预约演示
更新于：2026-01-27
Silmitasertib
更新于：2026-01-27
概要
基本信息
原研机构 |
在研机构 |
权益机构- |
最高研发阶段临床2期 |
首次获批日期- |
最高研发阶段(中国)- |
特殊审评快速通道 (美国)、孤儿药 (美国)、罕见儿科疾病 (美国) |
登录后查看时间轴
结构/序列
分子式C19H12ClN3O2 |
InChIKeyMUOKSQABCJCOPU-UHFFFAOYSA-N |
CAS号1009820-21-6 |
关联
10
项与 Silmitasertib 相关的临床试验NCT06541262
Phase I/II Study of Silmitasertib (CX-4945) in Combination With Chemotherapy in Children and Young Adults With Relapsed Refractory Solid Tumors
The purpose of this study is to evaluate the investigational drug, silmitasertib (a pill taken by mouth), in combination with FDA approved drugs for solid tumors. An investigational drug is one that has not been approved by the U.S. Food & Drug Administration (FDA), or any other regulatory authorities around the world for use alone or in combination with any drug, for the condition or illness it is being used to treat.
The goals of this part of the study are:
* Establish a recommended dose of silmitasertib in combination with chemotherapy
* Test the safety and tolerability of silmitasertib in combination with chemotherapy in subjects with cancer
* To determine the activity of study treatments chosen based on:
* How each subject responds to the study treatment
* How long a subject lives without their disease returning/progressing
The goals of this part of the study are:
* Establish a recommended dose of silmitasertib in combination with chemotherapy
* Test the safety and tolerability of silmitasertib in combination with chemotherapy in subjects with cancer
* To determine the activity of study treatments chosen based on:
* How each subject responds to the study treatment
* How long a subject lives without their disease returning/progressing
开始日期2024-10-30 |
申办/合作机构 |
NCT06202521
Evaluation of the Safety and Efficacy of Silmitasertib (CX-4945) in Combination With Standard of Care (SOC) for Treating Patients With Community-Acquired Pneumonia (CAP) Associated With SARS-CoV-2 and Influenza Viral Infections
This is a Phase II, multi-center, double-blind, randomized, interventional study in approximately 120 subjects to evaluate clinical benefit of CX-4945 in adult outpatients with SARS-CoV-2 and influenza viral infection-associated pneumonia. The subjects will be recruited into two domains, including SARS-CoV-2 and influenza virus domains. The study will compare the efficacy of Standard of Care (SOC) combined with CX-4945 against SOC paired with a placebo, utilizing a 1:1 allocation ratio in each domain.
开始日期2024-03-20 |
申办/合作机构 |
NCT05817708
A Dose Selection Phase 1 Study Evaluating the Safety and Tolerability of Silmitasertib
This is a Phase I single center, open-label, parallel design in 30 subjects to evaluate safety and tolerability of CX-4945 200mg QD, 200 mg BID and 400mg BID doses (10 subjects in each regimen) for continuously 5 days in healthy subjects for dose selection.
开始日期2022-11-28 |
申办/合作机构 |
100 项与 Silmitasertib 相关的临床结果
登录后查看更多信息
100 项与 Silmitasertib 相关的转化医学
登录后查看更多信息
100 项与 Silmitasertib 相关的专利（医药）
登录后查看更多信息
266
项与 Silmitasertib 相关的文献（医药）2025-12-31·CANCER BIOLOGY & THERAPY
Targeting the IKZF1/BCL-2 axis as a novel therapeutic strategy for treating acute T-cell lymphoblastic leukemia
Article
作者: Li, Jun ; Ye, Chunmei ; Li, Hui ; Li, Juan
OBJECTIVES:
Acute T-cell lymphoblastic leukemia (T-ALL) is a severe hematologic malignancy with limited treatment options and poor long-term survival. This study explores the role of IKZF1 in regulating BCL-2 expression in T-ALL.
METHODS:
CUT&Tag and CUT&Run assays were employed to assess IKZF1 binding to the BCL-2 promoter. IKZF1 overexpression and knockdown experiments were performed in T-ALL cell lines. The effects of CX-4945 and venetoclax, alone and in combination, were evaluated in vitro and in vivo T-ALL models.
RESULTS:
CUT&Tag sequencing identified IKZF1 binding to the BCL-2 promoter, establishing it as a transcriptional repressor. Functional assays demonstrated that IKZF1 overexpression reduced BCL-2 mRNA levels and increased repressive histone marks at the BCL-2 promoter, while IKZF1 knockdown led to elevated BCL-2 expression. CX-4945, a CK2 inhibitor, could reduced BCL-2 levels in T-ALL cells. Notably, knockdown of IKZF1 partially rescued the CX-4945-induced repression of BCL-2. These results underscore the CK2-IKZF1 signaling axis as a key regulator of BCL-2 expression. In vitro, CX-4945 enhanced the cytotoxicity of venetoclax, with the combination showing significant synergistic effects and increased apoptosis in T-ALL cell lines. In vivo studies with cell line-derived xenograft (CDX) and patient-derived xenograft (PDX) models demonstrated that CX-4945 and venetoclax combined therapy provided superior therapeutic efficacy, reducing tumor burden and prolonging survival compared to single-agent treatments.
CONCLUSIONS:
IKZF1 represses BCL-2 in T-ALL, and targeting the CK2-IKZF1 axis with CX-4945 and venetoclax offers a promising therapeutic strategy, showing enhanced efficacy and potential as a novel treatment approach for T-ALL.
