Metis Pharmaceuticals Co., Ltd.

药物研发是一项高投入、长周期且高风险的系统性工程。传统小分子药物从靶点发现到确定临床前候选化合物，平均需要三到五年，研发成本常超过二十亿美元，而最终能进入临床阶段的化合物比例不足百分之十。近年来，人工智能技术的介入为药物分子设计带来了范式革新。机器学习与深度生成建模在小分子性质预测、定量构效关系建模以及生成式从头设计等任务中显著提升了效率。然而，绝大多数模型固有的“黑盒”特性使其预测结果缺乏可解释性。这不仅难以与化学、生物学领域的专业认知有效衔接，也往往无法满足药物研发过程中严格的实验验证要求与日趋严谨的法规监管标准。可解释人工智能（Explainable Artificial Intelligence, XAI）正是破解这一困境的核心技术。它通过开发模型解释方法、识别潜在模型偏差、界定模型适用范围，将人工智能的数值预测转化为人类可理解的科学知识与逻辑推断，从而为药物分子设计的实验指导、模型验证与法规评估提供了不可或缺的支撑。当前，XAI在药物分子设计中的应用已初步形成一套层次分明的技术体系。其底层逻辑围绕“计算解释-化学理解-因果推理”的层级递进展开，运行机理主要涵盖特征归因、规则挖掘与实例对比三大核心方向。在技术路线上，研究者在通用XAI算法的基础上，针对化学领域的特殊需求进行了深入的适配与改造。与此同时，国内外在学术研究、产业应用与监管体系层面的发展差异，也塑造了当前技术博弈与创新协同并存的行业格局。本文将从底层逻辑与技术体系、化学领域的适配性改造、国内外发展现状与差距，以及核心技术挑战与科技前瞻等四个维度，系统性地剖析XAI在药物分子设计中的应用价值与发展趋势。XAI在药物分子设计中的底层逻辑，本质上是致力于解决人工智能模型的“解释性”与药物研发所要求的“科学性”之间的适配问题。其核心任务在于将机器学习模型所识别的数值特征贡献，转化为化学领域专家能够理解的构效关系，进而支撑那些可被实验验证的因果推理。与通用人工智能领域的XAI不同，药物分子设计中的XAI必须兼顾三大核心科学问题。首先是评估标准的构建问题。XAI方法的解释有效性往往缺乏统一的“基本事实”作为参照基准，其准确性、稳定性、鲁棒性、简洁性等评估指标的实现，高度依赖于所选用的特定XAI算法、底层机器学习模型以及相关参数设置。这些解释通常无法直接验证，只能通过多种方法的交叉对比、提出合理假设并最终通过实验验证来完成解释一致性的判定。其次是解释与理解的转化问题。XAI所产生的“解释”本质上是从模型中提取计算模式的纯技术过程，而“理解”则是将抽象的计算模式转化为化学、生物学专业术语与知识的跨学科过程。前者侧重于数值层面的特征贡献量化，后者则需要深度融合领域知识以完成语义转化，这一转化过程正是XAI从一种技术工具升华为科学研究方法的关键环节。其三是如何从统计关联升级到因果推理的问题。药物分子设计的核心目标是明确分子结构与生物活性之间的构效关系，但机器学习模型通常只能挖掘数据中的统计关联。若将这种统计关联直接等同于因果关系，极易产生所谓的“聪明的汉斯”预测器——即模型利用了数据中隐藏的偏差，而非真正的机制进行预测，从而导致基于模型预测的实验设计出现系统性错误。因此，XAI在药物分子设计中的一项核心目标，正是通过可解释的特征分析，致力于建立从分子结构特征到生物活性的可信因果关联，为后续的实验验证提供可操作、可检验的科学假设。特征归因方法是当前药物分子设计中应用最广泛的XAI技术。其底层逻辑源于合作博弈论与梯度传播理论，核心机理是量化每个输入特征对模型最终预测结果的边际贡献。技术路线以沙普利值的近似计算为核心，并在通用的SHAP框架基础上，发展出多种适配不同分子表示（如分子指纹、图表示、SMILES序列）与各类机器学习模型（如随机森林、神经网络）的变体算法。沙普利值将机器学习模型中的每个特征类比为合作博弈中的一位玩家，而模型的预测结果则类比为这场博弈的总收益。单个特征的沙普利值，即为其对所有可能的特征组合所带来的平均边际贡献。这种计算方式在数学上保证了特征贡献分配的公平性与合理性。然而，沙普利值的精确计算属于NP难问题，无法直接应用于高维的分子特征空间，因此高效的近似计算成为该方法得以实际应用的技术核心。此外，通过聚合多个分子实例的SHAP值，可以进行全局特征归因分析，从而识别出在模型预测中具有通用性的关键分子特征，为基于构效关系的分子定向优化提供清晰方向。例如，在用于区分活性与非活性化合物的多层感知器模型中，通过MolSHAP等工具进行特征归因，并结合原子环境指纹进行特征映射，可以精准识别出对化合物活性起决定性作用的特定原子或子结构序列，从而为后续的分子结构修饰提供明确的靶点。基于规则的方法，其底层逻辑是从高维、复杂的分子特征空间中，挖掘出人类可读、可理解的逻辑规则。其核心机理是通过对分子特征进行系统性的分解与测试，提取出决定模型预测结果的最小充分特征集，并将其转化为化学领域专家熟悉的子结构规则。