Navacaprant

药物研发领域的人工智能革命：医药创新的范式转变 全文详细总结 该综述发表于 2025 年《International Journal of Pharmaceutics》，由沙特阿卜杜拉国王科技城（KACST）科研团队撰写，系统剖析人工智能（AI）对传统药物研发全链条的颠覆性变革，对比传统研发痛点、拆解 AI 技术体系、分阶段梳理 AI 落地应用、汇总主流工具平台、列举临床转化真实案例，同时完整剖析行业现存瓶颈并给出未来发展方向，全文配套 3 张可视化图表与 2 张汇总表格支撑论证。 一、研究背景：传统药物研发的固有巨大缺陷 1. 完整传统药物研发流程与极高成本周期 完整流程分为药物发现（靶点识别→苗头化合物→先导优化→临床前）与药物开发（I/II/III 期临床→FDA 审批）两大阶段： •整体耗时：10–15 年，平均研发成本约 26 亿美元； •淘汰率极端：5000 个临床前候选化合物仅 5 个进入临床，仅 1 款最终获批；肿瘤药物临床失败率高达 97%。 2. 传统研发核心短板 1.靶点发现低效：依赖大量生化、基因实验，单靶点验证周期 1–5 年，大量 “不可成药” 蛋白无法突破； 2.筛选与先导优化成本极高：高通量筛选消耗大量试剂与人力，先导优化是全流程最长、最贵环节，需同时平衡药效、毒性、溶解度、药代等相互冲突的指标； 3.药物 - 靶点相互作用预测不准：体外实验效率低，GPCR、离子通道等膜蛋白动态结构复杂，传统分子对接效果差； 4.动物模型与人差异显著：动物体内药效、毒性无法复刻人体反应，约 40% 临床失败源于 ADME（吸收、分布、代谢、排泄）与毒性预判失误； 5.化学空间探索局限：潜在药物分子总量超 10⁶⁰，传统实验仅能极小范围筛查； 6.整体流程高度依赖人工试错，数据碎片化、重复性工作多。 3. AI 基础技术体系 文章明确支撑药物研发的 AI 分层技术： 1.机器学习（ML）：监督 / 无监督 / 强化学习（RL），用于分子属性预测、数据分类； 2.深度学习（DL）：CNN（提取分子空间特征）、RNN（处理 SMILES 分子序列）、GCN 图神经网络、GAN 生成对抗网络、VAE 变分自编码器，用于从头分子设计、蛋白结构预测； 3.自然语言处理（NLP）：挖掘文献、电子病历、专利挖掘靶点与老药新用线索。 4. AI 带来直观量化提升 •整体研发周期压缩至 7–9 年； •靶点识别阶段效率提升 35%–40%，成本降低 25%–30%； •虚拟筛选环节整体成本下降约 50%； •药物 - 蛋白相互作用模拟预测准确率最高达 97%；部分临床结局预测模型准确率 79%。 配套图 1直观对比传统 vs AI 辅助药物研发各阶段耗时，AI 大幅压缩靶点预测、虚拟筛选、临床预判时长。 二、AI 在药物研发全流程八大核心应用（文章第 2 章节主体） 2.1 靶点识别与验证 核心目标：从多组学数据挖掘疾病致病靶点，验证成药性，攻克传统“不可成药” 靶点。 1.主流商用 AI 平台 ￮Berg Interrogative Biology：基于贝叶斯 AI 整合患者多组学数据，构建疾病因果网络，服务阿斯利康、哈佛等机构； ￮Exscientia、Pharos Chemiverse、Neumora：分别深耕肿瘤、广谱实体瘤、神经精神疾病靶点； ￮Insilico PandaOmics：整合基因组、转录组、临床文献批量优先级排序靶点； 2.开源工具 ￮OpenTargets：免费公共靶点数据库，整合 GWAS、蛋白组公共数据； ￮AlphaFold2：突破性 AI，仅通过氨基酸序列预测蛋白 3D 结构，解决无晶体结构靶点难题； ￮TargetNet：无需蛋白结构即可批量预测分子潜在作用靶点； 3.技术逻辑（配套图 2）：整合表观遗传、基因组、转录组、蛋白组、代谢组多组学数据，通过机器学习 / 深度学习 / 网络模型挖掘疾病机制、筛选靶点、预测老药新用途。 2.2 药物虚拟筛选 替代传统实体高通量筛选，在计算机中完成数十亿分子快速评估： •标杆平台 Insilico [Pharma.AI](Pharma.AI) 三合一体系：PandaOmics（靶点）+ Chemistry42（分子生成）+ inClinico（临床结果预测）； •AtomNet：CNN 深度学习模型，精准预测小分子对蛋白靶点生物活性，成功筛选出抗癌 OTUD7B 抑制剂； •DrugFlow 一体化平台：整合分子对接、QSAR、ADMET、虚拟筛选全模块； •Molecule.one：AI 逆合成规划，大幅缩短化合物合成实验周期。 2.3 从头药物设计（De novo Drug Design） 基于 AI 生成全新化学骨架，拓展未被探索的化学空间，分为四类主流生成模型： 1.强化学习类：PaccMann（肿瘤特异性分子）、GENTRL（DDR1 激酶抑制剂）、ReLeaSE（基于 SMILES 定制活性分子）； 2.GAN 对抗网络：DruGAN（抗癌分子生成）、ORGAN； 3.VAE 变分自编码器：ChemVAE，将分子压缩至隐空间优化理化性质； 4.图神经网络：GraphINVENT（阿斯利康开发，逐键生成全新分子）。 2.4 理化性质预测 提前预测溶解度、脂溶性 logP、解离常数 pKa、皮肤通透性等关键成药属性，早期剔除理化缺陷分子： •核心模型 Chemprop（GNN 架构）； •AqSolDB 标准化水溶性数据集，用于训练溶解度预测模型； •各类 ANN、QSPR 回归模型精准预测肽、小分子理化参数。 2.5 药物 - 靶点相互作用（DTI）与结合亲和力（DTBA）预测 预判分子与蛋白结合模式、抑制 / 激活效果，是分子优化核心依据： •CNN 模型：DLEPS（基于基因表达筛药物）、3D-KINEssence（激酶抑制剂活性预测）； •GCN 图模型：DrugAI、GCN-DTI； •混合 Transformer - 图模型：MRBDTA、TDGraphDTA、DeepFusionDTA 等，精准量化结合亲和力。 2.6 药物毒性预测 解决动物实验成本高、物种偏差大的痛点，早期筛除高毒候选： •DeepTox：多任务深度网络，相较传统 QSAR 准确率提升 15%–20%，可预测诱变、肝毒性； •ProTox-II：快速预测口服 LD50 急性毒性； •专项模型：DeepCarc（致癌风险）、FDA 数据集训练的心 / 肾 / 肝毒性预测模型； •Tox21 数据集训练模型对 12 类毒性终点预测准确率超 85%。 2.7 药代动力学（ADME/PK）预测 40% 临床失败源于 ADME 缺陷，AI 大幅提升吸收、代谢、药物相互作用预判精度： 1.开源工具：pkCSM 一站式 ADMET 预测； 2.商用平台：ADMET Predictor、Simcyp/GastroPlus（AI 增强 PBPK 生理药代模型，预测误差降低 20% 以上）； 3.前沿模型 Neural-ODE：基于神经网络微分方程，动态模拟给药后药物浓度变化，对全新给药方案泛化能力远超传统 NLME 群体药代模型； 4.DeepDDI：精准识别罕见药物 - 药物相互作用，适配多重用药场景。 2.8 药物重定位（老药新用） 利用已上市药物成熟安全、生产体系，低成本快速开发新适应症，是突发传染病、罕见病最优方案： 1.AI 工具：DeepDrug、DeepPurpose（序列驱动重定位）、RepurposeDB/CMap（基因表达数据库）； 2.