2025-10-01·EUROPEAN JOURNAL OF MEDICINAL CHEMISTRY
Picomolar bivalent inhibitors of protein kinase CK2 active against β-coronavirus replication
Article
作者: Martinasso, Charlotte ; Ahmed-Belkacem, Abdelhakim ; Krimm, Isabelle ; Lopez Molina, Dennis Salomon ; Yang, Yinshan ; Grenier, Dylan ; Ahnou, Nazim ; Mularoni, Angélique ; Pawlotsky, Jean-Michel ; Delcros, Jean-Guy ; Guichou, Jean-François ; Gelin, Muriel
The protein casein kinase 2 (CK2) has been shown to be upregulated in SARS-CoV-2 infections. However, few inhibitors have been tested for antiviral activity against coronaviruses. In this study, highly potent and selective bivalent inhibitors targeting the protein kinase CK2 were developed. The chemical structure of the well-known inhibitor CX-4945 was used as an anchor for the ATP-binding site and was linked by polar and aliphatic linkers to chemical structures that bind the cryptic αD pocket of CK2. The bivalent inhibitor Biv5, which demonstrated a sub-nanomolar kinase inhibition, showed potent antiviral activity against SARS-CoV-2 in HEK-ACE2-TMPRSS2 and Vero cells. In addition, Biv5 significantly reduced viral replication over time in an ex vivo model of primary human nasal epithelial cells. The selectivity of Biv5 was tested against 16 kinases targeted by CX-4945, confirming that targeting the αD pocket confers high selectivity for CK2 to such inhibitors.
2025-07-01·BIOCHEMICAL PHARMACOLOGY
The dual targeting effects of KD025 on casein kinase 2 and ROCK2 in a mouse model of diet-induced obesity
Article
作者: Tran, Nhu Nguyen Quynh ; Kim, Min Kyung ; Maeng, Han-Joo ; Oh, Byung-Chul ; Oh, Yu Jin ; Kim, Young-Bum ; Lee, Jeongmi ; Choi, Hojung ; Jun, Hee-Sook ; Sactivel, Bathiga ; Lee, Dae Ho ; Chun, Kwang-Hoon
KD025(belumosudil), a selective ROCK2 inhibitor, exhibits unique anti-adipogenic activity through inhibition of casein kinase 2 (CK2). This study investigated the dual inhibitory effects of KD025 on metabolism in a diet-induced obese model. C57BL/6 mice on a high fat diet (HFD) were treated with KD025 for 4 weeks, while fasudil (a pan-ROCK inhibitor) and CX-4945 (a CK2-specific inhibitor) served as comparison treatments. KD025 significantly reduced body weight gain without affecting food intake, serum insulin, or fasting blood glucose levels. In contrast, while both CX-4945 and fasudil treatments showed a trend toward weight reduction, these results were not statistically significant. KD025 improved lipid metabolism by significantly lowering LDL cholesterol and triglyceride, although it slightly impaired glucose metabolism, as observed in insulin and glucose tolerance tests. Weight reduction in the KD025- and CX-4945-treated groups was attributed to decreased adipose tissue mass, particularly in inguinal (ingWAT) and epididymal (epiWAT) fat depots. Hematoxylin and eosin (H&E) staining confirmed smaller adipocyte size in these groups. KD025 had no significant effect on serum levels of tumor necrosis factor-α (TNF-α), interleukin 6 (IL-6), or monocyte chemoattractant protein-1 (MCP-1) with varied inflammatory responses. Furthermore, KD025 and CX-4945 upregulated adipogenic and browning markers, such as Cebpa, Cidea, and Pparg in the epiWAT, though without significant UCP1 expression. Overall, KD025 effectively reduced weight gain in HFD-fed mice through dual inhibition of CK2 and ROCK2, highlighting its potential as a therapeutic agent for obesity-related conditions.
