Ripasudil Hydrochloride Hydrate

AI制药正在面对一个新的问题：当模型能够预测性质、生成分子之后，谁来决定下一步做什么，以及如何根据实验结果调整研究路线。 智能体试图承担这部分工作。而其价值，则是取决于它能否把分散的工具连接成可验证、可纠错的研究过程。 2026年10月12日，浙江大学药学院侯廷军等在npj Drug Discovery发表观点文章，梳理智能体在药物发现中的应用，并提出六级自主性框架。文章提供了一套判断能力边界的思路：哪些工作已经可以交给AI，哪些环节仍离不开科学家的判断。 从执行单项任务，到组织研究流程 预测分子活性、生成蛋白序列、规划合成路线，分别回答了研发中的局部问题。真正推进项目，还要决定如何组合这些结果。当结合能力、溶解度和合成难度之间出现冲突，研究者需要判断先验证哪项假设，再根据结果修改方案。 智能体将大语言模型与外部工具、任务记忆连接起来。模型负责拆分目标、选择行动；专业软件和实验平台执行计算或操作；返回的数据影响下一步计划。它的关键能力，是在执行过程中根据反馈调整路径。 以先导化合物优化为例，一个有用的系统需要记住上一轮改动、对应的实验结果及尚未解决的问题，再安排新的设计与测试。这形成“设计—合成—测试—分析”的DMTA循环。若系统只是依次运行预先写好的程序，即使最后由大模型生成报告，也不能据此认定它具有自主研究能力。 多智能体可以进一步分工，例如分别负责文献、分子设计和数据分析。但分工也增加了信息传递与协调成本。对步骤明确、规则稳定的任务，固定工作流往往更容易控制；是否需要智能体，应由任务中的决策需求决定。 六级自主性，区分工具调用与研究闭环 作者从科学决策、系统自主性和人工参与程度三个维度，将系统划分为L0至L5。这是论文提出的分析框架，并非已经统一的行业认证标准。 L0是完成单项计算的工具；L1在固定流程中加入大模型，用于解释、翻译或生成报告。两者的执行路径仍由预设规则或人工决定。 L2开始具备任务调度能力：能够拆分目标、调用工具、保存任务状态，并修复部分接口错误。L3则要求围绕研究目标形成反馈闭环，依据计算或实验结果调整策略。区别在于，修好一段程序，并不等于能够判断实验结果是否支持原来的科学假设。 L4进一步强调跨项目积累经验，改善工作策略与工具组合。L5“虚拟科学家”则指向更高的自主性：提出新的研究问题和原创假设，并组织端到端探索。作者将其定位为长期愿景。 这一分级也提醒研究人员，调用多少工具、配置多少个智能体，不能直接说明它处于哪一级。需要查看实际执行过程，以及关键决策由谁完成。 图1｜从单项计算工具到“虚拟科学家”的自主性分级。来源：Zhao等，npj Drug Discovery（2026），原文图4，未修改；CC BY-NC-ND 4.0。 两类案例，展示不同的自主能力 原文梳理了靶点发现、分子与蛋白设计、候选物评估、合成规划和自动化实验等应用。其中，Coscientist与Robin分别展示了连接实验设备、利用生物实验反馈的能力。 图2｜智能体的研发应用范围示意，不代表各环节均已实现自主运行。来源：Zhao等，npj Drug Discovery（2026），原文图5，未修改；CC BY-NC-ND 4.0。原图科学图标由BioRender制作（Zhao，2026）。 Coscientist：把规划转化为设备操作 Coscientist发表于2023年的研究中，系统接到交叉偶联反应任务后，检索资料、选择试剂并生成液体处理机器人的控制代码。一次执行中，它使用了错误的设备方法名，随后查阅文档并修正程序；产物分析确认了目标产物的形成。 这一过程说明，AI能够把文献信息转化为设备操作，并处理执行错误。不过，原研究明确指出实验板仍需人工移动。它验证的是特定化学任务中的规划与执行能力，不能直接外推为整条药物研发流程的无人化。 Robin：让实验反馈进入下一轮假设 Robin更接近生物研究中的假设迭代。其2026年发表于Nature的研究以干性年龄相关性黄斑变性为对象，提出通过增强视网膜色素上皮细胞的吞噬功能寻找候选干预药物。 研究人员完成实验后，将数据交给Robin分析。系统根据第一轮结果继续提出候选药物，后续体外实验发现，ripasudil增强吞噬功能的效力高于首轮候选Y-27632，并在原代人源视网膜色素上皮细胞中得到验证。