Imneskibart

AI 驱动的抗体多属性优化从序列到临床的智能设计之路Kuo YH, Brown CN, Akin E, Xie Y, Tessier PM (2026) 深度解读📄 Review 📅 2026 📖 Nature Reviews Bioengineering 🏛️ University of Michigan治疗性抗体的开发瓶颈已从"能否找到结合靶点的分子"转向"能否同时优化亲和力、特异性、稳定性、聚集性、免疫原性等多重属性"。AI/ML 方法正在将这一多目标优化从"实验试错"推向"计算预测"——不是取代实验，而是让每一轮实验都更精准地逼近帕累托最优前沿。三种策略（亚文库+深度测序、直接预测、从头设计）沿着"计算参与度递增、实验投入递减"的轴线递进，但目前最具临床转化价值的仍是策略一和策略二——在已有先导抗体的基础上进行精准的多属性协同优化。 原文信息：Kuo YH, Brown CN, Akin E, Xie Y, Tessier PM. Multi-objective antibody design and optimization using machine learning. Nature Reviews Bioengineering. 2026. DOI: 10.1038/s44222-026-00444-4 作者机构：密歇根大学化学工程系、生物界面研究所、药物科学系、生物医学工程系。Tessier 实验室长期专注于治疗性抗体的可开发性优化和计算设计。 核心命题：抗体药物开发中，亲和力与可开发性（developability）之间存在根本性的权衡（trade-off）——提高亲和力往往伴随多反应性增加、自聚集加剧、稳定性下降。传统单属性优化在应对这些相互关联的属性时效率低下甚至徒劳。AI/ML 方法提供了一种系统化地探索序列空间、预测多属性协同最优变体的新范式。一、核心观点全景AI/ML 抗体优化三层次策略策略一：亚文库生成 + 深度测序 + ML 预测实验最重、计算最轻。生成抗体变体文库→FACS分选→深度测序→训练ML模型预测协同最优变体代表案例：trastuzumab HCDR3优化（CNN预测亲和力）、emibetuzumab 亲和力+多反应性协同优化（LDA模型，93%准确率）trastuzumab 亲和力+自然度双优化（抗体语言模型+遗传算法，6.7M变体中仅0.06%协同最优）策略二：直接预测协同最优变体（无需建库）计算与实验并重。基于结构/序列特征直接预测多属性协同最优突变，不依赖文库构建和深度测序CUMAb：基于能量排序的人源化+稳定性协同优化（一次设计即可，无需迭代筛选）可解释ML：80个临床阶段抗体训练的高斯朴素贝叶斯模型，预测自聚集+多反应性（12/17变体达协同最优）CamSol+FoldX整合流程：稳定性+溶解度协同优化（预测准确率66–84%）策略三：从头设计（De Novo Design）计算最重、实验最轻。无需起始抗体模板，针对给定靶点从零生成CDR或Fv序列逆折叠+语言模型+过滤策略（SARS-CoV-2 多变体结合抗体）片段基序拼接法（PDB CDR片段匹配抗原表位→生成de novo纳米抗体，亚微摩尔亲和力）RFdiffusion扩散模型+ProteinMPNN（6个靶点的VHH设计，数十纳摩尔至微摩尔亲和力）核心趋势：三种策略并非互斥，而是构成了从"实验驱动的计算辅助"到"计算驱动的实验验证"的连续光谱。目前策略一和策略二已经产生了进入临床试验的分子（bimekizumab 已获批，AU-007 在 II 期），策略三仍处于概念验证阶段，需要进一步的亲和力成熟和可开发性优化。二、为什么多属性优化是抗体开发的"不可能三角"？2.1 抗体开发中的属性权衡 治疗性抗体的开发并非找到一个"能结合靶点的分子"就结束了。从先导分子到临床候选药物，需要同时满足以下多重要求：属性类别关键指标典型问题常见权衡亲和力/功能KD、结合特异性、生物活性亲和力不足导致给药剂量过高提高亲和力 → 多反应性↑、自聚集↑多反应性非特异性结合（PSP assay）脱靶结合 → 快速清除、组织毒性与亲和力强负相关；CDR疏水/正电荷残基驱动自聚集CS-SINS、AC-SINS高浓度制剂不可行、免疫原性风险静电/疏水patch不平衡驱动稳定性熔解温度（Tm）、ΔΔG保质期短、需冷链、给药途径受限人源化突变常降低稳定性溶解度>100 mg/ml（皮下制剂）无法实现皮下给药与聚集倾向相关免疫原性T细胞表位、人源化程度抗药抗体（ADA）→ 疗效丧失人源化增加"人样性"但可能降低稳定性/亲和力问题的本质：这些属性不是独立的。