EXS-21546

看了不少AI biotech，今天也来写一点小的洞察叭。 我想用一个理想化的贝叶斯框架来理解这个问题。 在传统的创新药中，一个新靶点、一种新抗原或一条新序列，在项目开始时都有一个先验概率。 这个概率来自疾病机制、同类项目、动物实验； 当然也来自PI的学术声誉，甚至上一轮融资的故事需要（这些就是噪音了）。 随后，组学数据、结构预测、数据、疗效和安全性不断进入系统，项目的成功概率随之更新。 用最简单的表达就是： 后验概率 = 先验概率 × 新数据对成功假设的支持程度 药物研发的问题在于，传统流程往往几年才更新一次判断。 靶点选错了，团队可能继续做直到二期或三期失败才承认最初的判断不成立。 AI的价值，是让概率更新更快，也更频繁。 它可以把多组学、病理、历史临床和真实世界数据放在一起。 先筛掉低概率靶点；再根据实验结果调整候选分子；进入临床后，继续寻找更可能响应的患者。 每一轮更新都可能让项目加速，也可能让项目提前终止。 那么根据上面的贝叶斯框架，我们不难得到制约AI制药的核心因素： ①先验太差（比如过度依赖某权威PI），再多的数据更新也难以收敛到有效后验。 ②数据质量差（高质量的前瞻性临床数据是稀缺且被大药企垄断的），模型只在回顾性样本里有效，都会让后验概率失真。 AI最终要证明的，是它能否在前瞻性试验中重复改善决策。 01 Moderna：AI先提高每一轮更新的速度 Moderna与OpenAI的合作，代表了AI进入mRNA公司的第一种形态：先改造研发工作流。 mRNA疫苗设计同时面对多个变量：抗原结构、保守表位、二级结构、表达量、稳定性和LNP递送。 传统方法需要合成和测试大量组合，AI可以先对候选进行排序，把实验资源集中到更可能成功的方案上。 这一步很重要，但还没有触及药物价值的终点。 更高的表达量，可能伴随更强的先天免疫反应；动物模型中的抗体滴度，也不等于人体保护效力。 AI筛出一条看起来更好的序列，只代表它的后验概率暂时上升了一点。 真正应该跟踪的指标是： 从病原体数据到候选物的周期有没有缩短； 每轮实验淘汰低概率方案的比例有没有提高； AI筛选的候选是否更频繁地进入IND。 Moderna的案例说明，AI首先提高的是“更新速度”。 候选能否成为疫苗，还要由临床终点进行最终的裁决。 Moderna股价翻倍，市场押注的是什么？02 Pathos：把后验概率变成下注策略 Pathos AI代表另一种形态：AI直接进入项目组合和患者分层决策。 它试图把多组学、数字病理、临床资料和真实世界数据转成可验证的生物标志物，回答两个问题：哪些患者更可能响应，哪些项目值得继续投入。 其实这个逻辑跟前面是一样的，只是更进了一步。 模型不需要每次都预测正确。只要它能在多个项目中持续提高有效样本比例、减少无效入组，并让失败项目更早退出，组合层面的研发回报就可能改善。 AI biotech最终要用临床结果证明自己的概率优势。回顾性预测再漂亮，也不能替代前瞻性随机试验。 1.25亿美元首付，Pathos AI为什么买下这款中国ADC？03 Exscientia：先行者的殉道 Exscientia是英国最早一批用AI设计小分子药物的先锋。 2020年1月，它高调宣布与日本住友制药合作开发的DSP-1181进入I期临床，这是全球第一个由AI设计的分子进入人体试验。 从概念到候选分子，只用了不到一年，而行业平均是4.5年。 但两年后，住友制药 quietly 终止了DSP-1181，原因是I期研究未达到预期标准。 我大胆揣测一下都会存在哪些问题。 首先，先验可能本身就是有偏的。 如果先验本身就是对已知空间的过拟合，那么再快的贝叶斯更新也只是在错误的方向上加速。 AI只是在一个已经被验证过无数次的分子骨架上做了局部优化，然后给这个候选分配了一个很高的后验概率。 接着呢，我们来看看Exscientia又做了什么。 DSP-1181失败后，Exscientia并没有停下来系统性反思平台在"新颖性"上的根本缺陷。 相反，它继续推进了DSP-0038（阿尔茨海默病）和EXS-21546（实体瘤），直到这些管线也陆续终止或从官网消失。 这里再聊一个点，现在的AI制药平台往往表现出很强的适应症依赖性。 