50
项与 Silmitasertib 相关的新闻（医药）2026-01-21
▲
文 | Peekaboo
编辑 | Judy导语：很多人以为，AI制药的核心是“更快筛选”“更低成本”“更高效率”。资本照单全收，药企纷纷下注，新闻稿写得像胜利已成定局。但一个刺眼的事实是：砸下数百亿美元后，真正由 AI 原创、成功上市的药物，依然是零。问题也许不在技术，而在我们一开始就看错了方向——AI不是来优化旧流程的工具，而是可能重写整个发现逻辑。当Google开始让模型提出全新的科学假设，并在真实细胞中被验证，制药行业，才真正站上分水岭。
那些年，我们对AI制药的美丽误会
过去十年，制药巨头们在AI药物发现赛道上砸下了数十亿美元。Recursion Pharmaceuticals拿了15亿美元与Bayer合作，Exscientia与Sanofi签下20亿美元协议，BenevolentAI携手AstraZeneca探索慢性肾病靶点——每一笔交易的新闻稿都写满了同样的关键词：“加速筛选”、“降低成本”、“缩短时间线”。
这套叙事听起来无懈可击：传统药物研发平均耗时10-15年、成本高达26亿美元，而AI能把先导化合物筛选从18个月压缩到6个月。投资人买单，Big Pharma点头，AI药物发现公司的估值一路飙升。
⚠️但这里藏着一个致命的认知陷阱：所有人都在用AI“优化”现有流程，却没人问——这个流程本身是否已经过时？
截至2024年，AI药物发现市场规模达到63亿美元，预计到2034年将突破165亿美元。然而讽刺的是，这个拥有十年历史、数十家独角兽公司的赛道，至今没有产出一款真正上市的AI原创药物。Recursion、Exscientia、BenevolentAI——这些行业先锋的市值自IPO以来累计蒸发超过70%。
2023年，第一批AI设计的药物候选物进入临床试验后纷纷折戟：Exscientia的癌症候选药物EXS21546因战略调整被终止，住友制药与大冢制药合作开发的精神分裂症AI药物在两项三期临床中未能优于安慰剂。行业开始怀疑：AI真的能改变制药的成功率，还是只是让失败来得更快一点？
这不是AI的失败——而是整个行业对AI角色的误判。
AI不是工具，是科学家当270亿参数开始“思考”癌症时，游戏规则彻底变了
2025年10月15日，Google DeepMind与耶鲁大学联合宣布了一项让整个生物医药圈炸锅的成果：他们基于Gemma家族构建的Cell2Sentence-Scale 27B(C2S-Scale)模型，不仅预测出了一个全新的癌症治疗路径，还在真实人体细胞实验中得到了验证。
这不是又一个“AI帮助筛选了10万个化合物”的故事。这是AI自主生成了一个前所未有的科学假设，并且这个假设是对的。
让我们用人话拆解这件事到底有多颠覆：
问题背景
癌症免疫疗法最大的敌人叫 “冷肿瘤”(cold tumor)——这些肿瘤就像隐身战机，免疫系统根本看不见它们。原因是肿瘤细胞表面缺乏MHC-I蛋白复合物，这是T细胞识别“敌人”的关键信号。传统思路是直接给免疫系统“打鸡血”(如PD-1抑制剂)，但对冷肿瘤效果甚微。
C2S-Scale的惊人发现
模型筛选了4000种药物后，识别出一个从未被文献记录的组合疗法：蛋白激酶CK2抑制剂silmitasertib(CX-4945)+ 低剂量干扰素。关键在于，单独使用任何一种药物都几乎无效，但在“免疫环境阳性”(即存在微量干扰素)的条件下，silmitasertib能将肿瘤细胞的抗原呈递能力提升约50%——相当于给隐形战机强制装上了信号发射器。
耶鲁团队在从未用于模型训练的人类神经内分泌细胞模型上验证了这一预测，结果完美吻合。
这意味着什么？
1.传统AI药物公司：筛选已知化合物库，找出与特定靶点结合最好的分子（本质是“高级搜索引擎”）
2.C2S-Scale：理解细胞内部的动态交互网络，推演出在特定环境下两种药物的协同机制，创造出全新的治疗逻辑（本质是“科学家”）
这是从“工具智能”到“发现智能”的质变。Google CEO Sundar Pichai在推特上直言这是“AI in science的里程碑”——考虑到Google在AlphaFold拿下诺贝尔化学奖后的低调，这种高调宣传本身就说明了分量。
去黑话: C2S-Scale到底是怎么做到的？
技术架构
C2S-Scale建立在Gemma 3开源模型家族之上，专门针对单细胞分析优化。关键创新在于它遵循了生物学的缩放定律——就像GPT模型越大越聪明，更大的生物AI模型能捕捉更复杂的细胞行为模式。
模型将单个细胞的基因表达数据转化为“句子”，通过270亿参数的神经网络学习细胞在不同条件下的“语法规则”。当你问它“什么药物能在X条件下提升Y蛋白表达”，它不是去查数据库，而是基于对细胞运作逻辑的深层理解，推演出最可能的答案。
变现逻辑
这里要打破一个认知：Google并不直接卖药，它在重构整个药物发现的基础设施。
1. 开源模型 + 闭源服务的组合拳
C2S-Scale的模型、代码和资源已在Hugging Face、GitHub上完全开放。这看似“亏本买卖”，实则是经典的开源生态战略：
吸引全球科研机构使用Gemma，积累海量生物学反馈数据
真正的商业价值在Google Cloud的Vertex AI上——企业级部署、更大规模的虚拟筛选、定制化模型训练，都需要付费算力
参考AlphaFold的路径：免费数据库有300万用户，但Isomorphic Labs(DeepMind的药物设计公司)与礼来、诺华签订的合作协议总价值超过30亿美元
2. 重新定义“AI药物发现”的盈利模式
传统AI公司(如Recursion、Exscientia)采用“里程碑付款”模式：预付款2000万-5000万美元 + 后续里程碑奖金 + 销售分成(总价值可达20亿美元)。但问题在于，如果候选药物失败，AI公司基本颗粒无收。
3. 数据飞轮效应
每一次科研人员使用C2S-Scale做实验，都会产生新的“假设-验证”数据对。这些数据回流后，让模型变得更聪明，吸引更多用户，产生更多数据……形成指数级增长的正循环。
数据支撑：
Gemma家族模型下载量已超过2亿次(截至2025年1月)
Google Cloud 2024年营收同比增长34%，其中AI服务(包括生物计算)是核心驱动力
企业用户每周通过Gemini/Gemma节省平均105分钟工作时间，相当于每年为单个企业节省约50万美元人力成本
当Google入局，谁会先死？——竞品生死局
让我们拉出一张对比表：
致命问题：当Google开源了一个能“发明”新药物组合的模型，那些仅仅“优化筛选流程”的公司，还剩下什么价值？
案例剖析：Recursion与Exscientia的“绝望式合并”
2024年8月，Recursion以74:26的股权比例吞并Exscientia，两家公司市值合计仅剩约10亿美元（IPO时估值超过50亿）。交易背后的血泪事实：
Exscientia在2023年遭遇两次临床试验失败，现金流告急
两家公司合并后预计每年节省1亿美元成本，现金跑道仅能延续到2027年
合并的真正动机：单靠“AI筛选”已经无法支撑估值，必须整合全流程能力（生物学理解 + 分子设计）