这里的证据是细胞功能改善，尚不能说明能够治疗患者。 Robin的意义在于，实验数据实际影响了下一轮假设。实验实施、部分条件选择和结果核查仍有研究人员参与，因此更准确的定位是半自主研究系统。这也说明，自主分析、自主规划和自主操作需要分别评价。 可靠的科研协作者，需要怎样的证据 判断智能体是否有用，需要先区分验证方式。计算测试可以检查工具执行和预测表现；回顾性复现已有发现可能受到训练数据记忆的影响；前瞻性实验能够检验新方案，但单次细胞实验仍不足以证明临床价值。不同证据回答的问题不同。 评估也应延伸到过程。最终结果看似正确，可能掩盖中途的数据处理错误或人工接管。作者建议报告人工干预次数及程度、自主错误恢复率、子任务完成率，并记录时间与成本。保留数据来源、工具调用和中间结果，才能追查错误发生在哪一步。 还需要验证收益是否来自智能体本身。在相同底层模型与工具条件下，比较固定流程和动态规划，并分别移除记忆、纠错或多智能体协作模块，才能判断哪些设计带来了改善。更强的基础模型与更多计算资源，也可能解释表面的性能提升。 对研发团队而言，这意味着试点目标应足够具体：系统能否减少某项任务的人工处理，在出错后恢复，并留下可复核的依据。围绕这些问题建立比较，比笼统评价“像不像科学家”更有实际意义。 这篇文章为不断扩大的智能体应用提供了能力分层和证据尺度。下一步值得观察的是，系统能否将可靠的局部闭环扩展到跨轮次、跨设备的研究，并把历史经验用于新的项目。若这些能力得到验证，科学家有望把更多精力转向问题定义、实验选择与转化判断，而智能体承担更多连续执行和反馈整理工作。 参考资料 1. https://www.nature.com/articles/s44386-026-00075-0 2. https://www.nature.com/articles/s41586-023-06792-0 3. https://www.nature.com/articles/s41586-026-10652-y --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

2026年8月，斯坦福大学领衔的团队在《科学》上发表了一项研究：用Evo 1和Evo 2两种基因组语言模型，以天然噬菌体Phi X-174为模板生成候选基因组，约300个被合成并在实验室测试，最终得到 16株 有活性的噬菌体。 它们的DNA序列、结构、调控元件在自然界中找不到对应物，混合制剂还能抑制已对天然噬菌体产生耐药性的大肠杆菌。有报道称，这批人工噬菌体已经推进到给耐药菌感染患者注射的阶段，但这一细节目前只在单一媒体出现，缺少权威信源的交叉印证，先按下不表。 真正值得掰扯的，是哈佛化学系教授Gregory L. Verdine在2026年10月提出的判断：AI在生物学领域只能掌握已知、无法预测未知，因此生物学是抗AI职业替代的学科。这个判断在2026年只对了一半，而对的那一半，原因和他说的不太一样。 说“AI只能掌握已知”，2026年的证据已经不支持 先看AI能力边界这一侧。除了噬菌体，2026年还有几件事： 清华大学智能产业研究院的DrugCLIP平台，针对此前无已知小分子配体、无公开复合物结构的肿瘤靶点TRIP12，从160万个候选分子中筛出约50个高评分分子，实验证实10个有结合能力，2个能抑制该靶点的泛素连接酶活性。 AI辅助靶向TRIP12的潜在分子筛选全流程示意图 中科院上海药物所的PBCNet2.0，训练阶段完全没接触突变样本，仍能预测部分靶点突变对药物结合选择性的影响，并解释了多个临床相关突变的分子机制，结果经湿实验验证。 名为Robin的多智能体系统，从151篇论文中提出10种疾病机制，综合约400篇文献生成30个可测试候选，最终指向ripasudil和KL001两个可在细胞实验中验证的候选药物。 《科学》发表的Defense Predictor模型，在94个测试转录单位中验证出42个具备噬菌体保护作用，实验验证率45%，平均精度0.86，而传统序列比对工具BLAST只有0.29。 这些案例的共同点是：AI输出的不是“人类已知内容的重新排列”。噬菌体基因组在天然样本里没观测到，TRIP12那个口袋此前没有已知配体，突变效应模型训练时压根没见过。 