多组学 GNN 模型 MOLI：针对杜氏肌营养不良、渐冻症等罕见病挖掘候选； 3.EHR 电子病历深度学习：基于 1.7 亿患者数据筛选阿尔茨海默潜在治疗药物； 4.里程碑案例：BenevolentAI 通过 AI 挖掘巴瑞替尼治疗新冠，获 FDA 紧急使用授权。 三、AI 药物研发工具汇总（Table1） 文章以表格按 8 大研发阶段分类，完整收录全球商用平台、开源算法、学术工具，标注开发主体、核心功能与参考文献： 1.靶点模块：Berg、Exscientia、AlphaFold、OpenTargets； 2.筛选模块：Insilico [Pharma.AI](Pharma.AI)、AtomNet、[Molecule.one](Molecule.one)； 3.分子生成模块：PaccMann、ChemVAE、GraphINVENT； 4.性质、DTI、毒性、PK、重定位模块各类深度学习模型与数据库；覆盖谷歌 TensorFlow、NCBI BLAST 等通用生物信息学开源工具。 四、AI 落地成功临床转化案例（Table2） 文章列举多家头部 AI 药企已进入临床管线的真实成果，证明技术可行性： 1.Insilico Medicine：IPF 特发性肺纤维化小分子 INS018，AI 从靶点到临床前仅 18 个月，顺利进入 I 期；另有肠道限制性 PHD 抑制剂（炎症性肠病）进入早期临床； 2.BenevolentAI：AI 分析多组学数据重定位巴瑞替尼用于新冠抗炎，III 期临床证实疗效，获 FDA 紧急授权； 3.Exscientia：DSP-1181（5-HT1A 激动剂），全球首款 AI 自主设计进入 I 期临床试验的强迫症药物，管线拓展肿瘤、自身免疫病； 4.Atomwise：AtomNet 虚拟筛选得到白血病、多发性硬化候选分子，加速 hit 发现； 5.Schrödinger：物理分子模拟 + 机器学习优化肿瘤、罕见病分子，降低脱靶毒性； 6.Tempus：多组学 AI 匹配肿瘤患者个性化治疗方案，推进精准肿瘤学； 7.[Trials.AI](Trials.AI)：AI 优化临床试验招募、试验设计，提升临床成功率、缩减成本； 8.BioSymetrics：多靶点 AI 解析阿尔茨海默、帕金森等多因子疾病通路。 五、AI 药物研发现存核心挑战（配套图 3 八大维度可视化） 文章系统梳理制约 AI 大规模落地的瓶颈，分为数据、模型、监管伦理、产业协作四大类： 1. 数据层面瓶颈 1.数据质量、可及性差：商业药企数据保密，公共数据库标注残缺；天然产物收录极少（ChEMBL 仅收录 9000 种天然产物）； 2.数据库无统一标准化规范，跨研究组数据难以整合； 3.科研人员数据上传意愿低，数据库维护资源不足； 4.文献、组学海量数据难以被 AI 自动提取、整合。 2. 算法模型固有缺陷 1.黑盒可解释性难题：深度神经网络预测逻辑无法溯源，是监管审批最大障碍，XAI（可解释 AI，SHAP/LIME）技术尚不成熟； 2.生物系统高度动态、多变量耦合，模型泛化能力弱，仅能适配训练数据同类疾病； 3.部分疾病（RNA 剪接相关疾病）训练样本稀缺，AI 预测能力受限； 4.AI 生成分子无法保证实验室可合成，仍需大量化学实验验证。 3. 监管、伦理与产业问题 1.监管空白：FDA、EMA 暂无针对 AI 药物开发工具的标准化审批指南，模型验证流程漫长； 2.伦理风险：患者医疗隐私泄露；数据集不均衡引发算法种族 / 人群药效偏见；AI 替代实验人员带来岗位冲击； 3.算力门槛：大型深度学习模型硬件成本高，中小型科研机构、药企难以负担； 4.跨学科割裂：计算科学家、药物化学、生物学、临床医师协同不足，限制 AI 实验落地。 六、结论与未来发展展望 1. 核心结论 AI 从靶点发现到临床审批全链条重构药物研发模式，完美解决传统方法周期长、成本高、失败率高三大痛点；多款 AI 原创分子、老药重定位方案已进入 I/III 期临床，覆盖肿瘤、感染、神经、罕见病、突发传染病；但数据、可解释性、监管、跨学科协作等瓶颈仍限制行业规模化应用，实验验证仍是 AI 预测必不可少的闭环环节。 2. 未来发展方向 1.技术层面：大力发展可解释 AI（XAI），打通监管审批壁垒；AI 与实验室自动化、器官芯片、数字孪生结合，减少动物实验；优化生成模型，提升分子合成可行性； 2.数据层面：建立全球标准化、开放共享的多组学、化学数据库，完善天然产物、罕见病数据收录； 3.产业与监管：出台 AI 药物工具专项审批法规；搭建计算、化学、临床跨学科协作平台； 4.临床应用：依托多组学 AI 全面落地精准个体化给药；搭建新发传染病快速 AI 药物筛选体系；聚焦多靶点药物研发，攻克阿尔茨海默、帕金森等复杂慢病； 5.行业普及：轻量化 AI 模型降低算力成本，让中小研发机构具备 AI 药物开发能力。 补充文章基础信息 1.发表信息：2025 年 2 月收稿，5 月返修 / 录用，开放获取 CC BY 协议；无外部基金资助； 2.作者单位：沙特阿卜杜拉国王科技城（KACST）健康部门诊断与治疗研究所； 3.可视化素材：3 张 Biorender 专业示意图，分别展示研发周期对比、多组学 - AI 应用链路、AI 八大挑战； 4.参考文献：覆盖 2016–2025 药学、计算生物、AI 顶刊文献，支撑全部技术与案例论证。 论文配图、表格完整中文翻译与解读 一、三张图表中文说明 图 1 传统药物研发 vs AI 辅助药物研发各阶段对比图 图表核心内容 该图将药物研发分为药物发现、药物开发两大板块，上下两行分别对应传统流程、AI 赋能流程，清晰对比各阶段耗时压缩效果： 1.传统药物研发（上半部分） ￮靶点识别与验证：1–5 年； ￮先导物生成（Hit 苗头分子）：1–2 年； ￮先导优化（Lead 化合物）：2–3 年； ￮临床前研究（候选药物，递交 IND）：2–3 年；以上合计药物发现阶段总周期极长。 ￮临床研究（I/II/III 期）：6–10 年； ￮FDA 审评获批：约 1.5 年。全流程合计 10–15 年。 2.AI 辅助药物研发（下半部分） ￮AI 靶点识别：仅 1–2 年（依托蛋白结构预测、多组学 AI 分析）； ￮虚拟筛选找分子：约 1 年； ￮先导优化（生物活性、毒性预测）：1–2 年； ￮临床前匹配临床试验：1–2 年； ￮临床阶段配套 AI 工具：可预测临床结局、优化试验执行，时长压缩至 4–7 年； ￮审评周期不变（约 1.5 年）。 3.核心结论：AI 把新药整体研发周期从 10–15 年缩短至 7–9 年，大幅压缩靶点、筛选、先导优化、临床前四大耗时环节。 图 2 多组学驱动 AI 模型用于药物研发的技术链路图 三层分层结构，自上而下： 1.第一层：多组学数据源表观遗传学、基因组学、转录组学、蛋白质组学、代谢组学； 2.第二层：三类 AI 数据整合模型传统机器学习模型、深度学习、网络分析方法（图神经网络等）； 3.第三层三大落地应用疾病机制挖掘、药物靶点识别、药物重定位（老药新用）。解读：多组学多维生物数据通过不同 AI 算法融合，支撑靶点发现与老药再开发全流程。 图 3 AI 药物研发八大核心挑战环形示意图 中心标题：AI 在药物研发中面临的挑战八个放射状维度（顺时针）： 1.药物研发全流程高度复杂 2.数据质量与数据可及性不足 3.数据库标准化缺失 4.特定疾病领域 AI 能力有限 5.数据注释与数据整合难题 6.数据提交共享相关问题 7.数据采集与持续更新困难 8.伦理相关问题完整覆盖数据、算法、生物流程、伦理四大类行业瓶颈。 