技术路线通常从通用的Anchors算法出发，进一步开发出适配分子结构的变体，如MolAnchor算法，从而实现了从抽象的特征规则到具体的化学子结构规则的直接转化。通用的Anchors算法通过对输入特征进行系统性的扰动，识别出能够保证模型预测结果保持稳定的最小特征集合，即所谓的“锚点”。然而，当该算法直接应用于分子设计时，其提取的特征规则往往缺乏化学语义，难以与研究者关注的构效关系形成有效衔接。MolAnchor作为Anchors算法在化学领域的成功变体，通过对化合物子结构的系统分解与测试，巧妙地将锚点规则从数值特征空间转化到了化学子结构空间。其核心技术步骤包括：首先，基于分子的SMILES序列进行子串分解，或基于分子图进行子图分解，生成该化合物所有可能的子结构候选集。然后，通过系统性地扰动这些子结构（例如掩盖或替换），并观察模型预测结果的变化，从而识别出对预测结果起决定作用的最小化学子结构。最后，将这些关键子结构以规则形式呈现，完成对模型预测的化学解释。MolAnchor方法的优势在于，它将XAI的规则解释与化学家的构效关系思维直接融合，所提取的子结构规则能够被化学家直观理解，并且往往能为分子的合成与修饰提供可直接操作的指导。与传统的定量结构-性质关系（QSAR）模型相比，MolAnchor实现了规则的自动数据驱动挖掘，并可适用于解释非线性的复杂机器学习模型。而传统QSAR模型中的规则多依赖于人工经验提取，通常仅适用于线性或低维非线性模型。基于规则的方法在药物分子设计中的核心价值，在于其解释结果具有高度的简洁性与确定性。一个单一的子结构规则可以直接对应一个明确的构效关系假设，避免了特征归因方法中数值解释可能带来的模糊性，因此更适合作为实验设计的直接依据。基于实例的方法，其底层逻辑是对比学习。核心运行机理是通过生成一个与测试实例高度相似但模型预测结果却不同的对比分子，从而识别出导致预测结果差异的最小分子结构变化。技术路线主要分为反事实解释与对比解释两大方向，代表算法包括分子反事实生成算法与MolCE（Molecular Contrastive Explanations）。其核心优势在于能够为因果推理提供可直接进行实验验证的假设，实现了从模型解释到实验设计的无缝衔接。反事实解释通过生成与测试分子具有高结构相似性（通常以Tanimoto相似性、分子编辑距离等作为判定标准）但模型预测结果相反的分子实例，来回答“为什么该分子被预测为具有某种性质，而另一个相似分子却不具备”的关键问题。其分子生成过程通常依赖变分自编码器（VAE）、生成对抗网络（GAN）或扩散模型等生成式人工智能技术，在保证分子结构相似性与类药性的前提下，实现模型预测结果的翻转。对比解释则侧重于对测试分子的特征进行系统而有目的的扰动，识别出导致模型预测结果发生反转的最小结构变化单元，例如对分子的核心骨架、关键取代基进行特定修饰，以确定维持或改变分子性质的关键结构要素。MolCE作为这一方向的代表性算法，其创新之处在于对分子特征扰动过程施加了化学合理性约束，确保生成的对比分子结构是易于合成且符合类药性原则的，从而提升了解释的实用价值。无论是反事实解释还是对比解释，它们都将模型解释转化为具体的分子结构变化建议，这非常符合化学家的认知习惯。它们所生成的对比分子或具体的结构修饰方案，可以直接作为药物化学家设计下一轮合成实验的蓝图，从而实现了从计算解释到湿实验验证的快速闭环。例如，在肿瘤靶向药物的分子设计中，通过反事实解释生成与高活性分子结构相似但预测为非活性的分子，可以帮助识别出维持药物靶向性的关键官能团；而通过MolCE的对比解释，则可以精确确定对分子成药性（如溶解性、代谢稳定性）起关键作用的特定取代基修饰方式，为分子优化提供明确方向。化学语言模型（Chemical Language Models, CLM）的兴起，为药物分子的生成式设计提供了强大的新工具。基于Transformer架构的CLM将分子的SMILES序列视为文本序列，通过自注意力机制提取分子特征并生成全新分子，在从头分子设计、分子优化等任务中展现出高度灵活性。然而，这类模型结构复杂、参数庞大，使其成为可解释人工智能（XAI）研究的难点，相关探索仍处于早期阶段。CLM的可解释性挑战主要源于三个方面：第一，注意力图的化学可理解性有限。Transformer的自注意力机制通过计算token之间的权重来展现特征关联，但SMILES序列中的token（字符或子串）与分子中的原子、化学键或官能团并非严格对应。因此，注意力图仅能展示token间的数值关联强度，难以直接转化为真实的化学相互作用关系，且注意力权重本身的物理意义尚不明确，不能直接作为特征贡献的有效依据。第二，传统特征归因方法的适配性差。将SHAP、LIME等传统XAI方法直接应用于CLM时，容易产生高方差、不稳定的解释结果。同时，Transformer的深层网络结构导致特征贡献的逐层分解与回溯异常困难，难以实现从高层抽象特征到原始分子具体结构的清晰映射。第三，部分CLM可能存在“统计驱动”而非“化学驱动”的问题。