海捞针，而 AI 凭借海量数据处理能力，成为精准导航的 “罗盘”。 在药物发现阶段，AI 解决了最核心的 “靶点识别难” 问题。过去依赖实验筛选的靶点识别，如今通过图深度学习、自然语言处理技术实现突破：例如 PandaOmics 平台整合多组学数据，成功找到抗纤维化靶点 TRAF2，开发出特定抑制剂；基于生物医学文献构建的知识图谱，能快速关联疾病、基因与药物，大幅缩短前期探索时间。 虚拟筛选与从头设计则让 “造药” 效率飙升。AI 可预测药物分子与靶点的结合构象，在数十亿化合物库中快速筛选潜在候选物；更能通过化学语言模型、图神经网络自主生成新分子 —— 某团队用条件循环神经网络设计的 RIPK1 抑制剂，已在细胞和动物模型中验证有效，将传统 “试错式” 设计变为 “精准定制”。 临床试验阶段，AI 更是降本增效的关键。通过分析电子健康记录、可穿戴设备数据，AI 能快速筛选符合条件的患者，解决招募难问题；数字孪生技术（如 Unlearn.ai 的虚拟对照组）可减少真实试验样本量，某研究通过该技术使晚期肺癌试验合格患者数量翻倍；甚至能提前预测临床试验结局，避免无效投入 —— 这些技术已帮助部分药企将研发周期缩短 30%-50%。 二、机遇与挑战并存：这些 “卡脖子” 问题藏着新机会 尽管 AI 成果显著，行业仍面临三大核心挑战，而解决这些痛点的企业，正成为资本关注的焦点。 首先是数据困境。高质量标注数据稀缺、“阴性数据”（失败实验结果）缺失，导致 AI 模型泛化能力不足。例如罕见病相关数据难以获取，限制了 AI 在该领域的应用。这一痛点催生了 “数据共享平台” 与 “数据治理技术” 的需求 —— 能整合多中心数据、解决隐私保护（如联邦学习技术）、补全缺失数据的企业，将在行业中占据先机。 其次是 “不可成药” 靶点的突破难题。MYC、IRF4 等转录因子，以及蛋白质 - 蛋白质相互作用靶点，因缺乏明确结合位点，长期被视为 “研发禁区”。但近期研究显示，结合高内涵筛选与 AI 构象预测，已能初步探索这些靶点的结合空间 —— 专注于 “不可成药” 靶点 AI 算法开发的团队，可能成为下一个行业突破口。 此外，模型可解释性与合成可行性也是关键瓶颈。当前多数 AI 模型是 “黑箱”，生成的分子可能无法实际合成。因此，能将化学规则、物理定律融入 AI 模型（如结合量子力学优化分子设计）、提升模型可解释性（如 RetroExplainer 的逆向合成解释框架）的技术，将更受药企青睐，尤其在监管审批严格的领域（如肿瘤药），可解释性直接决定技术落地速度。 三、投研机遇与 funding 思路：从技术到产业的全链条布局 基于行业趋势，我们可从三个维度把握投资与 funding 方向，兼顾短期落地性与长期成长性。 1. 技术层：聚焦 “解决具体痛点” 的细分算法公司 优先关注针对特定环节的专精型企业：例如专注于 ADMET（药物吸收、代谢、毒性）预测的 AI 公司 —— 拜耳已通过类似技术减少 40% 的临床前失败率；主攻 “不可成药” 靶点构象预测的团队，可对接跨国药企的合作需求；提供临床试验数据治理、患者招募 AI 工具的企业，受政策鼓励（如 FDA 对 AI 辅助试验的支持），短期商业化路径清晰。 2. 应用层：押注 “AI + 垂直疾病” 的创新药企 AI 与疾病领域的结合，正催生差异化竞争优势。例如 “AI + 罕见病”—— 利用 AI 快速挖掘罕见病靶点、重定位现有药物（如某团队用 AI 发现老药对渐冻症的潜在疗效），可大幅降低研发成本；“AI + 肿瘤”—— 通过多组学数据预测患者对药物的反应，开发伴随诊断与精准疗法，这类药企更易获得医保与资本双重认可。 3. 基础设施层：布局 “AI + 实验自动化” 平台 药物研发的终极目标是 “设计 - 合成 - 测试” 全流程自动化，而 AI 与实验设备的结合是核心。例如整合 AI 分子设计与微流控芯片合成的 DMTA（设计 - 制造 - 测试 - 分析）平台，某案例通过该平台从零生成肝 X 受体激动剂，仅用传统流程 1/3 的时间；能实现高通量筛选、自动化数据分析的实验室机器人公司，也将成为药企的核心供应商。 从 funding 策略看，早期可关注 “技术验证阶段” 的团队 —— 例如已开发出原型算法、与高校或小型药企有合作的初创公司，成本较低且成长空间大；成长期则优先选择有明确商业化路径的企业，如已签订药企服务合同、有临床前候选药物推进的公司，风险更可控。此外，关注政策导向（如国家自然科学基金对 “AI + 生物医药” 的倾斜），对接政府引导基金、产业基金，可降低投资风险，同时获取行业资源。 四、结语：AI 不是 “替代者”，而是 “加速器” 值得注意的是，AI 并非要取代科学家，而是成为 “超级辅助”—— 它能处理海量数据、快速筛选方向，但最终药物的有效性仍需湿实验室验证，研发方向的决策仍需人类智慧把控。正如 AlphaFold3 开源后，行业更关注的是 “如何用 AI 辅助科学家突破认知边界”，而非 “让 AI 独立造药”。 未来 5-10 年，随着多模态 AI（整合文本、图像、组学数据）、物理定律融合模型的成熟，药物研发将进入 “精准化、个性化” 新时代。而那些能解决行业痛点、兼具技术实力与商业化能力的企业，不仅将改写医疗格局，更将为投资者带来长期价值 —— 这既是技术革命的红利，也是推动人类健康进步的应有之义。 Zhang, Kang, et al. "Artificial intelligence in drug development." Nature medicine 31.1 (2025): 45-59. 本文由AI生成用于投研研究，不构成投资建议。