二、表 1 AI 药物研发工具平台全中文翻译 表 1 用于药物研发的 AI 工具汇总表 分类 AI 工具 / 开发企业 功能中文描述 参考文献 靶点识别与验证 Interrogative Biology（Berg 公司） 贝叶斯 AI 系统生物学平台，挖掘疾病驱动因子、生物标志物，用于靶点与生物标记物发现 Narain et al., 2021 Precision Target（Exscientia） 精准 AI 平台，全新疾病靶点挖掘，支撑精准药物设计 Exscientia Chemiverse（韩国 Pharos iBio） 覆盖早期全流程 AI 平台，从靶点到临床前优化 iBio Data Biopsy Signatures（Neumora） 神经疾病专属数据平台，开发神经精神、神经退行性精准疗法 Neumora., 2021 PandaOmics（英矽智能 Insilico Medicine） 整合多组学、文献、专利，批量筛选、排序疾病潜在靶点 Kamya et al., 2024 OpenTargets 免费开源公共平台，整合海量公共组学数据库实现靶点优先级排序 Koscielny et al., 2017 AlphaFold（DeepMind） AI 蛋白结构预测系统，为基于结构的药物设计提供蛋白三维模型 Jumper et al., 2021 TargetNet 开源网页工具，无需蛋白三维结构，批量预测分子对应的潜在作用靶点 Yao et al., 2016 药物筛选 [Pharma.AI](Pharma.AI)（Insilico Medicine） 端到端完整 AI 药物研发平台，包含 PandaOmics、Chemistry42、inClinico 三大模块 Ren et al., 2024 Chemistry42（Insilico Medicine） 机器学习从头分子生成平台，规模化设计药物分子 Ren et al., 2024 inClinico（Insilico Medicine） AI 临床试验预测平台，预判 II 期临床成功率 Aliper et al., 2023 AtomNet（Atomwise） 卷积深度学习模型，预测小分子蛋白生物活性 Chen et al., 2023 DrugFlow（CarbonSilicon AI） 集成分子生成、对接、QSAR、ADMET、虚拟筛选一体化 AI 平台 Shen et al., 2024 Molecule.one 合成化学 AI 工具，自动规划化合物合成路线 molecule.one 全新药物设计（从头分子生成） PaccMann（IBM） 强化学习 + 变分自编码器，定向生成抗癌特异性分子 Born et al., 2021 GENTRL（Insilico Medicine） 用于 DDR1 激酶抑制剂设计的强化学习模型 Zhavoronkov et al., 2019 ReLeaSE 循环神经网络结合强化学习，生成具备特定理化 / 生物活性分子 Guimaraes et al., 2017 DruGAN（Insilico Medicine） 生成对抗网络，生成全新抗癌小分子 Kadurin et al., 2017 ChemVAE 变分自编码器，分子隐空间优化、全新骨架生成 Gómez-Bombarelli et al., 2018 GraphINVENT（阿斯利康 AstraZeneca） 图神经网络逐键构建全新分子 Mercado et al., 2021 理化性质预测 Chemprop 图神经网络，同时预测分子理化性质、毒性 Heid et al., 2024 AqSolDB（AMD 研究组） 水溶性标准实验数据集，用于溶解度机器学习建模 Sorkun et al., 2019 数据驱动 QSPR 模型 生理 pH 下短肽脂溶性 logP 预测工具 Abdallah et al., 2024 AI 回归 + 人工神经网络模型 预测分子皮肤渗透系数 Abdallah et al., 2024 ANN 解离常数 pKa 预测模型 有机化合物电离常数精准预测，平均误差仅 0.17 Zhou et al., 2018 ChemGAN 生成对抗网络，预测候选药物理化特征 Benhenda, 2017 药物 - 靶点相互作用 (DTI) 预测 drugCIPHER 线性回归模型，整合药物、基因组关联数据预测互作 Zhao and Li, 2010 类器官基因组整合机器学习模型 筛选抗癌药物响应生物标志物 Kong et al., 2020 DLEPS 卷积神经网络，通过疾病基因表达筛选有效药物 Zhu et al., 2021 3D-KINEssence 3D 卷积模型，预测各类激酶抑制剂活性 Kanev et al., 2023 DrugAI 图卷积网络，预测药物激活 / 抑制靶点机制 Zhang et al., 2023 DEEPScreen / GCN-DTI / GADTI 深度学习 / 图卷积 DTI 预测模型 对应各文献 MRBDTA / TDGraphDTA / MDCT-DTA / DeepFusionDTA / CSCo-DTA / Affinity2Vec 药物 - 靶点结合亲和力预测混合图 / Transformer 模型 对应各文献 药物毒性预测 DeepTox 多任务深度神经网络，预测诱变、肝毒、内分泌毒性 Mayr et al., 2016 ProTox-II 快速预测口服急性毒性 LD50 Banerjee et al., 2018 DeepChem、OpenTox 开源毒性预测自定义框架 Sharma and Sharma, 2018 DeepCarc 致癌潜力深度学习预测模型 Li et al., 2021 FDA 数据集心毒性模型 预测 QT 间期延长等心脏风险 Passini et al., 2017 肾 / 肝毒性 AI 模型 检测纤维化、胆汁淤积肝肾损伤标志物 Passini et al., 2017 药代动力学 PK/ADMET 预测 pkCSM 开源图模型，一站式预测吸收、分布、代谢、排泄、毒性 aProximate ADMET Predictor QSAR 增强 AI，预测溶解度、通透性、CYP450 酶相互作用 Property Prediction, 2024 Simcyp（Certara） AI 融合生理药代（PBPK），预测各人群药物清除、组织分布 Notwell and Wood, 2023 GastroPlus（Simulations Plus） 口服吸收高精度 PBPK 模型，预测精度＞85% Notwell and Wood, 2023 DeepDDI 深度学习识别罕见药物间相互作用 Ryu et al., 2018 PharmGKB 整合基因多态性，个体化代谢预测 Wang et al., 2024 IBM Watson Drug Discovery 自然语言挖掘文献，推导药代参数，预测精度 90%+ Foster et al., 2023 Deep-PK 预测清除率、生物利用度、半衰期深度学习工具 Shameer et al., 2018 XGBoost / CatBoost 梯度提升树，预测溶解度、肝清除率 Notwell and Wood, 2023 药物重定位（老药新用） DeepDrug 深度学习挖掘药物全新疾病适应症 Huang et al., 2021 DeepPurpose 基于分子序列的药物重定位工具 Huang et al., 2021 RepurposeDB、CMap 基因表达数据库，挖掘药物新靶点通路 Shameer et al., 2018 TensorFlow Drug Repurposing / DeepDrugRepurposing 高通量 AI 筛选抗癌老药 Mohammadzadeh-Vardin et al., 2024 MOLI（多组学晚期整合图网络） 罕见病个性化药物重定位、生物标志物挖掘 Sharifi-Noghabi et al., 2019 EHRs-DL（电子病历深度学习） 基于上亿患者临床数据挖掘阿尔茨海默等老药机会 Mercado et al., 2021 术语中文注释 AI = 人工智能；ML = 机器学习；DL = 深度学习；RNN = 循环神经网络；GAN = 生成对抗网络；VAE = 变分自编码器；CNN = 卷积神经网络；GCN = 图卷积网络；DTI = 药物 - 靶点相互作用；DTBA = 药物靶点结合亲和力；QSAR = 定量构效关系；PBPK = 生理药代动力学；ADMET = 吸收、分布、代谢、排泄、毒性；FDA = 美国食品药品监督管理局；EHR = 电子病历。 