以 emibetuzumab 为例，其重链 CDR 中的疏水和正电荷残基同时驱动了抗原高亲和力和非特异性结合——二者共享同一个分子基础。单属性优化（如只提高亲和力）常常使其他属性恶化。多属性协同优化的难度在于：需要同时预测多个方向上小步突变的综合效应，而传统实验方法一次只能评估几十到几百个变体。2.2 三策略梯度：计算与实验的再分配维度策略一：亚文库+深度测序策略二：直接预测策略三：从头设计实验投入高（建库、分选、深度测序）中（仅需验证预测变体）低（仅需表达+表征）计算投入中（ML模型训练）中-高（结构建模+ML）极高（扩散模型/语言模型）探索序列空间10³–10⁸ 变体数千至数百万理论上无限对起始抗体依赖强（需先导抗体）强（需先导抗体+结构）弱（仅需靶点结构）临床成熟度✅ 已有获批/临床分子✅ 支持先导优化决策⚠️ 概念验证阶段典型工具CNN、LDA、遗传算法、UniRepRosetta、CamSol、FoldX、高斯朴素贝叶斯RFdiffusion、ProteinMPNN、ESM-IF1三、策略一：亚文库生成 + 深度测序 + ML 预测 这是目前最成熟的策略。核心逻辑是：先通过实验生成高质量的"训练数据"（分选的亚文库 + 深度测序），再用 ML 模型学习序列-属性映射关系，最后预测实验未覆盖的序列空间中是否存在更优的变体。案例 1.1：Trastuzumab HCDR3 亲和力 + 可开发性协同优化 方法路径：随机突变 trastuzumab HCDR3 → 在哺乳动物细胞表面展示 → FACS 分选高/低亲和力群体深度测序 → 计算富集比 → 基于富集比设计第二轮更聚焦的亚文库第二轮分选 + 深度测序 → 训练卷积神经网络（CNN）预测抗原特异性结合过滤层：净电荷、疏水指数（排除高粘度/快清除变体）、溶解度（CamSol）、免疫原性（NetMHCpan） 成果：获得一系列亲和力与 trastuzumab 相当（KD ~4×10⁻¹⁰ M）但生物物理性质显著改善的重新设计抗体。证明了哺乳动物细胞展示 + ML 预测 + 可开发性过滤的可行性。✅ 优势直接在哺乳动物细胞中进行（更接近体内环境）CNN 可学习非线性序列-活性关系⚠️ 局限计算和实验强度大仅优化 HCDR3，不适合多 CDR 广泛探索Mason DM et al., Nat Biomed Eng, 2021案例 1.2：Emibetuzumab 亲和力 + 多反应性协同优化（关键突破） 问题：emibetuzumab（临床阶段 c-Met 抗体）存在高水平非特异性结合，需要降低多反应性同时维持或提高亲和力。而亲和力与多反应性共享 CDR 疏水/电荷 patch——这是经典的"鱼与熊掌"问题。 方法路径：在重链 3 个 CDR 的溶剂暴露位点（疏水/正电荷富集区域）引入多达 8 个突变/抗体 → 10⁷–10⁸ 酵母展示文库双通道分选：抗原结合（高 vs 低）+ 多反应性试剂结合（高 vs 低）深度测序 → 构建 4,000 序列富集数据集 → 训练线性判别分析（LDA）模型使用 UniRep（基于 2400 万蛋白序列预训练的 mLSTM）特征替代传统理化描述符，模型泛化到训练集之外的突变空间 关键数据：LDA 模型分类准确率 ~93%。在帕累托前沿之外发现了新的协同最优变体——亲和力更高、多反应性更低。这意味着模型不仅学会了分类，还学会了外推。✅ 优势简单线性模型在足够大的序列空间中表现优秀UniRep 特征使模型可泛化到新突变空间提供了"超越帕累托前沿"的方法论蓝图⚠️ 局限仍需大量实验（文库构建+多轮分选+深度测序）仅优化两个属性Makowski EK et al., Nat Commun, 2022案例 1.3：Trastuzumab 亲和力 + 自然度双优化（语言模型 + 遗传算法） 方法路径：在 HCDR2 + HCDR3 引入多达 3 个突变 → 生成 >50,000 变体文库 → 活性特异性细胞富集分析 + SPR 表征 → 训练基于 RoBERTa 架构的抗体特异性语言模型（在 OAS 数据库 >10 亿抗体序列上预训练）预测亲和力。同时用 OAS 语言模型计算"自然度"（naturalness）评分作为可开发性代理指标。 震撼数据：在 6,700,000 个可能的变体中，仅 0.06% 同时改善亲和力和自然度。