这意味着模型可能并未真正学习到分子结构与性质之间的内在构效关系，而是过度依赖训练数据中的统计相似性与记忆效应来完成预测。在这种情况下，任何基于模型结构的XAI方法都可能失效，无法提供真正有科学意义的解释。针对上述挑战，当前的研究方向主要分为三类：第一，将机制可解释性（Mechanistic Interpretability, MI）的研究范式引入CLM。通过“定位-操控-提升”的三阶段范式，试图识别CLM中那些编码了特定化学知识（如官能团、反应性）的神经元、注意力头甚至计算电路，并通过对这些核心组件的定向操控，来解释与优化模型的预测行为。该方法已在通用大语言模型的可解释性研究中取得初步突破，为理解CLM的内部工作机制提供了新思路。第二，引入不确定性估计与对比性评分，以弥补模型解释性不足的缺陷。例如，通过贝叶斯神经网络对CLM的预测结果进行不确定性量化，识别出模型预测的高置信度与低置信度区域，从而为实验设计的优先级提供参考，降低因盲目信任黑盒预测而导致的研发风险。第三，将化学先验知识融入CLM的训练与解释过程。在模型训练阶段，通过引入构效关系规则、合成可行性规则、量子化学计算得到的分子能量或电荷分布等先验知识，约束模型的特征学习方向，促使模型的注意力机制与化学结构的真实相互作用形成更好的对应，从而提升最终注意力图或其他解释结果的化学合理性。例如，在ChemBERTa、MolGPT等经典化学语言模型的研究中，通过引入额外的物理化学特征作为训练目标或约束条件，已被证明可以使模型的注意力权重更贴合分子的实际物理化学性质，从而在一定程度上提升了模型的可解释性。在可解释人工智能应用于药物分子设计这一前沿领域，国内外的发展现状呈现出“国外引领基础理论与高端产业应用，国内聚焦应用创新与平台化布局”的鲜明格局。这种差异体现在学术研究、产业实践与监管体系三个层面，共同构成了当前全球范围内的技术竞争与局部协同创新态势。在学术研究层面，国外顶尖研究机构主要致力于可解释人工智能的基础理论与核心算法创新。例如，美国麻省理工学院、斯坦福大学和微软研究院等机构是特征归因方法的重要发源地，它们构建了SHAP理论框架并开发了一系列核心变体算法。英国剑桥大学、苏黎世联邦理工学院等欧洲团队则在基于规则与基于实例的可解释人工智能方法上取得了突破性进展，开发了如MolAnchor、MolCE等面向化学领域的核心算法。此外，像DeepMind这样的公司，通过将AlphaFold的蛋白质结构预测技术与可解释人工智能相结合，实现了对蛋白-小分子对接过程的深入解释，为靶向药物设计提供了前所未有的新工具。国外研究的核心优势在于其深厚的基础理论原创性以及跨学科融合的深度与广度，其可解释人工智能研究始终与化学、生物学、物理学及计算机科学的前沿理论紧密结合，形成了从底层算法设计到高端领域应用的完整创新链条。相比之下，国内的学术研究则更侧重于可解释人工智能算法的化学领域适配、优化与应用场景创新。中国科学院上海药物研究所、清华大学、北京大学等顶尖机构，在MolSHAP、DeepSHAP等国际主流算法基础上，开发了众多适配国内药物研发实际需求的变体算法，使其能更好地应用于本土特色靶点研究、中药活性分子库分析等场景。例如，天津大学的研究团队将图注意力神经网络与晶体工程技术深度融合，开发了CrystalGAT智能计算平台。该平台通过图注意力机制进行特征归因，实现了对柔性晶体材料性质的精准预测与定向设计，并已成功应用于药物制剂优化领域。据称，该平台的验证集综合准确率达到90%，能够在一天内生成上百个候选分子库，从而将传统的“试错式”晶体筛选研发模式转变为“精准靶向优化”的智能模式。国内研究的核心优势在于对化学与制药领域实际需求的精准把握，以及与实验科学更为紧密的结合，这使得其可解释人工智能解释结果的实验验证效率往往更高，更容易实现从理论研究到实际产业应用的快速转化。在产业应用层面，国外已形成相对成熟的“AI技术公司-大型跨国药企”深度合作模式。可解释人工智能技术正逐步融入药物研发全流程，并成为临床前研究阶段的核心决策支持工具。BenevolentAI、Recursion Pharmaceuticals、Absci等专注于AI制药的创新公司，将可解释人工智能技术与生成式人工智能深度融合，开发了覆盖从靶点发现到候选化合物优化的端到端药物研发平台。这些平台的可解释人工智能模块，能为靶点识别、苗头化合物生成、ADMET性质预测乃至合成路线规划等整个流程，提供透明且可解释的依据。通过与辉瑞、默克、阿斯利康等大型药企的长期战略合作，可解释人工智能驱动的分子设计已实际应用于肿瘤、心血管疾病、神经退行性疾病和感染性疾病等多个重要治疗领域的临床前研究项目。例如，Absci公司通过可解释人工智能辅助的生成式AI设计，成功开发出首个靶向HIV病毒衣壳蛋白“火山口区”的特异性抗体，为广谱抗HIV药物的研发提供了新方向。麻省理工学院团队开发的BoltzGen模型，则通过原子级精度的结构调控与可解释的特征分析，实现了对纳米抗体的从头设计，其多个设计产物已在细胞水平实验中展现出强效且特异的结合能力。