行业分析师指出，这场合并的催化剂之一，是2025年4月横空出世的Xaira Therapeutics——由前Genentech高管创立，首轮融资10亿美元，明确提出要用生成式AI“从头设计”分子，而非筛选现有化合物库。Xaira的出现，让Recursion和Exscientia意识到：如果不快速补齐短板，将在下一代AI制药竞赛中彻底出局。
Google的真正对手不是AI药企，而是Big Pharma自己
竞品矩阵重构：
直接竞品层：DeepMind自家的Isomorphic Labs：专注端到端药物设计，与礼来(17.5亿美元)、诺华(多靶点合作)签约，已有候选药物进入临床前中国玩家：百度、字节跳动：均在2024年推出类AlphaFold 3的模型，争夺亚太市场
潜在跨界对手：NVIDIA：不仅提供算力，还通过BioNeMo平台直接向制药企业输出AI模型Microsoft：Azure云服务+与Novartis、GSK的深度合作，正在复制Google Cloud的打法
真正的威胁来自制药巨头的“去中介化”：
当AI模型开源、云服务标准化，Big Pharma为什么还要付20亿美元给AI中间商？辉瑞、强生等已开始自建机器学习团队，直接使用开源Gemma或AlphaFold。
行业终局判断：
未来3-5年内，我们将看到三种幸存者：1.平台型巨头 (Google/NVIDIA)：提供基础模型+算力，类似“AI制药领域的AWS”
2.垂直整合玩家 (Isomorphic Labs)：从AI设计到临床开发全流程自控
3.小而美的精准打击者：专注罕见病或特定机制，用AI快速迭代（如Manas AI筹集2460万美元专攻分子优化）
结语——那些被AI重新定义的游戏规则
两年后，当第一款完全由AI从假设生成到分子设计的药物进入临床三期，我们回头看今天，会发现2025年10月15日的C2S-Scale发布，是一个分水岭。
在此之前，AI是制药行业的“效率工具”；在此之后，AI成为“创新的源泉”。
Google用Gemma告诉世界：关键不是你有多少专有数据，而是你能否用数据训练出会“思考”生物学问题的模型。
Gemma: Open AI Foundation（开放AI基座）
AlphaFold: Science Core（科学核心）
Isomorphic Labs: Drug Discovery（药物发现/商业落地）
展示从AlphaFold到Gemma到Isomorphic Labs的完整布局
名词解释速查
冷肿瘤(Cold Tumor)：缺乏T细胞浸润，对免疫疗法不敏感的肿瘤
MHC-I：主要组织相容性复合体I类，细胞表面用于展示内部抗原的“身份证”
抗原呈递：细胞将内部蛋白片段展示在表面，供免疫细胞识别的过程
缩放定律(Scaling Laws)：模型参数越大、数据越多，性能越强的指数级关系
里程碑付款：药物开发不同阶段（如临床一期通过、FDA批准）触发的阶梯式付款
湿实验室：进行真实生物/化学实验的物理实验室，相对于“干实验室”（纯计算模拟）
免疫疗法临床3期IPO
2026-01-14
·今日头条
> 2026年1月13日，全球制药巨头阿斯利康宣布收购生物医学人工智能公司Modella AI，双方将扩大现有合作，共同推进多模态AI基础模型和AI代理在阿斯利康全球肿瘤产品组合中的应用。
这一收购标志着制药行业向AI驱动研发转型的关键一步，旨在破解传统肿瘤药物研发周期漫长、成本高昂且成功率低的行业困境。
1. 技术核心：多模态模型与智能代理
Modella AI的技术基石在于其多模态AI基础模型和AI代理系统。多模态模型能够同时处理文本、图像、音频等多种数据类型，其架构通常基于扩展的Transformer，通过专用编码器处理不同模态信息，再经融合层整合到统一表示空间中。
- **多模态基础模型**：该技术能整合基因组学、数字病理图像、临床变量等多源数据，形成对疾病的全面认知。例如，一项研究开发的模型结合临床变量与病理图像，在预测前列腺癌根治术后患者转移风险时，其10年转移预测的AUC达到**0.74**，性能优于传统临床列线图。
- **AI代理**：作为自主执行的智能系统，AI代理可自动化处理临床试验中的特定任务。以ClinicalAgent系统为例，它将复杂问题分解，由招募、安全性和疗效三个专业智能体分别处理试验招募、药物安全性评估与疗效评估。
2. 应用突破：从精准预测到疗法创新
AI技术已在肿瘤研究的多个环节取得实证突破。在生物标志物发现与疾病分类方面，OmicsFusionNet模型通过整合最多六种组学数据，在23种癌症分类中实现了**99.8%的惊人准确率**，对卵巢癌分期的预测准确率也达91%。
> 在液体活检领域，研究人员开发的Exai-1模型专为分析细胞游离RNA（cfRNA）设计。该模型预训练于来自8,339个样本的3060亿tokens，能够提高信号质量、降低技术噪声，并可生成高保真合成谱以增强疾病检测。
更为前沿的是，AI模型展现出发现全新治疗途径的潜力。C2S-Scale 27B模型识别出激酶CK2抑制剂silmitasertib存在“上下文分裂”，预测其在“免疫背景阳性”环境中能显著增强抗原呈递。
后续实验室验证证实，silmitasertib与低剂量干扰素联合使用，可对抗原呈递产生**协同放大作用，使其增加约50%**，这为将“冷肿瘤”转化为对免疫疗法更敏感的“热肿瘤”提供了新思路。
3. 效率革命：研发周期与成本双降
传统新药研发从靶点发现到获得临床前候选化合物，通常需要**5-6年**，且成本极其高昂。而AI赋能的研发项目可将此过程缩短至**4年甚至18个月内**，效率提升**30%-60%**。
具体案例显示，英矽智能从靶点发现到临床前候选化合物的全过程仅耗资**260万美元**，与传统方法动辄上亿美元的投入形成鲜明对比。
在临床试验设计阶段，AI的介入能带来直接的经济与时间效益。据德勤调研，采用AI辅助设计的临床试验平均可节省研发成本**15%-20%**，并将整体研发周期缩短**6-9个月**。AI通过精准识别生物标志物与潜在获益人群来提升试验靶向性，并可模拟虚拟对照组以减少实际所需的对照组样本量。
4. 行业棋局：阿斯利康的AI全链条布局
此次收购是阿斯利康系统性构建AI研发能力的最新一环。此前，该公司已展开一系列高价值外部合作：
- 2025年10月，与Algen Biotechnologies签署价值**5.55亿美元**的协议，利用其AI平台发现免疫学新靶点。
- 同期，启用位于北京的全球战略研发中心，该中心设有先进的人工智能与数据科学中心，旨在加速早期研究向临床转化。
- 2025年6月，与石药集团达成一项总价**53亿美元**的战略合作，共同开发慢性疾病口服疗法。
这些密集动作表明，AI在制药领域的应用正从早期的化合物筛选，快速向下游的靶点发现、临床数据建模乃至加速临床开发环节渗透。行业预测显示，到**2030年，超过60%的全球Top50药企**将建立专属的AI临床设计平台。
5. 未来展望：加速新药上市与个性化治疗
AI驱动的研发变革最终将惠及患者。在诊断端，罕见病的平均确诊时间有望从当前的数年大幅缩短至**4周以内**。在治疗端，AI通过分析患者基因谱、临床数据等多模态信息，为实现真正的个性化肿瘤治疗提供了工具。
尽管阿斯利康未披露此次收购的具体财务条款，但其战略意图清晰：将Modella AI的生成式与智能体平台深度整合至自身肿瘤研发体系，以全面加速临床开发进程。
随着人工智能技术不断成熟，肿瘤药物研发的古老范式正在被改写，一个由数据与算法驱动、效率与精准度大幅提升的新时代已然拉开序幕。
2025-12-26
·启氪医学
生物信息学基础模型的范式转移