如果大家像我一样，已经把AI融入工作中，应该不难理解context-dependence这个概念。 一个在肿瘤免疫里能更新概率的模型，在神经退行性疾病里可能完全失效，因为疾病机制、数据分布、终点定义都变了。 这意味着AI制药的"平台价值"可能不是跨领域的，而是高度局部化的。 Exscientia的股价从2021年10月的高点21.97美元，跌至2024年8月的4.68美元，跌幅接近79%。 2024年11月，它被Recursion以约6.3亿美元的股票收购，从一家曾被寄予厚望的独立AI平台公司，变成了另一家AI biotech的子公司。 总而言之呢，AI不会改变药物研发的终极裁判——前瞻性临床试验。它改变的是裁判给出判决之前，我们能迭代多少轮、淘汰多少错误。 最终，成功的AI biotech未必是算法最炫的那家，而是能把“后验概率”持续转化为“更高胜率的管线组合”，并坦然接受临床检验的那家。 这轮浪潮的终局，不是AI取代生物学家，而是懂生物学的AI和懂临床的团队，一起让失败更早发生、让成功更快到来。

AI在生物药研发中的具体应用全解析 AI 正重塑生物药研发全流程，将周期从12-15 年缩短至 2-3 年，成本从26 亿美元降至 3 亿美元以下，临床成功率提升至25%+。以下按研发阶段系统梳理 AI 的具体应用、技术路径与标杆案例。 一、靶点发现与验证：从 "大海捞针" 到 "精准定位" 核心痛点 传统靶点发现依赖基础研究，周期5-7 年，单个靶点验证成本约100 万美元，成功率仅5% AI 应用场景与技术方案 应用场景 AI 技术 核心价值 标杆案例 多组学数据整合 图神经网络 (GNN)、深度学习 挖掘疾病 - 基因 - 蛋白关联，识别全新靶点 英矽智能 PandaOmics：整合基因组 / 转录组 / 蛋白质组，18 个月发现 IPF 新靶点，与 Servier 达成 8.88 亿美元合作 文献挖掘与知识图谱 NLP、知识图谱构建 从数百万篇文献中提取疾病机制与靶点关联 BenevolentAI：解析 2000 万 + 文献，发现渐冻症新靶点，候选药进入 II 期临床 靶点成药性预测 机器学习分类模型 评估靶点可成药潜力，降低后期失败风险 浙大 "女娲" 大模型：预测罕见病治疗性位点，准确率超 90%，成功验证镰刀型贫血症基因治疗位点 靶点相互作用预测 分子对接、动力学模拟 + AI 预测靶点与其他蛋白相互作用，避免脱靶效应 AlphaFold3：预测蛋白质 - 蛋白质相互作用，为靶点验证提供结构基础 关键突破 AI 可识别传统方法无法发现的 \\"不可成药" 靶点 \\，如转录因子、蛋白 - 蛋白相互作用界面，拓展治疗边界 二、抗体与蛋白质药物设计：原子级精准创造 核心痛点 传统抗体发现周期6-8 个月，筛选成本高，难以针对复杂表位设计高特异性抗体 AI 应用场景与技术方案 1.从头设计全新抗体 ￮技术：生成式 AI (RFdiffusion)、结构预测 (AlphaFold3)、ProteinMPNN 序列优化 ￮成果：David Baker 团队设计针对 PHOX2B–HLA-C*07:02 复合物的 scFv，特异识别关键残基 R6，周期从数月缩至72 小时 ￮应用：开发肿瘤新生抗原治疗抗体，已授权药企推进临床 2.亲和力成熟与成药性优化 ￮技术：强化学习、多参数优化模型 (覆盖 50 + 指标) ￮成果：复宏汉霖 AI 引擎将候选分子发现周期从 6-8 个月压缩至 2-3 个月，命中率提升30 倍 ￮应用：PD-1/PD-L1 双特异性抗体开发，提前 1.5 年获临床批件 3.蛋白质药物从头设计 ￮技术：生成式 AI 模拟蛋白质进化 ￮成果：Profluent OpenCRISPR-1：全新 Cas 样蛋白 (1380aa)，编辑效率达野生型 Cas9 的85%，脱靶率降低60%，2025 年 7 月 Nature 发表 ￮应用：基因治疗新工具，避免天然 Cas 蛋白专利限制 三、细胞与基因治疗 (CGT)：攻克 "递送难、效率低" 瓶颈 核心痛点 AAV 载体免疫原性高、靶向性差；基因编辑脱靶风险大；细胞治疗生产工艺复杂、成本高 AI 应用场景与技术方案 1.AAV 载体优化 ￮技术：大模型 (xTrimoPGLM)、AAV 文库设计、实验验证闭环 ￮成果：百图生科 + 博腾生物 AIGP 平台：设计 10 + 血清型 AAV 文库，靶向效率提升4-6 倍，免疫原性降低50% ￮应用：服务 12 家基因治疗公司，加速 15 个罕见病项目临床转化 2.