AI
AI制药的
非凡荟
先理解生命,再设计药物
下一站
过去十年,生命科学领域最重要的进展之一,是人类第一次获得了系统观察生命复杂性的能力。
基因测序让我们读到生命的"代码";单细胞技术让我们看见细胞之间的差异;空间组学让我们看见细胞在组织中的位置;蛋白质组与代谢组,则让我们开始理解生命运行的动态过程。
但新的问题也随之而来:数据越来越多,理解却越来越难。
一个肿瘤患者身上,可能同时存在数万个基因变异、数百万个细胞状态、复杂的免疫微环境、动态变化的蛋白网络,以及因人而异的治疗反应。
过去的医学模式是:找到一个关键靶点,然后设计一种药物。 未来的医学模式可能是:让 AI 理解整个生命系统,再寻找合适的干预方式。
这也是为什么,围绕 AI 制药的讨论正在从"AI 能不能设计分子",转向"AI 能不能理解疾病"。本文结合公开文献与报道,梳理三个正在交叉演进的产业方向——AI + 多组学、AI + 免疫治疗、AI + 衰老医学。
需要先说明的是:以下内容是趋势层面的资料梳理,涉及未来的表述均为探讨性判断,不构成对任何技术路线或市场前景的预测。
AI + 多组学:
从"找到一个坏蛋白",到"理解整个疾病"
如果说过去二十年的制药逻辑是"找到一个坏蛋白,制造一个好分子",那么接下来的方向可能是:理解整个疾病生态系统,再精准地改变它。
为什么多组学可能比单纯的药物设计更关键?
因为疾病本质上不只一个分子的问题。它往往是多个层面的失衡:基因 → RNA 表达 → 蛋白网络 → 细胞状态 → 组织空间环境 → 疾病表型。
以肿瘤为例。传统观点认为,EGFR 突变就用 EGFR 抑制剂。但临床上同样的 EGFR 突变,有人有效、有人耐药。决定疗效的不只是一个基因,还包括免疫细胞状态、肿瘤微环境、代谢状态、表观遗传变化和空间结构。
所以真正的问题正在从"这个药能不能结合这个靶点",转向"这个患者为什么会形成这种疾病状态"。
AI 为什么特别适合多组学?
生命科学数据有三个特点:一是维度极高——人类基因组约 30 亿个碱基对,单细胞数据可达数百万个细胞,蛋白层面的观测动辄数千种;二是数据之间存在复杂的非线性关系——一个基因改变会逐层影响到 RNA、蛋白、细胞行为,最终影响治疗结果;三是这类高维、异构、跨模态的数据,传统统计模型很难拟合。
AI 的优势恰恰在于从这类数据中寻找隐藏模式。2026 年 4 月发表于《Nature Reviews Cancer》的综述指出,AI 已成为解析肿瘤多组学与临床多模态数据的关键技术,正在推动疾病早期诊断、患者精准分层、治疗反应预测和耐药机制解析;该文同时强调,可解释 AI 是建立临床信任、生成可验证生物学假说的重要前提,而数据可及性与模型跨队列泛化能力仍是主要挑战。
可能的突破点在哪里?
关键可能不是"AI 发现一个新药",而是 AI 建立起"疾病的数字模型":输入患者的基因组、单细胞、空间转录组、病理图像、影像与临床数据,输出疾病亚型 → 候选靶点 → 药物组合 → 疗效预测。
这意味着药物研发的逻辑可能从"一种药寻找患者",变成"一个患者寻找最适合的药物组合"。上述 Nature Reviews Cancer 综述也把"患者专属数字孪生"列为该领域的重要演进方向。
一个值得关注的趋势:生命科学基础模型
如果把这一逻辑推到产业层面,长期机会可能不在单纯的 AI 药物设计公司,而在"生命科学基础模型"这一层——类似 OpenAI 之于语言,2022 年微软研究院发布的 BioGPT 就是这样一次尝试:一个在约 1500 万条 PubMed 摘要上从头预训练的生成式模型,用于生物医学文本的生成与挖掘。此外,蛋白质结构预测等专用模型近年也取得明显进展。
需要客观指出的是,这类模型目前更多是研究工具:受训练语料所限,它们在事实准确性上仍存在明显局限,距离成为"理解生命的系统底座"还有相当距离。
关于我们
咨询顾问:VerycafeBetty
AI + 免疫治疗:
最复杂的生命系统,可能是 AI 最大的舞台
免疫治疗是过去十年肿瘤治疗领域最重要的进步之一。但它同时也暴露了一个问题:人体免疫系统太复杂。
为什么免疫治疗特别需要 AI?