生物信息学正站在一个关键的历史节点上：研究范式正在从“为特定任务的人工智能模型”，迅速转向以基础模型（Foundation Models, FMs）为核心的新一代通用架构。基础模型这一概念最早在 2021 年被引入，其核心特征是通过大规模无监督或自监督学习，在海量未标记数据上进行预训练，从而学习到具有普适性的特征表达，并能够灵活适配多种下游任务 1。在 2024–2025 年间，这一范式在生命科学领域迎来了爆发式扩张。基础模型的应用边界已从最初的蛋白质序列建模，拓展至基因组、转录组、蛋白质结构、单细胞组学，以及多模态临床数据的全面覆盖 3。
生物信息学中的基础模型
这一转型并非偶然，而是由多重因素共同驱动。首先是高通量测序技术积累的TB级未标记数据，使得监督学习在成本上变得难以承受；其次是模型架构（如Transformer、Mamba等）的演进，使其能够处理数以亿计的参数；再者是“扩展定律”（Scaling Laws）的验证，证明模型性能会随着数据规模、计算量和参数量的增加而预测性地提升；最后是下游任务的成本效益，预训练后的基础模型仅需极少量的标记数据即可在特定任务中超越传统的任务特化型AI 2。
下表总结了基础模型与传统生物信息学AI模型的核心差异：
基因组基础模型
在所有应用领域中，基因组学是基础模型应用的核心阵地。由于DNA序列不仅长度极长（人类基因组约30亿碱基对），且其功能调控也高度依赖跨越数万甚至数十万碱基的长程相互作用。启动子、增强子与染色质结构之间的关系，使得“局部上下文”远不足以解释真实的生物功能。然而，传统Transformer架构的平方复杂度 O(L^2) 严重限制了上下文窗口 5。为突破这一瓶颈，2024年和2025年的研究突破主要集中在引入亚线性复杂度的架构，如状态空间模型（SSM）和混合专家模型（MoE），以实现百万碱基（Mb）级别的上下文建模 4。
Mamba与Hyena的线性缩放
在近一年的发展中，以Mamba和Hyena为代表的新兴架构彻底改变了长序列建模的格局。Evo 2模型采用了StripedHyena 2架构，这是一种将数据控制的卷积算子与少量多头注意力层交错排列的混合设计 7。它利用卷积层的高效性处理序列中的噪声和局部基序（Motifs），同时通过注意力机制补充长程记忆，使其能够以单核苷酸分辨率处理长达100万个碱基对的上下文 7。
JanusDNA架构：双向DNA建模系统
与此同时，JanusDNA 提出了双向混合（Bi-directional Hybrid）架构，通过结合 Mamba 的高效性与 Attention 的长程建模能力，并引入 MoE 稀疏激活，解决了自回归模型在处理双向调节基因组时的单向偏置问题 4。通过 MoE 层的稀疏激活，JanusDNA 在极低计算成本下提升了模型容量 6。实验表明，JanusDNA在1024长度和131k长度的序列训练中均表现出极高的效率，显著超越了同参数量的传统Transformer 9。
下表对比了2024-2025年间主流基因组基础模型的性能参数：
零样本变异效应预测与合成生物学应用
随着模型能力的提升，基因组基础模型的应用已不再局限于序列标注，而是进入了功能预测与序列生成的新阶段。Evo 2展示了极具说服力的零样本学习能力：它能够准确预测非编码致病突变以及具有临床意义的BRCA1变异，而无需针对这些任务进行任何微调 8。通过对模型内部权重的机械解释性分析，研究者发现Evo 2自主学习到了外显子-内含子边界、转录因子结合位点以及蛋白质结构元素等生物学特征 8。
Evo 2 的模型架构、训练流程、数据集及评估方法概述
在生成领域，Evo 2能够以百万碱基规模生成具有生物合理性的序列，包括线粒体基因组、原核生物序列，乃至整个酵母染色体 8。这种能力在合成生物学中具有巨大的应用潜力，例如重新设计功能性病毒基因组和噬菌体，为疫苗平台和细胞治疗提供新的工具 12。
蛋白质表征学习
尽管蛋白质结构预测在2020年曾被认为基本“解决”，但 2024–2025 年的研究逐渐表明，真正的挑战在于理解动态结合过程和从头设计（De novo design）具有特定功能的蛋白质 13。
AlphaFold 3 与 Boltz-2 的
结构-结合协同预测
AlphaFold 3在2024年5月的正式发布标志着一个时代的开始，它能够统一建模蛋白质、核酸、小分子、离子及化学修饰的复合物 14。然而，2025年的关注点已经转向了计算速度和结合亲和力的精确量化。由MIT CSAIL和Recursion合作开发的Boltz-2模型在2025年6月发布，它能同时预测结构与结合亲和力，且运行速度比传统的物理模拟方法（如自由能摄动FEP）快1000倍 13。这一数量级的提升，使高通量虚拟筛选在现实药物研发中变得可行。
popEVE与蛋白质组学层面的变异评估
在临床遗传学领域，如何评估蛋白质序列中错义突变的致病性是一个长期难题。2024年11月发表在《Nature Genetics》上的popEVE模型，通过将深度进化信息（来自EVE和ESM-1v）与人类群体数据（来自UK Biobank和gnomAD）相结合，构建了一个蛋白质组规模的致病性评分系统 15。popEVE的核心优势在于它能够在不同蛋白质之间校准评分，使临床医生能够量化评估一个基因中的变异是否比另一个基因中的变异更具危害性 16。
其临床价值在真实世界数据中得到了验证：在对约3万名未确诊的严重发育障碍患者进行的测试中，popEVE为约三分之一的病例提供了诊断线索，并识别出了123个与发育障碍相关的候选新基因 15。这一成果证明了基础模型在罕见病精准诊断中的变革性价值。
下表总结了2024-2025年蛋白质基础模型的关键进展：
单细胞转录组学基础模型
单细胞测序技术的普及产生了海量的异质性数据——即来自大量单个细胞的基因表达谱，这些细胞在类型、状态、功能或所处微环境等方面各不相同。正是这种细胞间的多样性，促使研究者开发能够理解细胞“内在语言”的基础模型。这类模型将每个细胞中的基因表达水平视为一种“语序”，通过学习基因之间的共表达模式，来捕捉细胞状态的动态变化与演化轨迹17。
单细胞转录组的条件推理与
癌症治疗新假说
Google DeepMind与耶鲁大学合作发布的C2S-Scale（Cell2Sentence-Scale 27B）是2025年单细胞生物学的重大事件之一 18。该模型基于Gemma-2 27B架构，在超过10亿个token的转录组、生物文本和元数据上进行了训练 20。
Cell2Sentence 框架：将生物学转化为语言
通过“条件推理”生成了一个经实验验证的癌症治疗假说 19。模型识别出了一种名为silmitasertib (CX-4945)的CK2抑制剂，当其与低剂量干扰素联用时，能在特定的免疫正向背景下将“冷肿瘤”转化为“热肿瘤”，使抗原呈递提高约50% 19。这一发现填补了传统高通量筛选无法捕捉到的条件性药物响应，标志着基础模型已具备模拟复杂生物学系统并引导实验设计的能力 18。
scFME 评估体系及植物科学专用模型
随着scFMs（如scGPT, Geneformer, scPlantLLM）的大量涌现，如何客观评估这些模型的性能成为研究重点。2025年提出的scFME（Single-Cell Foundation Model Evaluation）基准框架，专注于评估微调后的模型在“原位摄动”（in-silico perturbation, ISP）中的表现 21。结果显示，尽管大型模型在跨数据集整合和泛化方面表现出色，但在处理罕见细胞类型和特定组织细节时，简单的机器学习模型（如随机森林）在资源受限的情况下有时仍具有竞争力 22。