基因编辑效率提升 ￮技术：AI 设计微型蛋白、修复机制调控 ￮成果：AI 设计 MLH1 结合蛋白，将先导编辑效率提升18.8 倍，脱靶效应降低，2025 年 Cell 发表 ￮应用：镰状细胞贫血症、遗传性耳聋等疾病基因编辑研究 3.细胞治疗生产工艺优化 ￮技术：无标记活细胞成像 + 机器学习、实时质量控制 ￮成果：Stately Bio 平台：CAR-T 细胞生产纯度提升25%，一致性达95%，成本降低30% ￮应用：诺华、吉利德 CAR-T 产品生产优化，推动 "天价" 疗法向 "可及" 转变 四、RNA 药物开发：解锁 "从疫苗到治疗" 全潜力 核心痛点 mRNA 稳定性差、免疫原性高；RNAi 脱靶效应大；罕见病 RNA 治疗靶点难寻 AI 应用场景与技术方案 1.mRNA 序列优化 ￮技术：深度学习预测 mRNA 稳定性、翻译效率、免疫原性 ￮成果：环状 mRNA、自扩增 mRNA 设计，降低剂量需求10 倍，表达时间延长至72 小时 ￮应用：Moderna 个性化癌症疫苗 mRNA-4157，与 Keytruda 联用使黑色素瘤 5 年生存率提升 25% 2.RNAi 药物设计 ￮技术：AI 预测 RNA 结合特异性、脱靶风险 ￮成果：晶泰科技 + ReviR 溪砾科技：AI 优化 RNA 小分子药物，动物实验神经功能恢复率达70%，获国内首个 AI+RNA 小分子临床批件 ￮应用：遗传性周围神经病 (CMT) 治疗，拓展至 200+RNA 相关罕见病 3.递送系统优化 ￮技术：生成式 AI 设计 LNP、GalNAc 偶联结构 ￮成果：LNP 靶向效率提升5 倍，全身毒性降低90% ￮应用：mRNA 基因编辑递送，2027 年有望获批首个临床应用 五、临床前研究：AI 预测替代动物实验 核心痛点 临床前安全性评价周期长、成本高，动物模型与人类差异大，预测准确率低 AI 应用场景与技术方案 1.ADMET 预测 ￮技术：多任务深度学习模型、迁移学习 ￮成果：预测准确率达90%，减少动物实验70% ￮应用：Atomwise AtomNet 平台：一周内筛选埃博拉病毒药物，命中率提升10 倍 2.毒性预测与机制解析 ￮技术：计算机视觉、通路分析算法 ￮成果：预测肝 / 肾 / 心脏毒性，提前发现潜在安全风险 ￮应用：Insilico Medicine：AI 预测候选药心脏毒性，避免临床 III 期失败 3.动物模型选择与实验设计 ￮技术：机器学习分类模型、实验参数优化算法 ￮成果：选择最优动物模型，减少实验次数50%，周期缩短40% ￮应用：百济神州：AI 优化肿瘤动物模型，临床前数据与人体结果相关性达85% 六、临床试验：全流程智能优化 核心痛点 临床试验周期6-7 年，患者招募难，失败率70%，成本占研发总投入60% AI 应用场景与技术方案 应用场景 AI 技术 核心价值 标杆案例 患者精准招募 机器学习、NLP 分析 EHR 匹配入组标准，招募周期缩短40% Exscientia：AI 筛选系统将 II 期失败率降低 30%，为 EXS21546 加速临床进程 分层与疗效预测 基因组分析、生物标志物识别 识别获益人群，提升试验成功率 百时美施贵宝：AI 预测 PD-1 抑制剂疗效，阳性预测值达80% 实时安全监控 自然语言处理、异常检测 提前发现不良事件，降低安全风险 辉瑞：AI 监控系统使严重不良事件报告时间缩短72 小时 试验设计优化 强化学习、模拟试验 优化剂量、给药方案，减少试验组数 诺华：AI 设计 CAR-T 临床试验，周期缩短1.5 年，成本降低30% 关键突破 AI + 真实世界数据 (RWD)：利用 EHR、医保数据加速临床试验，支持监管决策，审批周期缩短50% 七、生产工艺：智能 "智造" 生物药 核心痛点 生物药生产工艺复杂，规模化生产难度大，成本高，质量一致性难保障 AI 应用场景与技术方案 1.