三、表 2 AI 药物研发成功案例中文翻译 表 2 AI 驱动药物研发代表性成功案例汇总 企业名称 核心成果 技术实现细节 最终成果 参考文献 Insilico Medicine（英矽智能） 特发性肺纤维化（IPF）全新小分子 INS018_055 生成对抗网络 + 强化学习，海量分子筛选并优化成药性 从靶点到临床前仅 18 个月，2021 年进入 I 期临床试验 Paul et al., 2021 BenevolentAI 挖掘巴瑞替尼用于新冠治疗 多组学、蛋白互作、基因表达大数据 AI 分析，筛选老药重定位 III 期临床验证疗效，获 FDA 紧急使用授权 Richardson et al., 2020 Exscientia 强迫症候选药物 DSP-1181 深度强化学习完成分子设计与先导优化 全球首款进入 I 期临床的 AI 自主设计药物，管线拓展肿瘤、自身免疫病 Abbas et al., 2024 Atomwise 白血病、多发性硬化、神经退行性疾病候选分子 AtomNet 卷积网络预测小分子蛋白结合亲和力 大幅缩短苗头化合物筛选周期，多个分子推进临床前 Hasselgren and Oprea, 2024 Schrödinger 肿瘤、罕见病全新候选药物 物理分子模拟 + 机器学习协同优化分子动力学、降低毒性 多款分子推进各阶段临床试验 Paul et al., 2021 Tempus 肿瘤个性化精准治疗匹配 基因组 + 蛋白质组 AI 解析患者肿瘤特征 为癌症患者定制专属用药方案 Hasselgren and Oprea, 2024 [Trials.AI](Trials.AI) 临床试验全流程优化 预测模型优化试验设计、患者招募、随访依从性 降低临床成本，提高临床试验成功率 Druedahl et al., 2024 BioSymetrics 阿尔茨海默、帕金森多靶点药物挖掘 AI 解析蛋白互作、疾病通路关联 为多因子复杂神经疾病提供多靶点候选分子 Katselou et al., 2014 论文《Artificial intelligence revolution in drug discovery》中全部AI药物研发平台/工具分类详解 论文按照靶点发现、虚拟筛选、从头分子设计、理化 / ADMET / 毒性预测、药物 - 靶点互作、药物重定位、临床预测、通用开源框架八大研发阶段划分所有工具，分为商业一体化平台、专用深度学习模型、开源学术工具、通用计算框架四大类，下面按应用场景逐一介绍，全部源自原文 Table1 与正文案例。 一、靶点识别与验证类平台（早期药物发现） 1. 商业综合靶点平台 1.Interrogative Biology（Berg 公司） ￮核心技术：贝叶斯 AI 系统生物学平台，整合患者多组学（基因组 / 蛋白组 / 代谢组）数据构建疾病因果网络； ￮功能：挖掘致病靶点、生物标志物、辅助药物重定位； ￮落地合作：阿斯利康、勃林格殷格翰、哈佛、牛津等药企与高校。 2.Precision Target（Exscientia，英国） ￮特点：人机协同 AI 平台，精准靶点挖掘 + 同步配套分子设计管线； ￮成果：筛选出 CDK7、PKC-theta 两个临床阶段肿瘤 / 自身免疫靶点。 3.Chemiverse（韩国 Pharos iBio） ￮全流程早期研发平台，覆盖靶点挖掘→临床前； ￮管线：8 条难治肿瘤管线，核心候选 PHI-101（FLT3 抑制剂）进入 I 期白血病 / 卵巢癌临床。 4.Data Biopsy Signatures（Neumora） ￮专精神经精神疾病多组学 AI 平台； ￮代表管线：Navacaprant（KOR 拮抗剂）进入 III 期重度抑郁临床。 5.PandaOmics（Insilico Medicine） ￮论文核心多组学工具，整合基因组、转录组、临床文献、专利数据； ￮用途：自动打分排序疾病潜在靶点，配套自家 Chemistry42 分子生成模块。 2. 开源靶点工具 1.OpenTargets（Biogen、GSK、EMBL 联合开发） ￮免费开放平台，整合 GWAS、ChEMBL、UniProt、临床数据； ￮功能：靶点 - 疾病关联证据打分、靶点成药性评估，无商业授权限制。 2.AlphaFold（DeepMind） ￮里程碑蛋白结构预测 AI，仅氨基酸序列输出高精度 3D 蛋白构象； ￮价值：解决无晶体结构“不可成药” 靶点难题，支撑基于结构药物设计。 3.TargetNet ￮开源网页服务器，无需蛋白 3D 结构即可批量预测分子潜在作用靶点； ￮延伸用途：预判药物适应症、脱靶毒性、药物作用机制。 3. 基础生物信息工具 BLAST（NCBI）：开源序列比对工具，用于同源基因 / 蛋白检索，靶点基因初步筛选。TensorFlow（谷歌）：通用机器学习框架，可搭建 GPCR 配体筛选、靶点预测模型。 二、药物虚拟筛选一体化平台（Hit 发现） 1.[Pharma.AI](Pharma.AI)（Insilico Medicine 端到端整套体系）三合一完整管线： ￮PandaOmics（靶点挖掘）+ Chemistry42（生成式分子设计）+ inClinico（临床结局预测）； ￮标杆成果：特发性肺纤维化药物 INS018 仅 18 个月从靶点推进至 I 期临床。 2.AtomNet（Atomwise） ￮基于 CNN 卷积神经网络的虚拟筛选专用模型； ￮原理：输入蛋白结构预测小分子结合活性、结合亲和力； ￮案例：筛选出 OTUD7B 抗癌抑制剂、多发性硬化候选分子。 3.DrugFlow（Carbonsilicon AI）一站式早期筛选平台，集成分子生成、分子对接、QSAR、ADMET、虚拟筛选全算法。 4.Molecule.oneAI 逆合成规划工具，快速设计小分子合成路线，大幅缩短 “设计 - 合成 - 测试” 循环。 三、从头药物设计（De novo）生成式 AI 模型 全部为深度学习分子生成框架，用于从零构建全新化学骨架： 1.PaccMann（IBM）强化学习 + VAE 组合模型，定向生成肿瘤特异性高活性小分子。 2.GENTRL（Insilico）强化学习模型，专门设计 DDR1 激酶抑制剂，产出 4 个临床前候选。 3.ReLeaSERNN 循环神经网络 + 强化学习，基于 SMILES 分子序列生成具备特定溶解度、抑制活性的化合物库（如 JAK2 抑制剂）。 4.DruGAN（Insilico）GAN 生成对抗网络 + 高级自编码器，批量生成全新抗癌分子。 