相比之下，国内的产业应用以快速发展的平台化布局为核心特征，晶泰科技、英矽智能、药明康德等企业是主要推动者。其中，晶泰科技长期聚焦于可解释人工智能底层技术平台的开发，将特征归因、基于规则的解释等方法深度融入其晶体形态预测、虚拟筛选、分子生成等核心模块，为国内外药企提供标准化的、可解释的AI工具链。其与合作伙伴签订的高额订单，也刷新了AI制药行业的合作纪录。英矽智能则将可解释人工智能深度应用于其端到端的新药研发流程中，其自主研发的TNIK抑制剂INS018\055，已成为全球首款由人工智能全流程设计并成功完成Ⅱa期临床试验验证的药物。在该药物的研发过程中，可解释人工智能模块在分子生成与优化阶段，提供了对潜在构效关系的解释与优化指导，据称将传统的临床前研发周期从3-5年显著缩短至1-2年。剂泰科技则另辟蹊径，将可解释人工智能技术与纳米药物递送系统设计相结合，其研发的用于治疗肺动脉高压的PBA药物MTS004，成为国内首个完成Ⅲ期临床试验的AI赋能制剂新药，可解释人工智能在其中发挥了对纳米载体分子设计的解释与优化作用。此外，恒瑞医药、百济神州等本土传统大型药企也开始积极布局可解释人工智能技术，尝试将其应用于自身研发管线的分子优化与先导化合物筛选，进一步推动了该技术的产业落地与价值验证。在监管体系层面，国外已开始构建针对AI药物研发的初步监管框架，并将模型的可解释性明确列为核心要求。相关监管机构已发布指导原则草案或讨论文件，强调AI模型的预测结果需要提供人类可理解的解释，且整个解释过程需能融入现有的药物生产质量管理规范（GMP）、临床试验管理规范（GCP）等体系。企业需要向监管机构详细说明其模型采用的解释方法、特征贡献的分析逻辑以及相应的实验验证依据。这一趋势为可解释人工智能（XAI）在药物研发中的规范化应用提供了明确的监管指引与合规门槛。相比之下，国内的监管体系尚处于积极构建与探索阶段，目前尚未出台专门针对AI药物研发的详细监管指南，但在国家政策层面给予了明确且大力度的支持。相关部门联合发布的医药工业数智化转型实施方案，已将AI药物研发与可解释人工智能列为重点发展方向，并提出打造行业大模型创新平台、开展全产业链应用试点等具体目标，同时要求AI模型的设计需平衡可解释性、透明度与预测性能。这为XAI在药物分子设计中的研发与应用提供了强有力的政策支撑与方向指引。同时，国内的药品监管机构也正在密切跟进国际动态，逐步将模型的可解释性纳入技术审评的考量因素，积极推动监管体系与前沿技术发展的同步演进。国内外在XAI药物分子设计领域的发展差距，本质上是基础理论创新、高质量数据资源积累、成熟产业生态构建与完善监管体系建设的综合差距。技术博弈则突出体现在专利布局、数据话语权与行业标准制定三个方面。在基础理论与核心算法创新层面，国外机构掌握了众多XAI核心算法的原始专利，如SHAP、Anchors等框架的核心专利主要由美国、欧洲的研究团队持有。国内的算法研究目前大多为应用层面的改造、适配与集成，具有全球影响力的原创性核心算法相对较少，这导致国内产业在部分高端技术应用场景中可能面临专利壁垒的制约。在数据资源层面，国外机构主导了全球主流药物分子与生物活性数据库的建设与维护，这些数据库涵盖了数亿个化合物的结构、活性及部分理化性质数据，构成了AI模型训练与验证的基石。相比之下，国内虽然拥有丰富的中药分子资源与临床数据，但系统性、标准化、可共享的本土药物分子综合数据库建设相对滞后，存在数据规模、覆盖面与标注质量等方面的挑战，这在一定程度上限制了基于本土数据训练的XAI模型的泛化能力与解释的通用性。在产业生态层面，国外已初步形成“前沿学术研究-敏捷技术转化-大型药企应用-监管反馈优化”的良性互动闭环。顶尖学术机构的XAI算法创新，能够通过灵活的初创公司快速转化为商业化工具；与大型药企的深度合作，则为算法迭代优化提供了宝贵的实验数据反馈；而逐步明确的监管要求，则为技术的健康发展划定了跑道与方向。相比之下，国内的产业生态仍在快速构建与完善之中，学术研究的前沿突破与产业界的实际应用需求之间，有时仍存在一定的脱节。部分XAI算法的学术创新，缺乏足够丰富的产业化场景进行锤炼与验证；而药企在研发中遇到的具体痛点，有时也难以迅速、精准地反馈到上游的算法研究设计中。产学研用的深度融合程度与协同效率，仍有提升空间。在技术博弈的具体层面，专利布局的核心焦点是XAI算法与药物分子设计相结合的关键技术点。国外企业与研究机构已在MolSHAP、MolAnchor、CLM可解释性等细分领域，申请并布局了大量基础专利。国内企业则更多聚焦于平台化应用与垂直场景解决方案的专利布局，例如在XAI驱动的虚拟筛选流程、晶体形态预测系统、中药复方分析等领域申请了多项专利，正逐步构建起自主的专利保护体系。数据话语权的博弈，则直接体现为本土高质量数据集的建设竞赛。国内正加快推进国家级的生物医药大数据中心、特色中药分子库以及药企联盟数据共享平台的建设，力图通过数据的本土化积累与高质量标注，提升XAI模型对本土研发需求的适配性。