随机筛选几乎不可能找到这些"珍珠"——但 遗传算法在仅评估 4,000 个序列（20 代）后，与穷举搜索的 top 100 达到了 85% 重叠。核心启示：在扩展的突变空间中，协同最优变体极其罕见。这解释了为什么传统方法（一次筛选几十到几百个变体）几乎不可能找到它们——不是不存在，而是采样不足。遗传算法在计算效率和覆盖度之间提供了优雅的平衡。Bachas S et al., bioRxiv, 2022四、策略二：直接预测协同最优变体 策略二的核心突破在于绕过了文库构建和深度测序——直接利用已有数据（抗体结构、序列特征、理化性质）训练可解释的 ML 模型，然后一次性预测出应该引入哪些突变。案例 2.1：CUMAb — 基于能量排序的人源化 + 稳定性协同优化 问题：传统 CDR 移植人源化仅基于框架同源性选择受体框架，不系统考虑稳定性。结果经常是"人源化成功、稳定性崩溃"。 方法：CUMAb 组合 >20,000 个人 V/J 基因片段 → CDR 移植到多样化框架 → Rosetta 全原子能量函数对所有设计排序 → 选择能量最优者。后期引入 SDR（特异性决定残基）移植策略进一步减少异源序列比例。 验证：4 个小鼠抗体的人源化——所有设计保持与母体抗体相当的亲和力，折叠稳定性相当或更高。5 个中的 4 个无法通过传统序列同源性方法识别。设计哲学：基于结构相容性而非序列同源性来选择人源框架。这打破了"同源性最高 = 最优"的传统假设——有时与母体序列差异较大但结构能量更优的框架反而产生更好的结果。Tennenhouse A et al., Nat Biomed Eng, 2023案例 2.2：可解释 ML 模型 — 自聚集 + 多反应性协同优化 方法：对 80 个临床阶段抗体 系统测定自聚集（CS-SINS）和多反应性（PSP assay），分为四类：Class I（协同最优）：低自聚集 + 低多反应性Class II：高自聚集 + 低多反应性Class III：低自聚集 + 高多反应性Class IV：高自聚集 + 高多反应性 基于同源模型的3 个结构特征训练高斯朴素贝叶斯分类器：模型预测属性关键特征发现CS-SINS 模型自聚集静电性质（Fv 电荷、离子 patch 特性）是主要决定因素PSP 模型多反应性疏水和离子 patch 分布是主要决定因素 概念验证：对 3 个临床阶段抗体（panitumumab/Class II、gantenerumab/Class III、cinpanemab/Class IV）各引入 2–6 个非抗原结合位点突变 → 17 个变体中 12 个达到 Class I（协同最优），9 个亲和力与母体相当或更优。✅ 优势仅需 3 个结构特征即可实现高准确预测模型可解释：明确告知哪些分子特征驱动了不良属性无需建库、无需深度测序⚠️ 局限依赖同源模型质量突变仅限抗原结合位点之外Makowski EK et al., Nat Biomed Eng, 2023案例 2.3：CamSol + FoldX — 稳定性 + 溶解度整合优化 工作流：抗体结构 → CamSol 识别与低溶解度和聚集相关的残基及候选突变位点；抗体序列 → PSSM（位置特异性评分矩阵）识别保守/可变残基 → 单氨基酸突变 → CamSol 评分 + FoldX ΔΔG → 筛选改善溶解度和稳定性的单点突变 → 组合多突变 → 再次过滤。 性能：预测准确率 66–84%，多数变体保持或改善亲和力。已整合为网络工具，适用于 VHH、人源抗体和非免疫球蛋白蛋白。Rosace A et al., Nat Commun, 2023五、策略三：从头设计 — 计算驱动的抗体生成 策略三是终极目标：不需要起始抗体模板，针对给定靶点表位直接生成 CDR 或完整 Fv 序列。但目前仍处于概念验证阶段，生成的抗体亲和力通常为亚微摩尔至微摩尔级，需要后续优化。三种从头设计理念设计理念核心方法代表工作最佳亲和力关键局限逆折叠 + 语言模型 + 过滤AbMPNN 预测 CDR 突变 → 蛋白语言模型 + Rosetta 评分 → TAP 可开发性过滤 → 排名Dreyer FA et al., 2025SARS-CoV-2 多变体抗体nM 级（已有抗体优化）非真正"从头"（依赖起始抗体 CDR 骨架）；仅对已有抗体进行改造片段基序拼接PDB 提取 CDR 样片段 + 抗原样片段 → 匹配表位 → 拼接 → 侧链优化 → 移植到支架Aguilar Rangel M et al., 2022抗 HSA / SARS-CoV-2 RBD 纳米抗体亚微摩尔仅验证了纳米抗体；Fv 设计可行性未知扩散模型RFdiffusion 预测抗体-抗原对接结构 → ProteinMPNN 设计 CDR 序列 → RoseTTAFold2 验证Bennett NR et al., 20266 个靶点 VHH 设计数十 nM–μM需大量酵母展示筛选；亲和力远低于药物标准现状判断：三种从头设计方法均已产生实验验证的抗原特异性抗体，但目前没有一种能够可靠地生成亚纳摩尔亲和力、多属性协同优化的药物级先导分子。