5.ChemVAE变分自编码器，将分子压缩至连续隐空间，用于分子优化、拓展全新化学空间；区分于 ReLeaSE：侧重理化性质优化。 6.GraphINVENT（阿斯利康）图神经网络 GNN，逐原子 / 化学键生成全新分子，适配复杂多环骨架设计。 7.ORGAN：GAN + 强化学习，定向生成满足多重药效指标分子。 四、理化性质、ADMET、毒性预测工具 （1）理化性质预测 1.Chemprop：GNN 图神经网络，统一预测溶解度、logP、pKa、毒性等分子属性； 2.AqSolDB：标准化水溶性数据集，训练各类溶解度 ML 模型； 3.QSPR 系列回归 / ANN 模型：预测脂溶性、皮肤渗透系数、肽类 logP 等。 （2）药物毒性预测 1.DeepTox：多任务深度神经网络，相比传统 QSAR 准确率提升 15%-20%，预测诱变、肝、肾毒性； 2.ProTox-II：快速网页工具，预测口服 LD50 急性毒性； 3.DeepCarc：专门预测化合物致癌潜力； 4.专项毒性模型：基于 FDA 数据集的心毒性（QT 延长）、肾损伤、肝纤维化预测 AI。 5.DeepChem / OpenTox：开源毒性预测框架，自定义毒性建模流程。 （3）药代动力学（ADME/PK）预测 1.pkCSM：开源一站式 ADMET 网页工具，同时预测吸收、分布、代谢、排泄与毒性； 2.ADMET Predictor：商用 QSAR 增强模型，CYP450 代谢、渗透性预测准确率 80%+； 3.Simcyp / GastroPlus：AI 增强生理药代（PBPK）平台，模拟成人 / 儿童 / 老人体内药物浓度，预测误差降低 20%； 4.DeepDDI：深度学习识别罕见药物 - 药物相互作用； 5.Neural-ODE：神经网络微分方程，动态模拟给药后血药浓度，适配全新给药方案预测； 6.XGBoost、CatBoost：梯度提升算法，用于溶解度、肝清除率回归预测。 五、药物 - 靶点相互作用（DTI）& 结合亲和力（DTBA）预测模型 用于预判分子与蛋白结合模式、结合强度，优化分子选择性： 1.CNN 类模型 ￮DLEPS：基于疾病基因表达谱筛选有效药物； ￮3D-KINEssence：激酶抑制剂结合活性预测。 2.GCN 图神经网络模型DrugAI、GCN-DTI、GADTI：建模药物、蛋白拓扑结构，预测激活 / 抑制作用。 3.结合亲和力（DTA）混合模型MRBDTA、TDGraphDTA、MDCT-DTA、DeepFusionDTA、CSCo-DTA、Affinity2Vec：融合 Transformer + 图网络，精准量化分子 - 蛋白结合能力。 4.drugCIPHER：早期线性回归 DTI 模型，整合药理与基因组关联数据。 六、药物重定位（老药新用）AI 工具 利用已上市药物挖掘新适应症，低成本应对急症 / 罕见病： 1.DeepDrug / DeepPurpose：深度学习序列模型，挖掘药物 - 疾病全新关联；标志性案例：新冠期间识别巴瑞替尼用于重症抗炎，获 FDA 紧急授权。 2.RepurposeDB、CMap：基于基因表达数据库做机制导向老药重定位； 3.MOLI（多组学晚期融合 GNN）：整合基因组 / 蛋白组，挖掘渐冻症、杜氏肌营养不良罕见病候选药物； 4.EHRs-DL：基于上亿电子病历深度学习，筛选阿尔茨海默病潜在 repurposing 药物。 七、临床试验优化平台 1.inClinico（Insilico）：AI 预测 II 期临床成功率，准确率 79%，提前淘汰高失败候选； 2.[Trials.AI](Trials.AI)：优化患者招募、试验设计、随访依从性，降低临床成本、提升成功率； 3.Tempus：多组学 AI 匹配肿瘤患者个性化用药方案，精准医疗平台。 八、综合商用一体化模拟平台 1.Schrödinger：物理分子动力学 + 机器学习融合，优化肿瘤、罕见病分子，降低脱靶毒性； 2.BioSymetrics：多通路 AI 分析，针对阿尔茨海默、帕金森等多因子疾病筛选多靶点药物。 九、工具分层总结（便于区分） 1.端到端全管线商业平台：Insilico [Pharma.AI](Pharma.AI)、Exscientia、Chemiverse、Interrogative Biology； 2.单一功能专用 AI 模型（生成 / 预测）：AlphaFold、AtomNet、ChemVAE、DeepTox、MRBDTA； 3.免费开源学术平台：OpenTargets、TargetNet、pkCSM、DeepChem、TensorFlow、BLAST； 4.药物重定位专项工具：DeepDrug、MOLI、RepurposeDB； 5.临床阶段 AI 工具：inClinico、[Trials.AI](Trials.AI)、Tempus。 十、论文重点标杆落地工具（有临床药物产出） 1.Insilico [Pharma.AI](Pharma.AI)：IPF、IBD 两款 AI 分子进入临床； 2.Exscientia DSP-1181：全球首个 AI 设计进入 I 期的强迫症药物； 3.BenevolentAI（自研重定位 AI，论文案例）：巴瑞替尼新冠重定位； 4.AtomNet：多款肿瘤、神经疾病候选分子推进至临床前 / 临床； 5.AlphaFold：全行业靶点结构解析底层基础设施。 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

制药行业的未来：人工智能在药物发现与研发中的应用 全文详细总结 该文献是 2025 年发表于Journal of Pharmaceutical Analysis的综述论文，由中国医科大学付晨、陈秋辰撰写，系统梳理人工智能（AI）在新药研发全链条的应用、发展历程、核心技术体系、落地案例、行业现存瓶颈与未来发展路径，是覆盖靶点挖掘、分子设计、虚拟筛选、临床开发全流程的综合性 AI 制药综述。 一、基础信息与摘要核心 1. 文章基础背景 •研究单位：中国医科大学药学院药理学系、辽宁省分子靶向抗肿瘤药物开发重点实验室 •资助：国家自然科学基金、辽宁省教育厅科研项目；无利益冲突声明 2. 摘要核心结论 AI 通过融合海量生物数据、高性能算力与机器学习算法，彻底重构传统药物研发模式，全面提升新药研发效率、预测准确度与临床成功率，大幅缩短研发周期、削减巨额研发成本；深度学习（DL）、机器学习（ML）已落地靶点验证、全新小分子生成、ADMET 预测、临床试验优化、老药重定位等全环节。现阶段行业局限：数据孤岛、算法知识产权体系缺失、湿实验与计算模拟（干实验）融合不足；目前暂无美国 FDA 批准的完全 AI 原创新药，但全球数十家企业的 AI 研发管线已进入 I/II 期临床。长期来看，解决现有壁垒后 AI 将深度重塑全球制药产业。 二、引言：AI 与制药行业融合的时代背景 1.AI 整体发展里程碑AI 历经 60 年从理论走向工业化，覆盖制造、农业、医疗、金融；2016 年 AlphaGo 击败李世石引发全民关注；2024 年诺贝尔物理学奖授予人工神经网络奠基者 Hopfield、Hinton，诺贝尔化学奖表彰 AI 蛋白质设计技术，证明 AI 在生命科学领域的颠覆性价值，可定制疫苗蛋白、降解污染物人工酶、抗癌分子组装体。 2.传统药物研发固有缺陷传统体外 / 体内高通量筛选用于评估化合物 ADMET（吸收、分布、代谢、排泄、毒性），存在周期长、成本高、动物伦理争议三大短板，催生计算机虚拟预测（in silico）技术。 