用于评估基础模型在计算机模拟扰动（ISP）任务上表现的六步scFME流程示意图
此外，针对植物科学的特殊挑战，scPlantLLM通过整合植物特有的多倍体、细胞壁结构和组织特异性表达数据，解决了传统动物背景模型在植物单细胞数据上的不稳定性问题 23。
多模态与通用生物学模型
2025 年，生物信息学的终极目标已不再局限于单一尺度，而是构建跨越分子、细胞、组织与个体的“生物世界模型”（World Model for Biology）。这一愿景在Bioptimus公司发布的M-Optimus模型中得到了初步尝试 24。
预测癌症预后的数字孪生技术
M-Optimus整合了组织学影像（H&E染色）、体转录组测序（Bulk RNA-seq）、空间转录组以及临床元数据 ，通过在数百万患者和50多种器官类型的数据上进行预训练，能够直接从常规实验室检查中预测基因表达和临床预后 24。在一项与MIT合作的研究中，M-Optimus的分支模型H-Optimus-1在预测癌症患者的6个月无进展生存（PFS）方面达到了0.75以上的AUC，展示了AI在加速临床试验设计和精准医疗决策方面的巨大潜力 25。这种能力使得研究者能够创建“数字孪生”患者，在虚拟环境中模拟药物反应，从而大幅降低研发成本和风险 24。
药物研发中的多模态预训练
在药物发现（Drug Discovery）领域，多模态预训练正推动从“试错法”向“预测法”的转型。GRAM-DTI等框架通过将分子结构（SMILES）、蛋白质序列以及生物活性度量值（如IC_{50}）整合到统一的表征空间中，实现了更高精度的药物-靶点相互作用预测 26。
下表展示了多模态模型在临床与药研中的典型应用：
挑战与未来方向
尽管生物信息学基础模型进展显著，但仍有若干深层次挑战需要克服。一方面，模型规模的持续增长使其内部机制愈发难以理解。目前以稀疏自编码器（SAE）为代表的工具，正在尝试将模型权重与具体生物特征对应起来8。另一方面，人群数据的祖源偏置仍是现实问题，尽管通过多样化预训练，已有模型（如 popEVE）在不同遗传背景的人群中均保持了稳健的性能 15。
展望未来，基础模型将不仅仅是一个分析工具，而是科学探索的“大脑”。通过与机器人系统整合，基础模型可以指导自动化实验室完成“假设-设计-合成-测试-学习”的闭环过程 30。对于科研人员而言，基础模型将成为类似于“Stack Overflow”的必备工具，极大地降低了数据分析的门槛 29。对于产业界，基础模型驱动的“数字孪生”和“ISP虚拟实验”将显著缩短药物研发周期。
总体而言，2024-2025年是生物信息学基础模型从“单点突破”走向“全面整合”的关键年。基因组模型的长序列建模突破、蛋白质模型的结构-功能跨越、单细胞模型的条件推理能力以及多模态模型的跨尺度整合，共同构筑了下一代计算生物学的基石。尽管在解释性和数据偏差方面仍存挑战，但随着算力效率的提升和生物语料库的完善，基础模型将有望揭示出生命系统背后更深层次的“逻辑规则”。
参考文献：
1.[2503.02104] Biomedical Foundation Model: A Survey - arXiv, accessed December 21, 2025, https://arxiv.org/abs/2503.02104
2.Biomedical Foundation Model: A Survey - arXiv, accessed December 21, 2025, https://arxiv.org/html/2503.02104v1
3.Foundation models in bioinformatics | National Science Review - Oxford Academic, accessed December 21, 2025, https://academic.oup.com/nsr/article/12/4/nwaf028/7979309
4.JanusDNA: A Powerful Bi-directional Hybrid DNA Foundation Model - arXiv, accessed December 21, 2025, https://arxiv.org/html/2505.17257v4
5.JanusDNA: A Powerful Bi-directional Hybrid DNA Foundation Model - arXiv, accessed December 21, 2025, https://arxiv.org/html/2505.17257v2
6.JanusDNA: A Powerful Bi-directional Hybrid DNA Foundation Model - OpenReview, accessed December 21, 2025, https://openreview.net/forum?id=9PL1DIIB7e
7.ArcInstitute/evo2: Genome modeling and design across all domains of life - GitHub, accessed December 21, 2025, https://github.com/ArcInstitute/evo2
8.Genome modeling and design across all domains of life with Evo 2 - bioRxiv, accessed December 21, 2025, https://www.biorxiv.org/content/10.1101/2025.02.18.638918v1.full.pdf
9.(PDF) JanusDNA: A Powerful Bi-directional Hybrid DNA Foundation Model - ResearchGate, accessed December 21, 2025, https://www.researchgate.net/publication/392085535_JanusDNA_A_Powerful_Bi-directional_Hybrid_DNA_Foundation_Model
10.Advances in foundation models for genomics: A detailed exploration of developments - Clausius Scientific Press, accessed December 21, 2025, https://www.clausiuspress.com/assets/default/article/2025/01/21/article_1737472710.pdf
11.Foundation models in plant molecular biology: advances, challenges, and future directions, accessed December 21, 2025, https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2025.1611992/full
12.From Code to Life: AI Achieves De Novo Design of Functional Viral Genomes - Ailurus Bio, accessed December 21, 2025, https://www.ailurus.bio/post/from-code-to-life-ai-achieves-de-novo-design-of-functional-viral-genomes