瓶颈不在"能不能生成结合分子"，而在"生成的分子是否足够好到跳过传统优化流程"。论文作者明确指出，从头设计产生的抗体仍需后续的亲和力成熟和可开发性优化。六、临床转化的里程碑已获批Bimekizumab — 第一个计算设计最终药物序列并获批的抗体靶向 IL-17A + IL-17F 双靶点；已获批银屑病、银屑病关节炎、强直性脊柱炎等适应症设计路径：大鼠免疫获得母体抗体 496.g1 → 人源化 → 解析 496.g1–IL-17F 复合物晶体结构 → 计算机辅助分析接触原子 → 理性设计氨基酸替换优化 IL-17F 结合 → 获得 496.g3（后更名 bimekizumab）。这是一个"计算辅助的理性设计"而非"AI 自动生成"的成功案例——计算增强了人类专家的判断，而非替代。临床II期AU-007 — "主动学习"迭代设计进入临床的 AI 设计抗体靶向 IL-2，通过阻断 CD25 结合偏向效应 T 细胞激活；II 期临床试验进行中设计路径：① 计算建模抗体结构 → ② 计算对接抗原 → ③ 基于对接信息生成突变文库 → ④ 分选+深度测序识别优化变体 → ⑤ 将实验数据反馈到下一轮设计。这种"主动学习"闭环是未来 AI 驱动抗体优化的范式模板：计算提出假设、实验验证、数据回馈模型。临床转化率仍然很低。尽管 bimekizumab 和 AU-007 鼓舞人心，但进入临床和获批的 AI/ML 设计抗体数量极少。这提示该领域仍远未成熟：计算设计的分子需要更多进入临床、产生数据、验证或推翻现有假设，才能形成成熟的从"计算到临床"的路径。七、计算成本与数据瓶颈7.1 三类成本成本类别具体内容量级参考数据获取高质量体外实验数据集（数十至数千样本）任务特异性模型：数十至数千条实验数据即可；蛋白语言模型：需 OAS（>10亿序列）、PDB（~25万结构）等大规模数据库计算基础设施GPU 训练、推理、存储语言模型训练：数小时（AbNatiV）至数周（ImmuneBuilder）；需要平衡训练成本与额外实验成本人才数据科学 + 抗体工程双领域专长需培训现有实验科学家或组建跨学科团队；人员成本不容忽视7.2 数据困境与解决方向核心矛盾模型越强，对数据质量的要求越高——但传统抗体筛选的产出恰好与 ML 的需求相悖具体表现：传统筛选方法优先选择"最佳"变体（正样本），而 ML 模型需要充分的正样本和负样本才能建立准确的分类边界。此外，可开发性属性（粘度、溶解度、聚集、PK）比亲和力更难在高通量规模下测量，而大规模数据集恰恰是 ML 模型所依赖的。解决方向： ① 元学习（meta learning）：在噪声和欠标记数据上训练模型（Minot & Reddy, 2024）；② 蛋白语言模型：利用预训练的序列表示降低对任务特异性数据量的需求；③ AIntibody 竞赛模式：通过社区协作生成标准化基准数据集，比较计算方法与实验方法；④ 结构信息整合：将蛋白结构信息融入语言模型可提高对某些属性（如亲和力）的预测相关性。八、对药物研发者的实践指导8.1 三策略选型指南你的场景推荐策略理由已有先导抗体，需要优化 1–2 个可开发性属性（如多反应性/自聚集）策略二（直接预测）投入产出比最优；可解释模型告诉你为什么改、改哪里已有先导抗体，需要广泛探索序列空间、同时优化多个属性策略一（亚文库+深度测序）实验投入大但探索空间广；ML 模型可外推到未见序列靶点明确但无先导抗体（如 GPCR、离子通道等困难靶点）策略三（从头设计）唯一不需要起始抗体的方法；但需预期后续亲和力成熟需要人源化 + 保持/改善稳定性CUMAb / AbNatiV基于结构能量或自然抗体库评估，比传统 CDR 移植更可靠需要同时优化稳定性和溶解度CamSol + FoldX 整合流程已整合为网络工具，适用多种抗体格式8.2 思维转变⚠️ 传统思维✅ AI/ML 