3.AI 制药产业拐点（2018 年）2018 年后 AI 制药从概念验证转向工业化落地，多家企业实现临床管线推进；但 AI 模型存在致命缺陷：训练集与测试集数据重叠、数据集自带偏见，导致模型纸面准确率高，真实新药预测泛化能力极差。 三、AI 药物研发发展历史（对应图 1 时间线） 论文以时间轴划分 AI 制药发展五大阶段，配套算力、算法、数据三大维度变化： 1.1990s：基础理论建设期仅 CPU 算力，神经网络理论诞生；ADMET 体外筛选普及，但实验局限性凸显，虚拟预测思路初步提出。 2.2012：GPU 算力革命GPU 算力相比 CPU 提升 10 万倍，深度学习技术落地分子模拟，各类 ADMET 在线预测工具批量开发。 3.2015：深度神经网络理论成熟神经网络、蛋白结构预测算法迭代，反向分子设计理论成型。 4.2018–2020：产业化落地期AI 制药企业集中成立，大量研发管线布局；数据规模达到 0.4–1.1TB；AlphaFold2 突破蛋白质结构预测难题。 5.2021 至今：行业协同与技术爆发期行业数据共享合作兴起；AlphaFold3 可预测 98.5% 人类蛋白质三维结构，补足靶点结构数据库短板；多款 AI 原创小分子进入 IIa 期临床。 代表性落地案例 1.Healx：AI 挖掘老药 HLX-0201 用于脆性 X 综合征，仅 18 个月推进至 II 期临床； 2.Deep Genomics：18 个月完成威尔逊病致病靶点筛选与寡核苷酸候选分子设计； 3.Insilico Medicine：基于 GAN 生成对抗网络，21 天完成数据建模、全新 DDR1 激酶抑制剂分子设计； 4.2024 InSys：全 AI 设计特发性肺纤维化（IPF）小分子进入 IIa 期临床试验。 四、AI 制药核心体系：三大基础要素 + AI/ML/DL 层级关系（图 2） 4.1 AI 制药三大底层支柱 1.数据：行业核心资产，来源包含公开生物数据库、药企合作研发数据、企业内部实验数据、文献 / 专利文本挖掘清洗数据集；数据质量直接决定模型预测能力。 2.算力：GPU 云计算是深度学习训练核心支撑，大幅降低海量分子、蛋白数据的计算成本。 3.算法：不同任务匹配差异化模型，是 AI 药企核心技术壁垒。 4.2 AI、机器学习、深度学习的嵌套层级 1.AI（最大范畴）：所有模拟人类感知、推理、预测的计算机系统，包含计算机视觉、自然语言处理（NLP）。 2.机器学习（ML，AI 子集）：通过数据自动学习规律，分为监督 / 无监督 / 半监督 / 强化学习；经典算法含回归、决策树、K 近邻、随机森林、支持向量机。 3.深度学习（DL，ML 子集）：多层深度神经网络（DNN），无需人工提取分子特征，实现端到端预测；细分主流模型及制药用途： 深度学习模型 制药核心应用场景 CNN 卷积神经网络 分子 2D 结构图、蛋白空间图像处理、分子对接打分 RNN 循环神经网络 SMILES 分子序列、长生化序列特征提取 GAN 生成对抗网络 全新化学骨架分子从头生成 GNN 图神经网络 以原子为节点、化学键为边建模，ADMET、靶点亲和力预测 Transformer 多步化学反应、长分子序列逆合成预测 五、AI 在药物研发全流程完整应用（图 3 全研发链路框架） 传统新药研发痛点：完整周期 10–17 年，单款新药研发成本 1 亿–20 亿美元，I 期临床药物最终上市成功率仅 5%；2022 年测算，深度布局 AI 可使制药行业投资回报率提升 45% 以上。AI 覆盖靶点挖掘→小分子生成→虚拟筛选→ADMET 成药性预测→临床试验开发完整链条。 5.1 药物分子表征（AI 建模输入基础） 分子编码是所有 AI 药物模型的前置步骤，论文对比三类主流表征方案优劣： 1.SMILES 线性字符串：将分子转化为文本序列，适配序列到序列（seq2seq）逆合成预测，可通过变换原子顺序实现数据增强； 2.分子指纹（MFP）：子结构指纹、哈希指纹（ECFP/Morgan）、药效团指纹，广泛用于 QSAR 活性预测、分子相似性筛选；缺陷：依赖人工定义化学特征，丢失三维结构信息； 3.GNN 图自动表征：无需人工指纹，直接解析原子、化学键拓扑结构，代表模型 Neural FP、Attentive FP，自动挖掘分子活性、毒性特征，预测精度显著优于传统指纹方法。 5.2 靶点发现与验证 靶点失败是临床管线重大损耗来源（如辉瑞、罗氏 CET 降脂靶点全线临床失败），AI 提供两条成熟靶点挖掘路线： 1.系统生物学多组学 AI（靶点发现）贝叶斯 AI 整合基因组、蛋白组、代谢组与临床患者数据，构建疾病因果网络；生物医药知识图谱（Benevolent JECS、MindRank PharmKG39）挖掘药物 - 蛋白 - 疾病隐藏关联；Insilico iPANDA 通路分析平台对比纤维化 / 健康患者转录组，一次性筛选出 20 余个 IPF 全新治疗靶点。 2.基于蛋白结构的反向对接（靶点验证）传统靶点数据库 PDTD 仅收录 1100 个蛋白三维结构，人类仅 11% 蛋白拥有小分子探针；AlphaFold3 补齐全人类蛋白结构库，大幅拓展反向对接适用范围；可用于新靶点发现、药物脱靶毒性预测、老药新适应症挖掘；弥补冷冻电镜、X 射线晶体学设备造价数千万、解析周期数月的成本缺陷。 5.3 小分子从头生成与逆合成路线规划 理论小分子化学空间高达 10^60–10^100，传统筛选仅能覆盖极小范围，AI 生成技术实现高效全新骨架挖掘： 1.分子生成模型：GAN、Transformer 以 SMILES / 分子图为输入，定向生成具备指定活性、成药性的全新分子； 2.计算机辅助逆合成（CASP） ￮模板法（Synthia 软件）：人工整理 5 万条化学反应规则，路线稳定，但无法覆盖新型反应； ￮无模板 seq2seq 模型：将化学反应视为 “化学语言翻译”，无需专家规则，泛化性更强；2024 研究证实 AI 规划合成路线步骤更少、产率高于专利原有工艺。 5.4 小分子虚拟筛选（VS）与 ADMET 成药性预测 虚拟筛选分为基于蛋白结构（SBVS）、基于配体（LBVS）两大体系： 1.SBVS（分子对接）传统力场、经验打分函数假阳性 / 假阴性率高；CNN 深度学习打分函数自动提取蛋白 - 配体三维相互作用特征，大幅提升对接筛选准确度； 2.LBVS（配体筛选）QSAR、3D 药效团、分子相似性匹配结合多任务 DNN/GNN，可一次性筛选上亿化合物库，代表成果：深度学习发现全新抗生素 halicin； 3.ADMET 预测（降低临床失败核心工具）临床药物失败首要诱因是药代缺陷、毒性风险；GNN、DNN 模型预测精度全面超越传统指纹机器学习；主流工具：ADMETlab3.0、SwissADME、GastroPlus；可提前评估口服吸收、代谢酶结合、hERG 心脏毒性、血脑屏障穿透，早期淘汰劣质候选，节约数十亿临床投入。 5.5 临床试验全流程优化（研发成本最高环节） 1.临床结局与毒性提前预测ProCTOR 随机森林模型区分因毒性临床失败与获批药物；iPANDA 转录组深度学习可预测 46 类药物临床副作用；虚拟患者（ISCT）构建个体化生理模型，减少临床试验入组人数、降低研发损耗； 2.试验设计与患者管理NLP 解析电子病历、临床文献，自动匹配符合入组标准患者，解决招募慢难题；AI 图像识别服药监控平台 AiCure 将精神分裂患者服药依从率从 50% 提升至 90%；多组学数据分层患者，筛选免疫治疗获益亚群（如头颈癌 CD8+T 细胞高浸润人群）； 3.