细胞培养工艺优化 ￮技术：机器学习、实时数据分析 ￮成果：CHO 细胞产量提升30%，蛋白表达量达10g/L ￮应用：药明生物：AI 优化培养基配方，生产效率提升40% 2.纯化工艺智能控制 ￮技术：近红外光谱 + AI、过程分析技术 (PAT) ￮成果：纯化收率提升25%，纯度达99.9% ￮应用：三星生物：AI 控制层析工艺，产品质量波动降低60% 3.CGT 生产全流程优化 ￮技术：机器视觉、实时质量检测 ￮成果：CAR-T 细胞生产一致性达95%，制造成本降低30% ￮应用：Stately Bio：AI 优化细胞治疗生产，纯度提升 25%，已用于诺华、吉利德产品生产 4.供应链智能管理 ￮技术：预测性分析、区块链 + AI ￮成果：降低库存成本20%，避免供应中断 ￮应用：罗氏：AI 预测生物药需求，供应链响应速度提升50% 八、AI + 生物技术融合的核心技术矩阵 1.基础模型层 ￮蛋白质结构预测：AlphaFold3、RoseTTAFold ￮生成式模型：RFdiffusion、Profluent、ProteinMPNN ￮多组学分析：PandaOmics、xTrimoPGLM 2.应用工具层 ￮靶点发现：BenevolentAI、英矽智能 PandaOmics ￮抗体设计：David Baker 实验室、复宏汉霖 AI 引擎 ￮临床优化：Exscientia、Paige 3.平台系统层 ￮端到端研发：Isomorphic Labs、晶泰科技 ￮生产智造：Stately Bio、药明生物 AI 平台 九、未来趋势：从 "辅助工具" 到 "研发主体" 1.大模型驱动端到端研发：2026-2028 年将出现能完成从靶点到临床候选分子全流程设计的 AI 大模型，周期缩短至12 个月内 2.AI + 合成生物学深度融合：设计全新生物合成路径，降低生产成本30-50%，推动生物类似药普及 3.个体化治疗 AI 定制：基于患者多组学数据，实时设计个性化生物药，实现 "一人一药" 精准治疗 4.监管 AI 化：FDA、NMPA 使用 AI 辅助审评，审批周期缩短50%，加速创新疗法上市 十、实施建议：企业落地 AI 的关键步骤 1.数据基础设施建设：整合多组学、临床、生产数据，建立标准化数据湖 2.分阶段部署：先从靶点发现、虚拟筛选等成熟应用切入，再拓展至生产、临床 3.人才培养与合作：组建 AI + 生物技术交叉团队，与 AI 公司 / 科研机构合作 4.合规与伦理：确保 AI 模型透明、可解释，符合监管要求与伦理准则 生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物产业+物理AI=生物智能 产业智能官：NeuroAI 加入知识星球“生物智能研究院”：自动化生物铸造厂OT技术（自动化+机器人+工艺+精益）和新一代IT技术（云计算+物联网+区块链+大数据+人工智能）深度融合，在场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物科学智能作为第四次工业革命的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎；重构设计、生产、供应链和服务等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态和新模式；引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。 产业智能化技术分支用来的今天，从业者必须了解如何将生物科学智能（NeuroAI）全面渗入整个公司、产品、业务等商业场景中，利用生物科学智能（NeuroAI）形成数字化、网络化和智能化力量，实现行业的重新布局、企业的重新构建和焕然新生。 版权声明：产业智能官（ID：NeuroAI）发表的文章，除非确实无法确认，我们都会注明作者和来源，涉权请联系协商解决，联系、投稿邮箱：wolongzy@qq.com