时代思维"先优化亲和力，可开发性后面再说""亲和力和可开发性必须同步优化——后期修复的成本远超前期投入""筛选越多变体越好""智能采样比穷举更重要——遗传算法 4,000 序列达到 670 万序列 85% 的效果""ML 是黑箱，不可信""可解释 ML 告诉你哪个分子特征驱动了哪个属性——比直觉更可靠""模型越复杂越好""简单 LDA 模型在足够大的序列空间中准确率达 93%——不要过度工程化""AI 会取代实验""AI 让每一轮实验更有价值——主动学习闭环才是未来""数据越多越好""数据质量（正负样本平衡、实验可重复性）远比数量重要"8.3 五步实践清单1先定义优化目标的多属性权衡：在开始任何计算工作前，明确哪些属性需要协同优化、它们之间的已知权衡关系是什么、可接受的 trade-off 范围。2选择合适的 ML 策略：根据是否有先导抗体、需要的探索广度、可用的实验资源，从三策略中选择或组合。不要为了"先进"而选择策略三——目前策略一和策略二是更务实的选择。3重视负样本的收集：ML 模型的分类边界由正负样本共同定义。实验设计时要有意识地纳入阴性数据点——这在传统抗体筛选中常被忽略。4用可解释模型指导理性设计：优先选择能告诉你"为什么"的模型——知道静电 patch 驱动了自聚集，比只知道"这个变体好"更有价值。前者可以指导你设计新的突变，后者只能让你选择已有的。5建立"计算-实验"主动学习闭环：参考 AU-007 的开发路径——不是一次性做完计算再验证，而是多轮迭代：计算预测 → 实验验证 → 数据回馈模型 → 下一轮预测。每一轮让模型变得更精确。九、总结与展望一、多属性协同优化是抗体开发的核心瓶颈，而非可选项。亲和力与可开发性之间的权衡是分子层面的根本矛盾——疏水和正电荷残基同时驱动了抗原高亲和力和非特异性结合。AI/ML 方法提供了系统化解决这一矛盾的新范式。二、三种策略沿"计算-实验"轴线递进，各有适用场景。策略一和策略二已经产生了临床分子（bimekizumab 获批、AU-007 在 II 期），是目前最务实的路径。策略三（从头设计）虽然概念上最激动人心，但生成的分子的亲和力和可开发性远未达到药物标准，需要后续大量优化。三、简单模型 + 高质量数据 > 复杂模型 + 稀疏数据。emibetuzumab 案例中，简单的 LDA 模型在 4,000 个高质量序列上达到 93% 准确率。不要迷信模型复杂度——数据质量和实验设计才是真正的瓶颈。四、蛋白语言模型和逆折叠模型正在改变游戏规则。基于数十亿序列预训练的表示学习使模型能够"理解"抗体的序列语法，即使没有针对特定属性的训练数据。结构信息的融合进一步提升了预测能力。五、数据共享和社区协作是关键。目前最大瓶颈不是算法，而是高质量、大规模、正负样本平衡的实验数据集。AIntibody 竞赛模式提供了可复制的协作范式。未来的突破将来自"计算科学家设计实验、实验科学家收集 ML 友好数据"的跨学科融合，而非任何一方的单打独斗。对药物研发工作者的核心建议：不要等待"完美的 AI 工具"——当前的工具（特别是策略二的可解释 ML 模型和策略一的 LDA/遗传算法）已经足够实用，可以在现实的先导优化项目中产生价值。关键是改变实验设计的思维方式：从"筛选最好的"转变为"系统采样序列空间、用计算模型外推"。 本文基于 Kuo YH, Brown CN, Akin E, Xie Y, Tessier PM. Multi-objective antibody design and optimization using machine learning. Nat Rev Bioeng. 2026 精读撰写。 DOI: 10.1038/s44222-026-00444-4 | 原文发表于 Nature Reviews Bioengineering, 2026 | 作者机构：University of Michigan 声明：本文为第三方解读，不构成任何商业推荐或研发决策建议。文中提及的商业抗体仅为学术讨论用途。