产业标准的博弈，则体现为对AI药物研发全球技术标准与行业规范制定权的争夺。国外正凭借其先发优势，积极推动将其主导开发的XAI解释方法论、验证流程纳入国际行业协会或监管协调组织的参考标准。而国内则通过大规模的平台化应用、积极的临床实践以及与监管机构的紧密沟通，加速推动符合中国国情的相关技术标准与最佳实践的形成，以期在全球产业标准制定中赢得更多话语权。同时，必须认识到，国内在XAI药物分子设计领域也已积累起显著的比较优势，为未来缩小差距、实现局部超越乃至全面创新奠定了坚实基础。其一，在图神经网络与药物分子设计的结合方面，国内研究团队表现活跃并处于国际前沿。例如，前述的CrystalGAT平台，以及中科院上海药物所等机构开发的基于GNN的可解释分子模型，均实现了图神经网络这一契合分子本征图结构的技术，与特征归因、规则挖掘等XAI方法的深度融合。GNN的可解释性研究因其更贴近化学家的“结构决定性质”思维习惯，正成为国内一个特色鲜明的优势研究方向。其二，本土领先的AI制药企业所采取的平台化发展路径，往往更贴合国内广大药企（包括大量Biotech公司）的研发现实与需求。它们提供的XAI工具与服务，通常完成了对国内常见靶点、流行分子库、合成技术条件乃至审评偏好的深度适配，其输出的解释结果更容易被国内研发团队理解、采信并整合到现有的实验流程中，从而加速了产业化落地的进程。其三，国家与地方政府给予了空前力度的政策支持。AI药物研发已被明确列为生物医药产业升级与国家科技战略的核心方向之一。通过重大科技专项、产业引导基金、税收优惠、人才计划等多种方式，为XAI的基础研究、技术攻关与产业化示范提供了充沛的资金与政策保障。当前，可解释人工智能在药物分子设计中的应用，既充满机遇，也面临一系列深层次的核心技术挑战。这些挑战源于XAI自身的技术局限，也源于药物研发科学问题的极端复杂性，主要体现在以下六个方面。其一，是解释性与模型预测性能之间的固有权衡问题。这是XAI领域的共性挑战，但在药物分子设计中尤为突出。高可解释性的模型，如线性回归或决策树，其预测性能往往有限，难以捕捉高维化学空间中复杂的非线性构效关系；而预测性能强大的模型，如深度神经网络或图神经网络，其内部工作机制又异常复杂，可解释性极差。引入外部XAI方法对黑盒模型进行事后解释，往往需要以牺牲模型性能或增加巨大计算开销为代价。因此，如何从模型架构设计之初就兼顾可解释性与高性能，或开发出性能损失最小的事后解释方法，是当前亟待解决的核心难题。其二，是化学数据固有特性与XAI方法基本假设之间的适配问题。化学空间的分子分布并非均匀，存在与合成可及性及历史研究热点相关的固有偏差。同时，分子特征之间（如不同官能团的出现）往往具有高度相关性。然而，许多经典XAI方法（如基于排列的特征重要性）的理论基础建立在特征相互独立的假设之上，即使采用更复杂的条件分布采样技术，也难以完全规避数据偏差与特征相关性的影响。如何开发出不依赖强特征独立性假设、对化学数据固有结构更加鲁棒的XAI算法，是提升解释可靠性的关键。第五，是多模态、多层次数据的融合与统一解释问题。现代药物研发涉及从分子、蛋白、细胞、组织、动物到临床患者等多层次、多模态的海量数据。如果仅对分子模态进行XAI解释，将无法满足全流程研发决策的需求。因此，需要开发多模态XAI方法，能够融合化学结构、基因组学、蛋白质组学、影像学乃至真实世界数据，实现对“靶点-分子-细胞-机体”这一复杂链条的跨模态、可追溯的解释。这是XAI支撑精准医疗与系统药物研发的必然要求。第六，是法规与标准化层面的挑战。目前，全球范围内都缺乏一套被学术界、产业界和监管机构共同认可的、用于评估XAI方法有效性、可靠性与实用性的统一标准与基准测试集。这导致不同研究或公司提供的解释结果缺乏可比性，模型的可重复性差，监管机构在进行技术审评时也缺乏明确的评判依据。因此，建立一套科学、客观、可操作的XAI评估验证框架，并推动其成为行业共识与监管参考，是XAI技术得以大规模、规范化应用于药物研发的关键前提。针对上述挑战，并结合人工智能与生物医药领域的宏观发展趋势，可解释人工智能在药物分子设计中的未来科技前瞻可归纳为七大演进方向。其核心愿景是实现“知识深度融合、解释维度升级、研发流程闭环、创新生态协同”，最终推动XAI从辅助性的技术工具演变为药物研发不可或缺的核心科学方法。第一，是开发深度知识融合的下一代XAI模型。未来的方向是将化学、生物学、药理学的丰富先验知识（如构效关系规则、合成反应规则、量子力学原理、药代动力学规律）以可计算、可约束的形式，有机地融入XAI算法的设计、训练乃至推理过程中，构建“数据驱动与知识引导双轮驱动”的新型可解释模型。例如，在特征归因中引入基于量子化学计算的电子密度特征作为归因基准；在基于规则的挖掘中，将已知的毒性警示结构、优势药效团作为规则生成的种子或约束条件；在训练CLM时，将预测结果与基于物理的模拟计算结果的一致性作为辅助训练目标，从而引导模型学习到更接近真实物理化学规律的特征表示。