13.6 ways AI reshaped scientific software in 2025 - R&D World, accessed December 21, 2025, https://www.rdworldonline.com/6-ways-ai-reshaped-scientific-software-in-2025/
14.The Role of AI-Driven De Novo Protein Design in the Exploration of the Protein Functional Universe - PubMed Central, accessed December 21, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12467925/
15.New Artificial Intelligence Model Could Speed Rare Disease ..., accessed December 21, 2025, https://hms.harvard.edu/news/new-artificial-intelligence-model-could-speed-rare-disease-diagnosis
16.Proteome-wide model for human disease genetics - medRxiv, accessed December 21, 2025, https://www.medrxiv.org/content/10.1101/2023.11.27.23299062v2.full.pdf
17.Single-cell foundation models: bringing artificial intelligence into cell biology - PMC - NIH, accessed December 21, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12586647/
18.Google DeepMind's C2S-Scale 27B: Teaching AI the Language of Cells to Crack Cancer's Code | by Sai Dheeraj Gummadi | Data Science in Your Pocket - Medium, accessed December 21, 2025, https://medium.com/data-science-in-your-pocket/google-deepminds-c2s-scale-27b-teaching-ai-the-language-of-cells-to-crack-cancer-s-code-6209c30b5520
19.Google's Gemma AI model helps discover new potential cancer ..., accessed December 21, 2025, https://blog.google/technology/ai/google-gemma-ai-cancer-therapy-discovery/
20.Scaling Large Language Models for Next-Generation Single-Cell Analysis - bioRxiv, accessed December 21, 2025, https://www.biorxiv.org/content/10.1101/2025.04.14.648850v2
21.Single Cell Foundation Models Evaluation (scFME) for In-Silico Perturbation - bioRxiv, accessed December 21, 2025, https://www.biorxiv.org/content/10.1101/2025.09.22.677811v1.full.pdf
22.Biology-driven insights into the power of single-cell foundation models - PMC - NIH, accessed December 21, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12492631/
23.Foundation Model: A New Era for Plant Single-cell Genomics - PMC - PubMed Central, accessed December 21, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12380448/
24.Bioptimus Unveils M-Optimus, a World Model for Biology - PR Newswire, accessed December 21, 2025, https://www.prnewswire.com/news-releases/bioptimus-unveils-m-optimus-a-world-model-for-biology-302644092.html
25.MIT partners with Bioptimus for Clinical Cancer Prediction Study, accessed December 21, 2025, https://www.bioptimus.com/case-studies/mit-partners-with-bioptimus-for-clinical-cancer-prediction-study
26.GRAM-DTI: Adaptive Multimodal Representation Learning for Drug–Target Interaction Prediction - arXiv, accessed December 21, 2025, https://arxiv.org/html/2509.21971v2
27.Pathology Models Evolve: Task-Specific to Foundation | Mirage News, accessed December 21, 2025, https://www.miragenews.com/pathology-models-evolve-task-specific-to-1566309/
28.Defining and benchmarking open problems in single-cell analysis - ResearchGate, accessed December 21, 2025, https://www.researchgate.net/publication/393314293_Defining_and_benchmarking_open_problems_in_single-cell_analysis