点击蓝字 关注我们 2025年6月3日，一条重磅消息震动了整个医药行业。 全球顶级医学期刊《Nature Medicine》发表了业内首个AI驱动药物研发的临床概念验证结果——英矽智能主导研发的TNIK抑制剂Rentosertib（ISM001-055），用于治疗特发性肺纤维化（IPF），IIa期数据显示：用药组患者肺功能（FVC）平均提升了48.4毫升，对照组却下降了20.3毫升。初步验证了这款AI设计药物的安全性和有效性。 这不仅仅是一款药物的阶段性胜利，更是一个时代的注脚。Rentosertib是全球首款从靶点发现到化合物设计完全由AI完成的创新药物，从项目启动到确定候选化合物仅用12至18个月——而传统方法通常需要4至5年。2025年5月，它还获得了国家药品审评中心用于治疗特发性肺纤维化（IPF）的突破性治疗药物认定。 同一年，另一款AI设计的抗体——Aulos的imneskibart（AU-007），在免疫检查点抑制剂难治的黑色素瘤和非小细胞肺癌的II期中也拿到了积极数据，相关结果在2025年SITC年会和2026年ASCO年会上相继发布。 到了2026年，AI制药迎来了真正的“临床大考”。截至2025年底，还没有一款AI发现的药拿到FDA批准，但Rentosertib是第一个完成IIa期验证的。值得关注的是，DeepMind的老板Demis Hassabis在2026年达沃斯论坛上说：由AI设计的抗癌药物将于2026年启动I期临床试验。 事情越来越清楚：AI不再是药化家手里的小工具，它正在变成新药发现的“发动机”。 而这场变革最深的影响，在于它正一环一环地拆掉那个存在了几十年的CRO产业链。 拆解CRO：一个被“逐环解析”的产业链 传统CRO的业务链条大概分五段：靶点发现、苗头化合物发现、先导化合物优化、临床前安评（ADMET）、临床试验管理。AI对每一段的渗透，都在重新分配话语权。 靶点发现：从“文献+经验”到“AI多组学+自动化” 以前找靶点，靠科学家从海量文献里翻线索，再一个个基团去验证。现在英矽智能的Pharma.AI平台已经搭了30多条自研管线，其中的10个项目拿到了临床试验许可。靶点发现环节，正在从人力密集变成AI驱动的自动化流程。 苗头化合物发现：虚拟筛选百万倍速取代物理筛选 这是AI替代效应最显著的环节。 传统的高通量筛选和DEL筛选，周期长、成本高。2026年初，清华团队在《Science》发发布了DrugCLIP——一个超高通量虚拟筛选平台。单日可完成31万亿次匹配计算，筛100万个候选分子只需0.02秒，比传统方法快一百万倍。研究成果显示，DrugCLIP可以减少90%以上的物理筛选实验，把新药研发周期从10年缩到3到5年，成本降一半以上。 药明康德的“DEL+AI”也是个经典操作：把DNA编码化合物库跟AI毒性预测模型连起来，形成“分子设计—体内毒理验证”闭环，临床前周期从18个月缩到12个月。  先导化合物优化：自动化合成终结“手工时代” 传统的“设计—合成—测试—再设计”循环，严重依赖科学家的经验和手动操作。现在自动化合成把这套流程标准化、工业化。晶泰科技自主研发的实验室自动化机器人，构建了7×24小时不间断产出的无人化智能实验体系。2026年初，晶泰跟东阳光药成立合资公司，共建“AI+机器人实验室”，目标是把“设计—构建—测试—学习”这个圈跑通。 国际上也一样。荷兰阿姆斯特丹大学开发的RoboChem自主合成机器人系统于2024年在《科学》杂志首次亮相，2026年升级版RoboChem Flex进一步降低了自主合成系统的使用门槛。  临床前安评/ADMET：FDA亲自按下了“替代加速键” 这一段的变局，来自监管层面。 2025年4月，美国FDA宣布了一个里程碑式的政策转向：未来3到5年内，采用新型方法学（NAMs）——包括人体器官芯片和类器官，替代新药审批中的动物实验。2025年7月，FDA又开了专题研讨会，推动AI计算模型、类器官、器官芯片落地。他们自己还开发了叫“AnimalGAN”的生成式AI模型，用现有动物数据生成“虚拟大鼠”来预测毒性。 这对以动物实验为核心业务的CRO构成了直接冲击。要知道，类器官和器官芯片最大的优势是“有希望节约成本，更重要的是缩短周期”——传统猴子或小鼠毒性试验，周期可能长达半年甚至更久。 临床CRO：最后一环也在松 临床试验管理目前受AI冲击相对小，但患者招募和试验设计已经有明显变化。Recursion用AI分析超3亿患者数据，为候选药物匹配最佳试验中心。英国一家叫Lindus Health的公司，直接定位“anti-CRO”，用机器学习自动化临床试验流程。 国内深度智耀公司创建的方案预演智能体，能够在患者入组前完成虚拟临床试验，精准预判入组速率、脱落率、疗效趋势，提升临床试验成功率 无法否认的是，当CRO的每一个高附加值环节都被AI逐环拆解，这条千亿美元产业链的权力结构，正在发生根本性的重组。 为什么是现在——算力+模型+数据，三股力量撞到一起 产业的变革是必然的，但为什么是现在？