第二，是构建无缝嵌入研发全流程的端到端可解释分子设计平台。未来的平台将不再是孤立的功能模块堆砌，而是深度整合分子表示学习、生成式AI、多目标优化、XAI解释、合成可行性预测、自动化实验验证等环节的智能系统。XAI模块将像一条金线贯穿始终，在靶点可成药性分析时提供特征解释，在生成分子时提供结构衍生逻辑解释，在性质预测时提供风险归因解释，在合成路线设计时提供步骤合理性解释，最终形成“智能生成-多维解释-快速验证-反馈优化”的高效研发闭环，从而极大提升AI驱动研发的透明度与成功率。第三，是大力发展基于三维结构与动态模拟的可解释人工智能方法。随着冷冻电镜、微晶电子衍射等结构生物学技术的进步，以及高性能计算让长时间尺度的分子动力学模拟成为可能，获取高精度三维分子构象与蛋白-配体动态结合信息的能力正在飞速提升。下一代可解释人工智能方法需要直接处理这些三维结构数据，开发基于三维分子指纹、三维图神经网络或几何深度学习模型的特征归因与规则提取技术。同时，需要发展能够分析分子动力学模拟轨迹的可解释人工智能工具，识别在结合过程中起关键作用的瞬态相互作用、构象变化与能量热点，实现从静态结构解释到动态过程机理解释的跨越。第四，是深入探索因果推断与可解释人工智能的融合，发展因果可解释人工智能。通过将因果发现、反事实推理等因果推断框架与现有的特征归因、实例对比等方法结合，设计新的算法来区分特征中的因果贡献与混杂关联。例如，开发基于结构性因果模型的归因方法，或在生成反事实解释时，确保所修改的特征是因果父节点而非无关子节点。这将为药物化学家提供真正具有因果效应的结构修饰建议，大幅提升实验验证的命中率。第五，是攻克多模态数据融合解释的技术难关。我们需要开发统一的、能够处理异质数据的多模态表示学习框架，并在此基础上设计跨模态的特征归因与注意力机制。例如，在开发针对特定基因突变人群的靶向药物时，可解释人工智能系统需要能够解释患者的基因突变特征如何影响其对特定分子结构的敏感性，从而实现“基因型-分子结构-临床表型”关联的可解释性，为个性化药物设计提供依据。第六，是积极推动监管科学与可解释人工智能技术的协同发展与相互促进。学术界、产业界需要与药品监管机构开展更紧密的合作，共同研究并制定适用于药物研发场景的可解释人工智能评估原则、验证方法学与标准操作程序。这包括定义在该语境下解释“有效性”的具体含义，开发标准化的基准数据集与挑战赛，建立模型解释的文档规范与追溯要求。目标是形成一套被国际广泛认可的技术指南，使可解释人工智能解释能够作为可靠证据支持监管决策，从而扫清其大规模应用的最后制度障碍。第七，是倡导构建开放、协作的开源可解释人工智能工具生态。基于Python、RDKit、PyTorch、TensorFlow、JAX等主流开源框架，共同建设和维护一个面向药物分子设计的、丰富、易用、模块化的可解释人工智能工具库。这个工具库应涵盖从基础归因方法、规则提取器、反事实生成器到高级因果分析、多模态解释器等各类算法，并提供丰富的教程、案例与基准测试。开源生态能够极大降低全球研究者，特别是资源相对有限团队的技术门槛，促进方法论的快速比较、复现与创新，加速整个领域的技术迭代。这对于提升国内在可解释人工智能基础算法层面的原始创新能力尤为重要。综上所述，可解释人工智能的出现与演进，为人工智能与药物分子设计这一前沿交叉领域的深度融合，提供了至关重要的信任基石与科学桥梁。它有效破解了“黑盒”模型在严谨科学研究与严格行业监管中面临的应用困境，正推动着从模糊的数值预测向清晰、可验证的科学知识与逻辑推断的深刻转化。当前，可解释人工智能在药物分子设计中的应用已超越零散的工具阶段，初步形成了一套逻辑自洽、层次分明的技术体系。其底层逻辑紧密围绕化学与生物学领域的特殊科学需求，其运行机理与技术路线在吸收通用可解释人工智能养分的基础上，完成了面向分子复杂性的深度适配与创造性改造。国内外在学术探索、产业转化与监管适应层面的不同步发展，既构成了当前全球竞争与技术博弈的格局，也蕴藏着互补协同的巨大潜力。展望未来，随着知识嵌入、三维动态解释、因果推理、多模态融合等前沿方向的不断突破，可解释人工智能必将从服务于单一研发环节的解释工具，系统性升级为贯穿药物发现与开发全流程的核心方法论支柱。这将有力推动药物分子设计从传统的“经验驱动”与近年的“数据驱动”模式，向着“数据、知识与因果共同驱动”的新范式演进。同时，随着全球范围内产学研用深度融合机制的不断完善，以及监管科学框架的逐步清晰，可解释人工智能必将在药物研发中实现规模化、规范化的产业应用，进一步缩短研发周期、降低失败成本、提升创新效率，为全球生物医药产业带来颠覆性的变革动力。对于中国而言，牢牢把握这一历史性机遇，充分发挥自身在应用场景、数据特色、政策支持与跨学科人才方面的比较优势，着力加强基础理论研究与源头算法创新，加速构建高质量的本土数据资源体系与健康产业生态，并积极参与全球技术标准与治理规则的塑造，必将有力推动我国在可解释人工智能赋能药物分子设计这一战略高地上，实现从跟随、并行到引领的伟大跨越。