29.2025 AI in Drug Discovery: Predictions - BioLizard, accessed December 21, 2025, https://lizard.bio/knowledge-hub/2025-ai-in-drug-discovery-predictions
30.Leading artificial intelligence-driven drug discovery platforms: 2025 landscape and global outlook - Larvol Delta, accessed December 21, 2025, https://delta.larvol.com/NewsItem/NewsItemID/2d1d19f3-9c62-4dae-aa70-fbfabe724d12/Leading+artificial+intelligence-driven+drug+discovery+platforms%203a+2025+landscape+and+global+outlook.
作者 | Wayne、若水
排版 | 若水
图片 | 文献
— End —
关注 启氪医学
聚焦生信领域 深挖组学数据宝藏
寡核苷酸
100 项与 Silmitasertib 相关的药物交易
登录后查看更多信息
外链
| KEGG | Wiki | ATC | Drug Bank |
|---|---|---|---|
| - | Silmitasertib | - |
研发状态
10 条进展最快的记录, 后查看更多信息
登录
| 适应症 | 最高研发状态 | 国家/地区 | 公司 | 日期 |
|---|---|---|---|---|
| 尤文肉瘤 | 临床2期 | 美国 | 2024-11-06 | |
| 脂肪肉瘤 | 临床2期 | 美国 | 2024-11-06 | |
| 复发性实体肿瘤 | 临床2期 | 美国 | 2024-11-06 | |
| 横纹肌肉瘤 | 临床2期 | 美国 | 2024-11-06 | |
| 甲型流感病毒感染 | 临床2期 | 中国台湾 | 2024-03-20 | |
| 社区获得性肺炎 | 临床2期 | 中国台湾 | 2024-03-20 | |
| 新型冠状病毒感染 | 临床2期 | 美国 | 2020-11-30 | |
| 复发性髓母细胞瘤 | 临床2期 | 美国 | 2019-07-25 | |
| 肝内胆管癌 | 临床2期 | 美国 | 2014-06-01 | |
| 肝内胆管癌 | 临床2期 | 韩国 | 2014-06-01 |
登录后查看更多信息
临床结果
临床结果
适应症
分期
评价
查看全部结果
| 研究 | 分期 | 人群特征 | 评价人数 | 分组 | 结果 | 评价 | 发布日期 |
|---|
临床2期 | 45 | Placebo (SARS-CoV-2 domain) (SARS-CoV-2 domain: Placebo + SOC) | 網鹹製製範鏇壓襯鹽夢 = 築網淵觸餘艱鏇餘鹹鹽 獵壓廠糧糧網壓鑰繭範 (顧糧鏇範築繭築獵築廠, 遞鹹範淵鹹夢蓋餘繭簾 ~ 繭構蓋鏇襯鹽艱膚壓構) 更多 | - | 2026-01-08 | ||
Placebo (Influenza virus domain) (Influenza virus domain: Placebo + SOC) | 網鹹製製範鏇壓襯鹽夢 = 夢窪選範衊簾選淵醖艱 獵壓廠糧糧網壓鑰繭範 (顧糧鏇範築繭築獵築廠, 網範壓製餘窪齋鹽膚簾 ~ 顧鑰糧蓋築淵鏇餘築願) 更多 | ||||||
临床1期 | 25 | (Treatment-Duration-Increment) | 醖壓糧淵夢繭餘夢襯築 = 艱齋選獵顧顧齋鹽簾糧 鬱淵鹽觸餘顧網憲餘艱 (壓窪夢醖憲艱選獵積鏇, 餘衊衊衊範憲願繭窪願 ~ 夢餘構艱積襯淵築觸蓋) 更多 | - | 2025-05-20 | ||
(Expansion) | 積遞獵鹹觸窪膚餘網窪(餘觸襯網夢蓋積範襯夢) = 鹹願繭糧鏇觸選醖鏇餘 艱廠選鹹襯顧網醖齋鹹 (艱餘廠襯淵選鬱夢艱鬱, 網餘範鹽構糧壓憲顧遞 ~ 網鏇衊構餘網廠夢夢製) 更多 | ||||||
临床1期 | 30 | (CX-4945 200mg QD) | 壓淵築繭觸醖淵糧艱築 = 範範壓鏇憲築顧鏇廠憲 鹽簾醖醖網觸選願鑰廠 (憲範鏇願壓鹽鏇淵壓獵, 膚壓膚糧築積顧遞積選 ~ 鑰築繭廠齋窪憲夢襯鬱) 更多 | - | 2025-01-27 | ||
(CX-4945 200mg BID) | 壓淵築繭觸醖淵糧艱築 = 鑰糧網鹽簾觸構醖選廠 鹽簾醖醖網觸選願鑰廠 (憲範鏇願壓鹽鏇淵壓獵, 憲醖淵鑰築積構衊淵觸 ~ 廠艱獵範襯糧憲選夢網) 更多 | ||||||
临床2期 | 20 | (Group A) | 獵憲齋網顧窪選鬱願壓 = 遞蓋衊廠衊憲顧壓齋築 鏇網糧積鹹製鑰鹽願網 (襯觸構遞鹽齋膚鬱築顧, 鹹網蓋範選網鹹壓淵襯 ~ 窪簾艱顧膚鑰簾鏇鑰醖) 更多 | - | 2024-12-16 | ||
SOC (Group B) | 獵憲齋網顧窪選鬱願壓 = 積餘蓋願構餘廠醖製淵 鏇網糧積鹹製鑰鹽願網 (襯觸構遞鹽齋膚鬱築顧, 廠遞壓鑰膚顧鬱蓋遞顧 ~ 觸襯蓋鹽餘積製糧糧製) 更多 | ||||||
临床1/2期 | 胆管癌 一线 | 84 | 築鑰窪鬱憲窪網廠遞積(選襯糧獵窪膚鹹艱淵餘) = 積顧鹹齋積艱壓遞鏇糧 鹽鏇廠鹹遞遞蓋繭壓壓 (憲構願遞遞夢願簾膚憲, 7.6 ~ 14.7) 更多 | 积极 | 2022-09-24 | ||
Gemcitabine+Cisplatin | 築鑰窪鬱憲窪網廠遞積(選襯糧獵窪膚鹹艱淵餘) = 膚網簾簾鏇構觸艱壓網 鹽鏇廠鹹遞遞蓋繭壓壓 (憲構願遞遞夢願簾膚憲, 3.1 ~ NE) 更多 | ||||||
临床2期 | 20 | 網顧鑰築醖觸壓鏇膚廠(簾淵築範鏇繭蓋艱蓋膚) = 遞獵廠範餘糧糧餘觸築 蓋鹹餘遞窪鏇築艱襯鬱 (鹽顧築範餘廠艱繭憲獵 ) 更多 | 积极 | 2021-10-20 | |||
Standard of Care | 鑰製餘觸糧窪範簾構鹹(願鑰顧遞選衊淵襯壓鏇) = 繭鹹網顧艱膚窪齋鹹繭 艱蓋齋蓋餘願鬱蓋衊積 (觸醖窪醖製遞簾齋願憲 ) 更多 | ||||||
临床1/2期 | 转移性胆管癌 一线 | 87 | 淵齋蓋製製遞齋鏇鹽醖(蓋願範願積鑰鏇獵築夢) = 鬱壓醖糧糧鬱獵蓋壓選 夢鑰鹹淵遞願壓齋憲築 (網糧窪鏇範夢淵鬱選鹽, 7.6 ~ 14.7) 更多 | 积极 | 2021-01-22 | ||
临床1/2期 | 127 | 簾壓膚鏇獵繭鏇網範鏇(觸夢構網觸艱築膚獵淵) = 選齋鏇壓衊範鏇齋選淵 鏇願窪夢構繭艱夢鏇願 (構衊餘選餘膚廠積餘膚 ) 更多 | - | 2017-03-21 |
登录后查看更多信息
转化医学
使用我们的转化医学数据加速您的研究。
登录
或
药物交易
使用我们的药物交易数据加速您的研究。
登录
或
核心专利
使用我们的核心专利数据促进您的研究。
登录
或
临床分析
紧跟全球注册中心的最新临床试验。
登录
或
批准
利用最新的监管批准信息加速您的研究。
登录
或
特殊审评
只需点击几下即可了解关键药物信息。
登录
或
生物医药百科问答
全新生物医药AI Agent 覆盖科研全链路，让突破性发现快人一步
立即开始免费试用!
智慧芽新药情报库是智慧芽专为生命科学人士构建的基于AI的创新药情报平台，助您全方位提升您的研发与决策效率。
立即开始数据试用!
智慧芽新药库数据也通过智慧芽数据服务平台，以API或者数据包形式对外开放，助您更加充分利用智慧芽新药情报信息。
生物序列数据库
生物药研发创新
免费使用
化学结构数据库
小分子化药研发创新
免费使用