这不是偶然，当下算力、模型、数据三要素的同时成熟，形成了一股前所未有的协同攻势。而站在最前面的，是英伟达。 英伟达的三线并进 第一，基础设施赋能。英伟达的BioNeMo平台，正在变成医疗和生命科学的开放式AI开发平台，通过“实验室参与”的Skills，帮研究人员在AI驱动的生物学和药物发现上突破。 第二，亲自下场。2026年1月，英伟达跟礼来宣布成立AI联合创新实验室，未来五年投资高达10亿美元。基于BioNeMo和下一代Vera Rubin架构，重点开发面向生物学和化学的下一代基础模型。这不是“锦上添花”，是对药物研发范式的系统性重构。 第三，资本布局。 2023年，英伟达以私募股权形式向AI制药公司Recursion投资5000万美元，用于加速开发生物学和化学的AI基础模型。2024年，双方共同打造的超级计算机BioHive-2亮相，速度是上一代的四倍，成为当时全球制药公司自主拥有和运营的最快超级计算机。2024年8月，Recursion又以6.88亿美元并购了另一家AI制药先驱Exscientia，创下该领域最大并购纪录。 毋庸置疑，英伟达的每一步都精准地切入并推动着AI+的发展。 国内外的发展 谷歌DeepMind首席执行官Demis Hassabis在达沃斯论坛上宣布，由AI设计的抗癌药物将于2026年启动临床试验。微软研究院推出的EvoDiff蛋白质生成扩散框架，实现了在序列空间的零样本蛋白质生成。OpenAI于2026年4月发布了专门用于药物专利和仿制药开发的领域专用推理模型GPT-Rosalind。 中国团队同样站在这场技术浪潮的前沿。清华大学团队研发的DrugCLIP虚拟筛选平台已登顶《科学》杂志，首次实现人类基因组规模的药物映射。晶泰科技向韩国JW制药交付了大规模AI机器人实验室，把高通量自动化合成工站和AI反应优化系统用起来了。维亚生物也在2026年3月跟英伟达合作，优化蛋白质复合物生成模型Proteina-Complexa，探索“干湿闭环”的AI药物研发新模式。 所有这些指向同一个结论：AI重构新药研发，不是某一项技术的突破，而是算力基础设施、生成式AI模型和生物数据三者的协同共振。 2024到2026年，就是这三样东西同时到达临界点的历史时刻 人的命运：谁被淘汰，谁被疯抢 当AI能以百万倍速做虚拟筛选，当自动化实验室能7×24小时无人运转，当生成式模型能一键设计新分子骨架——一个问题自然冒出来：那些坐在实验室和办公室里的科学家，怎么办？ 谁在被淘汰 首当其冲的是靠“经验直觉”和“手工操作”吃饭的人。一个干了20年的药化专家，价值在于能快速判断——“这个分子能合成”“那个骨架有毒性风险”“这个修饰可能改善代谢稳定性”。但这些“直觉”本质上是对海量数据的隐性记忆和模式识别。当生成式AI吞下了数亿个化合物的结构、活性和毒性数据后，在某些任务上它正在追赶甚至超过人类。 更严峻的是，当自动化合成平台能在无人实验室里完成复杂多步合成，当AI能自主规划合成路线并实时优化反应条件，负责合成执行的那部分职位，正在被系统性替代。 冲击也波及了临床前安评领域的动物实验人员。FDA 2025年的政策转向意味着，未来三到五年，靠动物实验为生的人将面临需求端的实质性收缩。 谁在被疯抢 硬币的另一面，是AI+医药复合型人才的极度稀缺。 科锐国际的数据显示，2026年春招，既懂AI又懂医药逻辑的复合型人才缺口率高达38%。供给不足正在成为行业落地AI的关键瓶颈。企业要的不是会写代码的工程师，也不是懂药理学的科学家，而是能在两者之间架桥的“π型人才”——既有AI技术深度，又有医药领域广度。 从全球招聘趋势看，五大类新岗位正在释放红利： 1. AI/ML科学家与工程师：设计和部署面向生物学和化学的专用模型。薪酬弹性极大，关键技术岗位薪资涨幅远超行业平均。 2. 计算生物学家/计算化学家：把生物学问题转化成计算问题，理解模型输出并在湿实验里验证。这是模型开发和临床转化之间的关键纽带。 3. 自动化与机器人工程师：搭建和维护无人化智能实验体系。晶泰的7×24小时机器人实验室需要大量这种人。 4. AI制药产品经理与战略专家：既能定义AI工具的功能边界，又能对接药企的实际需求。 5. 监管科学与AI伦理专家：AI设计分子的专利归属、FDA审评标准变化、数据隐私和算法偏见——这些全新的监管挑战创造了全新的职业赛道。 一个值得注意的现象是：通用AI岗位的跳槽薪资涨幅在20%到30%之间，但关键技术岗位和领军型岗位，企业给的弹性大得多。 