> 2026年2月2日，AI制药独角兽北京深度智耀科技有限公司（Deep Intelligent Pharma, DIP）宣布完成6000万美元新一轮融资。距离其去年12月的5000万美元D轮融资仅过去两个月，公司累计融资已超1亿美元。 在AI制药公司普遍扎堆早期药物发现的背景下，深度智耀选择攻坚占据新药研发成本和时间60%以上的临床开发阶段，这笔密集的资金注入，标志着资本市场正押注AI技术从根本上重构药物研发中最高昂、最耗时的环节。 ## 融资速览：资本看好AI重塑临床CRO 本轮融资的新投资方包括**信宸资本、金镒资本、凯泰资本**，老股东**鼎晖百孚、新鼎资本**持续追加，指数资本继续担任独家财务顾问。募集资金将主要用于**核心技术体系的代际升级**，加速公司成为制药基础设施的战略布局。 投资方的逻辑清晰指向行业结构性变革。信宸资本合伙人赵磊表示，投资是基于对**AI赋能临床CRO这一长期结构性趋势的坚定看好**，深度智耀的Multi-Agent协作能力正在深刻改变行业的成本结构和运营模式。 凯泰资本副总裁赵天军则指出，其价值在于通过自主进化的智能体系，**从根本上改变了临床试验的决策逻辑与执行范式**，推动行业从“流程优化”向“流程重构”跨越。 ## 技术内核：“仿生大脑”与万级智能体协同 深度智耀的技术路径区别于单一功能替代，其核心是构建了业界首个以脑科学为基础的**自主多智能体生态系统（Synaptic Agent Ecosystem）**。公司提出“电子神经元单点无效论”，将AI培育为“自主的数字科学家团队”。 该系统由以万为单位的高精度“原子化智能体”构成，例如： - **Protocol Agent**（方案设计智能体） - **Statistical Agent**（统计分析智能体） - **Regulatory Agent**（法规智能体） 这些智能体间通过动态协同网络连接，并能执行独有的“Planning-Execution双向校验”，从源头消灭逻辑漏洞。更关键的是系统具备**自我反思与进化能力**：在执行任务后，能自动完成归因分析、溯源定位，并自主对智能体进行改写、分化与重构。 ## 性能突破：工业级精度与虚拟试验预演 为应对医疗场景中的AI幻觉问题，深度智耀搭建了训练、推理、交叉验证、后处理四层防护机制。公司提供的数据显示，系统**医学术语准确率超过99%**，并将**工业级精度提升至99.9%**，基本克服幻觉问题。 基于该平台，公司推出了**Protocol Rehearsal（方案预演智能体）**。其功能在于，在人类患者入组前，先通过AI完成一场“虚拟临床试验”，精准预测入组速率、脱落风险和资源瓶颈。这有望将新药研发从过去的劳动密集型行业，转变为智能决策密集型行业。 ## 商业落地：从效率工具到战略绑定 深度智耀的商业化已超出工具范畴，转向与头部药企的深度绑定。2026年1月，公司与通用型细胞治疗企业英百瑞达成全面战略合作，共同启动ACC-NK细胞疗法AI智能平台，合作总价值超过**3亿元人民币**。 在提升研发流程效率方面，深度智耀将其“制药研发云平台”迁移至亚马逊云上。借助部署的智能医学翻译应用，制药企业能够将**药品申报资料翻译周期从传统的数月缩短至数天**。 ## 行业坐标：攻坚临床的“四小龙”之路 在中国“AI制药四小龙”（晶泰科技、英矽智能、剂泰科技、深度智耀）中，深度智耀的路径尤为独特。它没有追逐早期发现的热点，而是以近乎“苦行僧”的方式，从最基础的临床文本数据出发构筑壁垒，最终在价值核心的临床开发全链条实现突破。 当AI能够提前预演试验、优化决策，新药开发有望从一场依赖资本和运气的豪赌，转变为可战略规划的科学活动。深度智耀的目标是让AI像办公软件一样，深度嵌入新药研发的每一个环节，成为未来药企科学家不可或缺的“数字孪生伙伴”。 本轮融资正是其向“制药届的AGI”这一基础设施愿景迈进的关键燃料。

2026年3月6-7日，同写意将于上海虹桥举办“体内CAR-T”会议交流，聚焦递送技术突破。 双特异性T细胞衔接子（TCE）在血液肿瘤中已经有不少成功案例，比如大家可能听过的贝林妥欧单抗，但TCE用在实体瘤上一直效果有限。其主要原因是：实体瘤的物理屏障，药物很难渗透进去；肿瘤微环境的免疫抑制；全身给药的毒性问题—要想在肿瘤里达到有效浓度，外周血中的药物暴露量必须很高，这容易引起严重的副作用。 近日，剂泰科技在NC上发表了他们最新研究成果，研究者瞄准了在肝癌中高表达的抗原Glypican-3（GPC3），GPC3是一个很有潜力的治疗靶点。研究团队提出的思路是：能不能不直接注射蛋白药物，而是用mRNA编码这个TCE，并把它特异性地递送到肝脏，让TCE在肿瘤局部原位表达？ 这样既能提高肿瘤部位的药物浓度，又能降低全身毒性。 TONACEA 01 肝靶向递送系统的验证 研究者用携带荧光素酶mRNA的LNP注射到小鼠体内，6小时后看发光信号。