药物重定位（老药新用，低成本捷径）AI 知识图谱挖掘药物跨疾病治疗潜力，跳过 I 期安全性试验，直接推进 II/III 期；经典案例：西地那非、巴瑞替尼（类风湿关节炎重定位新冠治疗）。 配套表格补充（Table 1） 汇总全球 43 家 AI 药企临床管线，覆盖 Recursion、Insilico、BenevolentAI 等企业，适应症包含肿瘤、特发性肺纤维化、神经遗传病、自身免疫病，2023–2025 年大量管线进入 II 期临床。 六、AI 制药行业五大核心挑战（对应图 4 分层框架） 论文将行业瓶颈分为五层，从底层数据到顶层商业模式依次梳理： 1.数据分发与数据孤岛药企私有实验数据高度保密，数据割裂形成“数据烟囱”；小样本训练导致模型泛化能力弱、数据偏见严重；联邦学习为最优解决方案：横向 / 纵向联邦可在不共享原始数据前提下多方联合训练，兼顾数据隐私与模型精度，落地难度低于去中心化 DAO 组织。 2.数据共享机制缺失缺乏统一生物医药数据标准，企业间数据格式、实验体系不兼容；联邦学习联盟需建立标准化数据规范与利益分配机制。 3.算法知识产权保护空白AI 模型、深度学习算法的专利界定、保护体系不完善，技术壁垒易被复制；可解释 AI（XAI）专利披露要求提升算法透明度，一定程度缓解知识产权纠纷。 4.商业模式矛盾纯 AI CRO 外包服务价值低于药企自研管线；下游药企难以量化评估算法质量，付费意愿低；理想模式为企业同时布局算法开发 + 自有药物管线，打通干湿实验闭环。 5.知识库与干湿实验融合断层算法工程师与药理、有机合成生物学家知识割裂；AI 预测结果难以直接指导湿实验迭代；企业必须同时具备生命科学、计算算法复合研发能力。 衍生通用行业难题 1.模型“黑箱” 问题：深度学习无法解释分子作用机制，监管机构审批认可度低；可解释 AI（XAI，如 ChemXGNN）可视化分子关键作用基团成为解决方向； 2.数据偏见：数据集疾病、分子样本分布不均，模型对小众疾病预测精度大幅下降； 3.算力与能耗门槛：大模型训练需要海量 GPU 资源，中小研发机构难以承担； 4.伦理法规风险：患者医疗隐私泄露、AI 专利归属模糊、临床试验算法筛选人群不公平。 七、行业突破路径与未来发展方向 1.数据体系升级规模化落地联邦学习，统一生物医药数据标准；持续迭代 ADMET、靶点预测公共平台（ADMETlab3.0），扩充均衡、无偏见的公开数据集； 2.算法技术革新可解释 XAI 深度嵌入分子建模流程；图神经网络（GNN）、生物医药大语言模型（LLM）全面覆盖靶点挖掘、分子设计、临床方案撰写；量子计算、边缘计算降低模型训练能耗与算力门槛； 3.产学研技术融合构建“AI 计算模拟 - 湿实验验证 - 数据回流优化模型” 闭环；融合合成生物学、实验室自动化设备；证实人机协同研发效果优于纯 AI 或纯人工； 4.产业与监管协同药企、AI 科创企业、药监常态化合作，出台 AI 药物审批标准；完善算法、AI 分子专利法律法规；短期聚焦专用窄 AI，通用人工智能 AGI 为长期远景； 5.前沿赛道拓展AI 蛋白质从头设计（2024 诺贝尔化学奖方向）、AlphaFold 辅助靶点验证、多模态生物医药大模型、个性化联邦学习精准药物开发。 八、全文结论 1.AI 驱动制药是不可逆转的行业数字化趋势，但产业仍处于发展中期，暂无 FDA 完全批准的 AI 原创新药； 2.当前核心瓶颈集中在数据孤岛、模型不可解释、知识产权缺失、干湿实验融合不足四大维度； 3.行业正向循环正在形成：大规模高质量数据→高精度 AI 模型→优质临床候选分子→新增实验数据，持续迭代提升研发能力； 4.长期价值：AI 可将新药研发周期缩短数年、削减数十亿研发投入，显著提升新药临床成功率，最终实现精准治疗、改善患者预后； 5.行业发展前提：搭建安全的数据共享体系、普及可解释算法、配套完整伦理与法律框架，产业链多方协同突破现有技术壁垒。 补充配套图表功能总结 1.图 1：AI 制药发展时间轴，对比算力、数据、算法三要素数十年演进； 2.图 2：AI/ML/DL 层级韦恩图，梳理各类深度学习模型适配药物研发任务； 3.图 3：AI 新药研发全流程框架，覆盖靶点识别、分子生成、虚拟筛选、临床预测完整链路； 4.图 4：AI 制药五大挑战分层示意图，从底层数据到顶层商业模式系统拆解行业痛点。 人工智能制药可视化图表与临床药物概览 一、论文 4 张配图 完整中文释义 图 1 人工智能制药发展概览图 坐标轴与维度 •横轴：时间；纵轴：发展趋势（向上代表发展水平提升） •三条变化曲线：算力运算能力、数据体量、算法水平 分阶段发展节点（从左至右） 1.1990 年代：基础理论突破仅 CPU 基础算力，神经网络理论诞生；ADMET 体外筛选起步，虚拟预测思路萌芽，算力、数据、算法均处于低位。 2.2012 年：深度学习落地实践算力实现飞跃：CPU 升级为 GPU，运算性能提升 10 万倍；深度学习正式用于分子模拟，各类 ADMET 在线预测工具批量开发。 3.2015 年：先进神经网络理论成型深度神经网络算法体系成熟，蛋白结构预测、反向分子设计理论快速迭代。 4.2018–2020：AI 药物研发规模化应用AI 制药企业集中涌现，行业落地项目爆发；数据规模达到 0.4–1.1 TB；AlphaFold2 攻克蛋白结构预测难题；2024 年诺贝尔奖佐证 AI 生物领域价值。 5.2021 年至今：行业繁荣协同阶段数据体量持续暴涨，企业间数据共享、产学研合作普及；AlphaFold3 问世，多款全 AI 设计药物进入 IIa 期临床，算力、算法、数据同步高速增长。 中心图示 AI 赋能药物研发一体化流程示意图，整合数据、模型、分子、临床全环节。 图 2 人工智能、机器学习、深度学习层级关系图 层级嵌套关系（由大到小） 1.最外层大圆：人工智能（AI）包含计算机视觉、自然语言处理等所有类人智能技术。 2.中层环形：机器学习（ML）AI 的子集，分为两大板块： ￮学习场景分类：监督学习、回归、分类、无监督学习、聚类、降维、密度估计、自监督、对比、时序、半监督、强化学习； ￮各类经典机器学习算法（六边形模块）：回归算法、决策树 CART、贝叶斯算法、聚类 (K-means)、正则化、核方法 (KNN/RBF)、实例算法、集成算法、降维算法 (PCA/LDA)。 3.内层深色区域：深度学习（DL）机器学习的子集，核心模块为深度神经网络 DNN；DNN 细分主流架构：前馈神经网络 FNN、卷积神经网络 CNN、循环神经网络 RNN、图神经网络 GNN、Transformer。 逻辑箭头 机器学习、深度学习分别独立指向对应算法分类模块，清晰区分传统机器学习与深度神经网络技术谱系。 图 3 AI 赋能制药全流程框架图 整体分为三大连续研发模块，完整覆盖新药研发全链条： 模块 1：靶点识别管线（疾病 + 衰老研究） 输入组学、生物标志物数据，通过深度学习通路挖掘、疾病靶点 NLP 打分、集成打分模型，输出疾病相关靶点、通路、调控机制。 模块 2：全新小分子先导化合物生成（核心 AI 设计环节） 1.输入靶点信息，开展小分子挖掘； 2.多类深度学习模型并行：转录组 / 通路深度学习、ADMET 成药性建模、通路激活模型； 3.生成对抗网络 (GAN) 自动生成全新分子骨架； 4.集成打分模型筛选优质先导化合物； 5.下游配套：文献 / 专利分子库、分子设计强化学习、ADMET / 药代动力学打分、体外 + 体内实验验证、专利申报。 模块 3 临床试验结果预测 1.