Geoffrey Hinton在2026年9月的说法正好相反：AI能整合海量多模态生命信息，发现人类从单一数据源中根本识别不出的规律，这些规律先以AI预测的形式出现，再由人类实验验证。 不过新华网的报道里有个细节值得注意：牛津大学研究员奥利弗·克鲁克认为，这些AI生成的病毒总体上与天然病毒十分相似，仍遵循基本生物学规律。也就是说，“未知”有边界——AI造出的是进化树上没有的分支，不是绕开生物学定律的新物种。 Verdine若指的是“AI不能凭空发明一套新的生命逻辑”，这话到2026年还没被推翻；若指的是“AI只能复述人类标好的数据”，那已经被证伪。 但“未知”被提出来之后，确认权还在实验台上 换到验证这一侧，画面完全不同。 2013年诺贝尔生理学或医学奖得主托马斯·苏德霍夫提了个“验证税”：AI能在短时间内筛出大量候选分子，却未必能告诉科学家哪一种真能治病，生成结果仍需科学家投入时间核实，这部分成本可能抵消技术带来的部分效率收益；真实的生物医学研究数据来源不同、质量参差，算法未必能稳定得出可靠结论。 数字也支持这个说法。AlphaFold3在抗体对接上单次成功率只有38.1%；RFdiffusion3设计降解有机磷的酶，96个样本只有4个有活性，换成切特定肽段的蛋白酶，96个里过半有活性——同一个模型换个任务，命中率差十几倍。 监管层面把线画得更死。2026年1月，FDA与EMA联合发布药品研发“良好人工智能实践”十项指导原则，要求AI输出结果必须经过层级化验证，禁止跳过实验直接申报临床；中科院深圳先进院的综述则提出“数据质控—可解释分析—多层级验证”一体化规范。 莱维特对此有个更根本的解释： 数学界能列出具体待解决问题清单，自然科学界往往面临更模糊的问题……这些问题更多依赖实验证据，甚至可能取决于偶然，不像数学那样可依赖理论框架。 所以这一侧的结论是：AI能提出未知，但“未知”变成“知识”的最后一步仍由湿实验完成。 被AI挤掉的不是生物学，是生物学里的纯计算环节 再换到就业这一侧。 Anthropic 2026年10月的内部报告显示，技术部门新招初级岗位比例在约一年内从 27%跌至9 %；计算机程序员岗位的AI实际暴露度达74.5%，理论替代率高达94%。 《自然》采访五十来位研究者后的结论类似：数据分析、计算建模、科研编程、论文翻译这类纯认知执行岗正在收缩，美国翻译协会科技翻译分会会员人数在不到两年半里下降了26%；而涉及实验的岗位、统筹协调项目的资深岗位，短期内相对安全。 但另一组数字方向相反。智联招聘《2026年生物医药产业人才发展报告》显示，2026年上半年含AI制药关键词的职位数同比增长84.0%，计算机辅助药物设计岗位平均月薪25465元。 2026年上半年生物医药高增长赛道职位增速统计 第一财经采访的医药猎头说，AI制药负责人岗位年薪可突破200万元，市场需求量是存量人才的2倍，空缺岗位是愿意跳槽人才的4到5倍。 斯坦福James Zou实验室的Virtual Biotech看着像反例：11个AI智能体承担首席科学官、靶点鉴定、临床分析等全部岗位，没有一个真人。但它是实验室里的概念验证，不是行业普遍形态。 两组数字放一起，结论就清楚了：被AI吃掉的是“只会算、不碰实验”的那部分，而“生物+AI”的中间人被抢着要。抗替代的不是学科本身，是学科里必须动手、必须判断的那一段。 综合来看 回到Verdine。他的判断有一半被2026年的证据推翻了：AI确实能从海量数据里挖出人类此前没看到的规律，能生成自然界不存在的活性基因组，能在训练时没见过突变样本的情况下预测突变效应。这些都不是“复述已知”。 另一半则站得住：所有这些“未知”最终都要回到实验台上确认，这个环节至今没有可替代方案，行业里也没有出现生物科研岗位的大规模收缩。 有意思的是，Verdine自己的公司Dovetree在2025年8月与晶泰科技签下总规模约59.9亿美元的管线合作协议，把核心创新药物研发管线交给AI平台推进。一个人的公开表述和他的投资决策，往往是两回事。 所以更准确的说法可能是：生物学仍然抗替代，但理由不是“AI预测不了未知”，而是“预测出来的未知，必须有人去验证”。前者在2026年站不住脚；后者才是这门学科真正的护城河——只不过这道河保护的，是既懂模型又懂实验台的人，不是学科里的每一个岗位。