离子化脂质体MLX0473在肝脏的信号强度比Lipid5高7倍。在大鼠中重复注射人促红素mRNA，MLX0473在血清中表达的蛋白量更高、维持时间更长。这说明研究者选的这个脂质确实能高效、持久地把mRNA送到肝脏并表达蛋白。 TONACEA 02 MTS105的体外功能验证 研究者先验证了mRNA转染293T细胞后，上清液里的TCE能结合GPC3和CD3。接着，研究者用人工外周血单个核细胞和GPC3阳性的肝癌细胞共培养，发现MTS105上清能有效杀死肿瘤细胞，并刺激T细胞释放IFN-γ和TNF。重要的是，这种杀伤是GPC3依赖的。研究者还把注射了MTS105的小鼠血清拿出来做实验，同样能介导特异性杀伤，说明体内表达的TCE是有功能的。 TONACEA 03 体内抗肿瘤效果 研究者构建了一个肝原位肿瘤模型，用的是人源化CD3转基因小鼠，这样TCE能识别人的CD3。结果显示，MTS105能引起剂量依赖的肿瘤消退，且84天内无复发。药代动力学数据显示，MTS105在肝脏和肿瘤中的浓度远高于血浆，而对照抗体ERY974在肿瘤中几乎检测不到。免疫组化也显示，MTS105治疗后肿瘤内CD8+T细胞浸润增加，颗粒酶B表达上调。此外，治疗后的动物再接种肿瘤也不会生长，说明形成了免疫记忆。 TONACEA 04 单细胞测序揭示机制 研究者用scRNA-seq分析了肿瘤浸润免疫细胞，发现MTS105治疗后CD8+T细胞比例上升，Treg比例下降。特别有意思的是，研究者发现一个高表达Hspa1a/b和Nr4a3的CD8+T细胞亚群，这群细胞表现出组织驻留记忆表型，可能是长效抗肿瘤免疫的关键。拟时序分析显示，这群细胞是从其他T细胞分化而来的，过程中上调了B2M和CCL5等基因。 当然，研究团队还对MTS105在食蟹猴中进行了安全性和PK的验证。虽然首次给药后出现一过性细胞因子升高和肝肾功能指标轻微波动，但均在后续剂量中恢复，未见严重病理损伤。 TONACEA 05 总结与启示 剂泰科技的MTS105展示了一种“局部递送－局部表达－局部激活”的实体瘤免疫治疗新范式。它解决了传统TCE在实体瘤中渗透难、毒性大两个核心问题。通过肝靶向LNP递送mRNA，让TCE在肿瘤微环境中原位表达，既能高效激活T细胞，又避免了全身过度免疫激活。 MTS105靶向GPC3和CD3，但去掉了Fc段，目的是避免因半衰期过长导致T细胞过度激活。同时，通过密码子优化和UTR设计，提升mRNA的稳定性和翻译效率。MTS105已进入IND阶段（NCT06689540），如果临床验证成功，这种策略或许可以推广到其他表达特定抗原的实体瘤，只需要换一下mRNA编码的靶向部分就行。当然，研究者也提到了一些转化中可能存在的问题，比如LNP中PEG组分可能引起的免疫原性、个体间mRNA翻译效率差异等，这些都需要在临床中进一步观察。 参考文献： Huang Y, Liu S, Zhang X, Zhang B, Shi F, Zhang J, Shao S, Han H, Ma X, Xie J, Zhang J, Yu H, Zhao Y, Jin J, Xu D, Liu L, Wang J, Tan Y, Xu K, Jin L, Du Q, Geng Y, Liu A, Xu W. Organ-specific delivery of an mRNA-encoded bispecific T cell engager targeting glypican-3 in hepatocellular carcinoma. Nat Commun.  Makkouk A, Yang XC, Barca T, Lucas A, Turkoz M, Wong JTS, Nishimoto KP, Brodey MM, Tabrizizad M, Gundurao SRY, Bai L, Bhat A, An Z, Abbot S, Satpayev D, Aftab BT, Herrman M. Off-the-shelf Vδ1 gamma delta T cells engineered with glypican-3 (GPC-3)-specific chimeric antigen receptor (CAR) and soluble IL-15 display robust antitumor efficacy against hepatocellular carcinoma. J Immunother Cancer. Chen L, Zhu Y, Feng M, Zuo D, Chen G, Ji K. Targeting CD16A on NK cells and GPC3 in hepatocellular carcinoma: development and functional validation of a therapeutic bispecific antibody. Front Immunol.  剂泰科技官网信息