因为免疫系统不是单一靶点,而是一个生态系统——T 细胞、B 细胞、巨噬细胞、NK 细胞、肿瘤细胞、细胞因子、代谢环境相互牵制。
以 PD-1 抗体为例,为什么有人有效、有人无效?答案可能同时涉及肿瘤抗原、T 细胞耗竭状态、免疫微环境和肿瘤代谢。单看 PD-L1 表达这一个指标,解释力远远不够。
临床上因此需要把基因组、免疫细胞谱、空间位置、蛋白表达和临床反应整合起来,寻找真正有效的治疗策略。2026 年 2 月发表于《Frontiers in Immunology》的综述系统梳理了这一方向:免疫检查点抑制剂改变了肿瘤治疗格局,但持久获益只出现在少数患者身上;AI 与机器学习的作用,是把高维异质的多组学数据融合为可部署的复合预测因子,用于疗效分层、联合治疗选择与纵向监测。该文同时指出,队列与平台异质性、缺乏前瞻性验证、模型漂移等问题,仍是走向临床的主要障碍。
三个正在被 AI 改造的方向
1)CAR-T
CAR-T 目前仍面临靶点有限、复发、毒性以及个体差异大等问题。AI 可能参与优化的环节包括 CAR 结构、信号域设计、T 细胞状态评估与患者匹配。
2)CAR-M(CAR 巨噬细胞)
这是更早期、也更值得关注的一条线。巨噬细胞天然具备吞噬能力、组织浸润能力和较强的改造潜力,对实体瘤具有独特意义。但"什么样的 CAR 结构最优""如何避免免疫抑制""如何提高肿瘤杀伤"都是复杂的优化问题,恰好适合用 AI 来搜索解空间。
需要如实说明的是:CAR-M 目前仍处于早期临床阶段。已完成的第一代 HER2 靶向 CAR-M(CT-0508)I 期试验显示安全性可接受、未见剂量限制性毒性,但未观察到客观缓解,14 例可评估患者中有 4 例(28.6%)达到疾病稳定。后续的 CAR-monocyte(CT-0525)、iPSC 来源的通用型 CAR-M(SY001)等新一代产品仍在 I 期探索中。也就是说,这一方向的临床价值尚未被验证。
3)TCR 工程
TCR 的核心挑战是如何识别真正的肿瘤抗原。AI 可以参与预测抗原 → TCR 结合 → 免疫激活 → 安全性的链条,但同样处于早期阶段。
一种可能的新组织形式
如果这一方向成立,未来可能出现一类"AI 驱动的免疫工程公司":以患者数据为输入,由 AI 设计免疫方案,再完成细胞产品的制造与个体化治疗——类似今天 CAR-T 公司的形态,但设计环节由 AI 承担。这是基于现有技术路径的一种推演,是否成立仍需观察。
关于我们
咨询顾问:VerycafeBetty
AI + 衰老医学:
一个正在被重新定义的领域
如果说肿瘤治疗解决的是"延长生命",那么衰老医学关注的是"延长健康的生命"。这是一个受众面极广的方向,但也是最需要区分"科学共识"与"商业叙事"的方向。
一个重要的科学转变
过去,衰老被视为自然过程;现在,越来越多的研究认为,衰老相关的生物学过程具有可干预性。衰老涉及 DNA 损伤、线粒体功能下降、慢性炎症、细胞衰老、干细胞耗竭等多个机制,这些都属于典型的复杂系统,非常适合用 AI 来分析。
从人口结构看,这个方向的现实基础是确定的。据世界卫生组织数据,2015 年至 2050 年,全球 60 岁以上人口占比将从 12% 上升至 22%,到 2050 年 60 岁以上人口将达到约 21 亿;且大多数老年人的健康问题与慢性非传染性疾病相关。这意味着与衰老相关的健康需求会持续扩大。
AI 在抗衰老研究中的位置
传统思路是"寻找一个抗衰老药物";现在的研究路径更倾向于寻找"衰老的调控程序"——AI 可以整合基因组、蛋白组、代谢组、免疫状态与生活方式数据,用于预测生物年龄、衰老速度和疾病风险。
2026 年 7 月发表于《Frontiers in Aging》的综述系统梳理了多组学与 AI 在抗衰老药物研发中的应用:多组学为解析衰老分子网络提供全景视角,AI 在靶点发现、虚拟筛选和临床试验设计中具备价值;该文同时明确指出,伦理争议、数据异质性与标准化、模型可解释性和泛化能力,仍是这一领域必须面对的问题。
三个值得关注的方向,以及它们目前的真实进展