输入分子化学结构、靶点信息，预测药物不良反应、临床文献风险； 2.输出临床分期评分（I 期→II 期→III 期→获批 / 失败）； 3.对比两类结局：III 期临床失败管线、成功推进上市管线。 图 4 AI 制药五大应用挑战分层示意图 纵向分层（由底层基础到顶层产业） 1.底层：知识库依托自然语言处理 (NLP) 层、生物知识图谱、生物神经网络数据库搭建行业知识库； 2.第二层：商业模式AI 驱动研发商业模式框架：大数据应用、算法落地、药物研发产出；涵盖研究战略、技术、财务 KPI、IT 体系； 3.第三层：算法知识产权保护知识产权、专利、商业秘密、法律保护体系；核心疑问：AI 技术迭代速度快，算法专利保护周期是否充足？ 4.第四层：数据共享云端数据共享平台、多方分布式数据联盟； 5.顶层：数据分布数据质控、多机构异构数据区分、AI 数据平台建设； 左侧总标题：人工智能在药物研发领域的全部应用挑战 二、表 1 进入临床阶段的 AI 研发药物 完整中文翻译 序号 企业名称 管线代号 适应症 临床阶段 临床试验编号 更新年份 参考文献 1 Recursion REC4881 家族性腺瘤性息肉病 I 期 NCT05552755 2025 [24] 2 Recursion REC2282 2 型神经纤维瘤病 II/III 期 NCT05130866 2024 [25] 3 Recursion REC994 脑海绵状血管畸形 II 期 NCT05085561 2024 [26] 4 Lantern LP100 转移性去势抵抗性前列腺癌（mCRPC） II 期 NCT03643107 2025 [27] 5 Lantern LP300 肺腺癌 II 期 NCT05456256 2025 [28] 6 Lantern LP184 实体瘤 I 期 NCT05933265 2025 [29] 7 Relay RLY1971 SHP2 靶点相关肿瘤 I 期 NCT04252339 2023 [30] 8 Relay RLY4008 FGFR2 突变肿瘤 I 期 NCT04526106 2025 [31] 9 Relay RLY2608 PI3Kα 突变肿瘤 I 期 NCT05216432 2025 [32] 10 Accutar Biotechnology（开拓生物） AC682 乳腺癌 试验终止 NCT05489679 2024 [33] 11 开拓生物 AC176 转移性去势抵抗性前列腺癌（mCRPC） I 期 NCT05241613 2025 [34] 12 Berg Health BPM31510 胶质母细胞瘤 II 期 NCT04752813 2025 [35] 13 Berg Health BPM31543 化疗诱导脱发 I 期 NCT01588522 2017 [36] 14 AI Therapeutics LAM-001 闭塞性细支气管炎综合征（BOS）、肺结节病 II 期 NCT05798923 2024 [37] 15 AI Therapeutics LAM-002A 肌萎缩侧索硬化症（ALS） II 期 NCT05163886 2024 [38] 16 Benevolent AI BEN-2293 特应性皮炎 II 期 NCT04737304 2023 [39] 17 BioXcel Therapeutics BXCL501 急性躁动症 II 期 NCT05276830 2023 [40] 18 BioXcel Therapeutics BXCL701 转移性去势抵抗性前列腺癌（mCRPC） II 期 NCT03910660 2023 [41] 19 Exscientia EXS21546 各类肿瘤 I 期 NCT04727138 2022 [42] 20 Evaxion Biotech EXV-01 转移性黑色素瘤 II 期 NCT05309421 2023 [43] 21 Evaxion Biotech EXV-02 黑色素瘤辅助治疗 I/II 期 NCT04455503 2024 [44] 22 Pharos Ibio PHI-101-001 急性髓系白血病（AML） I 期 NCT04842370 2021 [45] 23 Pharos Ibio PHI-101-002 铂耐药卵巢癌 I 期 NCT04678102 2023 [46] 24 SOM Biotech SOM0226 家族性淀粉样多发性神经病变 II 期 NCT02191826 2016 [47] 25 SOM Biotech SOM3355 亨廷顿舞蹈症 II 期 NCT05475483 2024 [48] 26 SOM Biotech SOM0061 新冠病毒感染（COVID-19） II 期 无编号 2024 [49] 27 Neumora BTRX-335140 重度抑郁症、快感缺失 II 期 NCT04221230 2023 [50] 28 Xbiome XBI-302 急性移植物抗宿主病 I 期 NCT05352269 2022 [51] 29 Erasca ERAS-007 转移性结直肠癌 I/II 期 NCT05039177 2024 [52] 30 Erasca ERAS-601 晚期 / 转移性实体瘤 II 期 NCT04866134 2024 [53] 31 Nimbus Therapeutics NDI-034858 银屑病关节炎 II 期 NCT05153148 2024 [54] 32 Nimbus Therapeutics NDI 1150-101 实体瘤 I/II 期 NCT05128487 2024 [55] 33 Landos Biopharma BT-11 克罗恩病 II 期 NCT03870334 2023 [56] 34 Landos Biopharma NX-13 溃疡性结肠炎 I 期 NCT04862741 2023 [57] 35 C4X discovery INDV-2000 食欲素 1 相关疾病 I 期 NCT05694533 2024 [58] 36 Oncocross OC514 肌肉减少症 I 期 NCT05264038 2023 [59] 37 Pharnext PXT3003 腓骨肌萎缩症 1A 型（CMT1A） II 期 NCT05092841 2025 [60] 38 Healx HLX-0201 脆性 X 综合征 II 期 NCT04823052 2022 [61] 39 AbCellera LY-CoV555 新冠病毒感染（COVID-19） 试验完成 NCT05780268 2023 [62] 40 Insilico Medicine INS018-055 特发性肺纤维化（IPF） I 期 NCT05154240 2023 [63] 41 Schrodinger SGR-1505 特发性肺纤维化（IPF） I 期 NCT05544019 2024 [64] 专业缩写注释 1.mCRPC：转移性去势抵抗性前列腺癌 2.SHP2：含 SH2 结构域蛋白酪氨酸磷酸酶 2 3.FGFR2：成纤维细胞生长因子受体 2 4.PI3Kα：磷脂酰肌醇 3 激酶 α 5.BOS：闭塞性细支气管炎综合征 6.COVID-19：新型冠状病毒肺炎 7.CMT1A：腓骨肌萎缩症 1A 型 8.IPF：特发性肺纤维化 9.AML：急性髓系白血病 10.ALS：肌萎缩侧索硬化症 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