AI不是简单地“抢工作”，而是在重新分配价值链上的利润和权力。 能不能在新生态里找到位置，取决于能不能完成从“AI的使用者”到“AI的定义者”的跨越。 中国时刻到了 如果上述格局是全球制药行业共同的挑战，那对中国来说，这可能是一次难得的弯道超车机会。 第一梯队的“中国答案” 2025年12月30日，英矽智能在港交所上市，IPO募资22.77亿港元，是当年港股Biotech最大IPO。这是全球资本市场中比较稀缺的“AI+生物科技”标杆。 晶泰控股交出的成绩单更惊人。2025年，全年营收8.03亿元，同比增长201.2%；归母净利润1.24亿元，扭亏为盈；经调整净利润2.58亿元，成为AI for Science领域首家盈利的港股上市公司。其中药物发现解决方案收入5.38亿元，同比激增418.9%。 两家公司代表了两条路径：英矽智能是“造车人”——自研AI驱动的新药管线；晶泰科技是“铺路者”——为全行业提供AI+机器人研发基础设施。它们的阶段性成果表明，中国AI制药行业已经具备了“自我造血”的能力。 产业整合在加速 同时，中国AI制药的生态正在从“散兵游勇”走向“合纵连横”。2026年初，晶泰科技跟东阳光药签了战略协议，成立合资公司，共建AI药物研发模型和AI+机器人实验室。晶泰还先后跟尧唐生物、韩国JW制药、维昇药业等合作，探索AI在药物研发各环节的落地。 药明康德建成了国内首个能规模化应用的全链条AI平台，覆盖从靶点发现到分子设计再到自动化生产的全流程。 政策东风来了 2025年4月，工信部等七部门联合印发了《医药工业数智化转型实施方案（2025—2030年）》，提出到2030年规上医药工业企业基本实现数智化转型全覆盖。方案明确部署了“人工智能赋能医药全产业链”应用试点，推动AI向研发、生产、流通、管理全链条渗透。 这是全球主要经济体中，最系统、最明确的医药工业数智化转型顶层设计。 但要保持审慎：真正的概念验证还在路上 尽管AI正在以前所未有的速度改写着新药研发规则，但必须冷静地指出：截至到目前，还没有一款AI发现的药拿到FDA正式批准。Rentosertib的IIa期数据虽然积极，但从概念验证到监管批准再到商业成功，还有很长的路要走。 AI制药行业仍处于“概念验证期”，不是“范式成熟期”。真正的胜负手，在于那些能够率先在数据飞轮上完成闭环、打通从“AI发现”到“患者获益”全链条的企业。 但毫无疑问，当中国同时拥有全球最积极的政策、最完整的产业链、最迫切的未满足临床需求，以及正在快速迭代的AI技术能力——这场药物研发的范式革命，或许会诞生属于中国的答案。 结语 站在2026年的当下回望，Rentosertib的IIa期阳性数据像一道分水岭，将新药研发的历史清晰地划为两段：一段是经验与试错主导的漫长跋涉，另一段是算力与算法驱动的精准探索。当英伟达用BioNeMo平台铺就底层基础设施，当晶泰科技的机器人实验室开始7×24小时无眠运转，当药化科学家沉淀数十年的经验直觉被一行行代码编码进生成式模型——一个无可回避的事实浮出水面：传统CRO那个靠层层外包、信息不对称赚取差价的旧世界，正在被AI逐环拆解、重新组装。 而对于身处其中的每一个个体和每一家企业，这既是冲击，也是重新定义自身价值的窗口。38%的复合型人才缺口背后，折射的不是简单的岗位更替，而是一整套能力坐标系的重构。弯道超车的中国故事能否从序章写到终局，取决于我们能否在“数据—模型—实验”的飞轮中跑出加速度，也取决于能否让更多AI发现的分子跨过监管审批的最后一公里，最终转化为患者手中的一剂良药。 前路未远，变革已至。唯一确定的，是坐在原地等待的人，终将被这股重构的力量甩下飞轮。 重要提示： 本文信息综合整理自财经媒体、行业智库及企业官方发布的公开资料 本文使用了AI辅助工具，但最终观点由作者审定。 新健康研习社 新健康研习社（New Health Seminar）是聚焦健康领域的专业研讨型平台，以“深耕前沿健康理念、追踪行业核心动态” 为核心定位，致力于为医疗健康领域从业者、研究者、投资者及专业机构提供高质量内容与深度协同场景。我们深知，健康产业的高质量发展离不开生态共筑 —— 新健康研习社不仅是整合前沿信息的专业平台，更是健康产业生态的共建者。未来已来，只待同行者。与我们共同开启大健康产业的新篇章！ ✅ 关注公众号，获取最新政策与行业动态。 ✅ 入驻健康产业园区，享受资本赋能与产业配套 ✅ 参与线下沙龙，与行业大咖面对面交流 扫描二维码，即刻关注“新健康研习社”，开启您的健康产业加速之旅！