方向 1:Senolytics(清除衰老细胞)
核心思路是清除那类"不再正常工作、但持续释放炎症信号"的衰老细胞。
这里需要特别客观地说明现状:截至目前,尚无任何以"衰老"为适应症获批的药物。已公布的随机对照研究结果并不乐观——2024 年发表于《Nature Medicine》的一项 II 期随机对照试验(60 名绝经后女性)显示,达沙替尼联合槲皮素未能改善整体人群的骨吸收主要终点;仅在衰老细胞负荷最高的亚组中观察到骨形成增加 34%、骨吸收下降 11% 的探索性信号。2025 年 3 月,Unity Biotechnology 的 BCL-xL 抑制剂 UBX1325 在糖尿病性黄斑水肿 IIb 期 ASPIRE 研究中未达到主要分析终点。
这些结果的共同指向是:senolytics 的方向在生物学上成立,但"清除哪一类衰老细胞、在哪个组织、什么时间、用什么生物标志物筛选患者",目前都还没有答案。而 AI 可能的价值,恰恰在于辅助解决这类"精准匹配"问题——但这仍属于研究假设。
方向 2:再生医学
未来可能与干细胞、组织工程、基因编辑相结合,目标是修复或替代受损的组织与器官功能。这一方向同样处于早期研究阶段。
方向 3:长寿药物
研究热点集中在 mTOR 通路、NAD 代谢、炎症调控和代谢重编程等方向。AI 可能用于寻找多通路之间的组合干预方案。需说明的是,目前雷帕霉素、二甲双胍等药物并未获批抗衰老适应症,相关用途仍在临床研究阶段。
三个方向的交汇处
真正有分量的公司,可能不会只做一个方向。
一个可能的形态是:以"生命模型"为底座,用多组学理解疾病,据此设计免疫治疗策略,再延伸至衰老干预与个体化健康管理。最终目标不是制造更多药物,而是建立一个能够理解人体的人工智能系统。
这也对行业提出了新的要求:高质量、标准化、可跨中心使用的数据;可解释、可验证、能通过前瞻性临床试验检验的模型;以及能够衔接监管与临床的验证路径。《经济参考报》等媒体在 2026 年的报道中也指出,AI 制药目前仍面临数据孤岛、标注稀缺、模型幻觉与"验证鸿沟"等现实瓶颈——AI 生成候选分子的速度,远快于湿实验与临床试验的验证通量。
政策层面,国内已在 2025 年 10 月发布《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》,2026 年初工业和信息化部等八部门联合印发《"人工智能+制造"专项行动实施意见》,均提出建设 AI 驱动的新药发现与虚拟筛选平台、加速靶点识别与候选药物发现。据公开报道,2026 年上半年我国共有 38 款创新药获批上市,其中 31 款为国产。
技术、政策与资本同时在向这个方向移动,这是可以观察到的事实。
结语
回到最初的问题:AI 制药的三个可能方向——多组学、免疫治疗、衰老医学。
AI + 多组学,解决的是"理解生命"的问题;
AI + 免疫治疗,解决的是"重新设计人体免疫系统"的问题;
AI + 衰老医学,指向的是"重新定义健康寿命"。
有一点需要保持清醒:这三个方向的产业价值目前都还没有被最终验证。多组学受制于数据质量与跨中心泛化,免疫细胞治疗(尤其是实体瘤方向)仍停留在早期临床,衰老干预则连一个获批药物都还没有。
但也正因为处在早期,这三个方向的进展值得被持续记录。真正重要的可能不是"哪一年会爆发",而是——谁能先把对生命的理解,稳定地转化为可验证的治疗方案。
参考资料:
Liu F, Beck S, Yang L, Luo H, Zhang K. Advancing AI for multi-omics and clinical data integration in basic and translational cancer research. Nature Reviews Cancer, 2026, 26(7): 497–512. DOI: 10.1038/s41568-026-00922-2
Wang X, Xiong D, Cui S, et al. Artificial intelligence–enabled multi-omics biomarkers for immune checkpoint blockade: mechanisms, predictive modeling, and clinical translation. Frontiers in Immunology, 2026, 17. DOI: 10.3389/fimmu.2026.1732079
Gao L, Qin Y, Xu Y, et al. Advances in anti-aging drug research leveraging multi-omics and artificial intelligence. Frontiers in Aging, 2026, 7. DOI: 10.3389/fragi.2026.1868486
Farr JN, Atkinson EJ, Achenbach SJ, et al. Effects of intermittent senolytic therapy on bone metabolism in postmenopausal women: a phase 2 randomized controlled trial. Nature Medicine, 2024, 30(9): 2605–2612. DOI: 10.1038/s41591-024-03096-2
UNITY Biotechnology. UNITY Biotechnology Announces Topline Results from the ASPIRE Phase 2b Study in Diabetic Macular Edema. 2025-03-24.
World Health Organization. Ageing and health(实况报道).
Luo R, Sun L, Xia Y, et al. BioGPT: generative pre-trained transformer for biomedical text generation and mining. Briefings in Bioinformatics, 2022, 23(6): bbac409.
中国经济网 / 中国新闻网:《AI 进药企,新药研发在提速》,2026-08-11。
《经济参考报》:《AI 赋能新药研发 规模化应用仍存壁垒》,2026-06-22。
Emerging macrophage-based therapies for cancer: a review of preclinical and clinical advances. Frontiers in Immunology, 2025, 16. 及 ClinicalTrials.gov 相关登记信息(NCT04660929、NCT06254807、NCT06562647)。
文中涉及的研究结论、临床进展、政策与行业数据,均来自公开可查的学术期刊论文、国际组织报告及媒体公开报道,相关出处已在文末"参考资料"中列明,读者可自行检索核实。
本文仅供行业交流与信息参考,不构成任何投资建议、医疗建议或用药指导。文中提及的药物、疗法与技术路线均处于研究或早期临床阶段,请勿据此自行尝试或作出健康相关决策;如有健康问题,请咨询专业医师。
文中涉及未来的表述均为基于公开信息的探讨性判断,不构成对任何技术、企业或市场前景的承诺或预测。
本文引用的数据、观点与资料版权归原作者及原出处所有。如涉及版权问题,请与我们联系,我们将及时处理。
本文可能存在疏漏或理解偏差,欢迎在留言区指正。
END
关于非凡荟 FUTURE CLUB
非凡荟 FUTURE CLUB,服务中国企业家与高管的行业交流与咨询平台。19 年深耕精英服务,沉淀 2500+ 场行业活动、20 万+ 精英会员与 200+ 实战派嘉宾。
内容与服务覆盖生命科技、企业出海与企业 AI 转型,提供 AI 诊断、落地咨询、企业培训与陪跑落地。
往期精彩活动回顾
REVIEW
点击下方“阅读原文”报名参与