正文
2020年，谷歌旗下DeepMind开发的AlphaFold系统解决了困扰生物学界五十年的蛋白质折叠问题。2022年，DeepMind开放了AlphaFold蛋白质结构数据库，包含了几乎所有已知蛋白质的结构预测。2024年，基于AlphaFold研究成果开发的首批药物分子进入临床试验阶段。
这标志着人工智能在药物研发领域的应用已经从概念验证走向实际产出。这场革命的深度和速度，远超业界此前的预期。
传统药物研发的困境
现代药物研发的基本逻辑是：找到与疾病相关的特定生物分子（靶点），筛选或设计能够调节该靶点活性的化合物（药物），通过临床试验验证安全性和有效性。
这个过程困难重重。首先，靶点发现本身就是一项艰巨任务——人体内有超过两万个蛋白质，但目前已知能够被药物有效调节的靶点只有几百个。其次，即使选定了靶点，筛选出具有适当活性、选择性和药代动力学特性的化合物也需要在巨大的化学空间中搜索，可能需要测试数万甚至数百万个分子。再次，临床试验的高失败率意味着大量投入可能在后期阶段付诸东流。
一个被广泛引用的数据是：开发一款新药的平均成本约为26亿美元，平均耗时超过10年。投入巨大的背后是极低的成功率——进入临床试验的候选药物，最终只有不到10%能够获批上市。
AI在各环节的渗透
人工智能正在进入药物研发的各个环节，每个环节的AI应用都有其独特的技术原理和突破路径。
在靶点发现阶段，AI系统通过分析基因组学、蛋白质组学、临床记录等多组学数据，识别与特定疾病相关的潜在靶点。传统的靶点发现依赖科学家的经验和文献挖掘，而AI可以从更高维度的数据中发现人眼难以察觉的模式。
Relay Therapeutics公司利用分子动力学模拟和机器学习，解析了蛋白质在常温下的动态构象变化，从而找到了在传统静态结构分析中被遗漏的药物结合口袋。这帮助他们发现了针对FGFR2突变的选择性抑制剂，部分候选药物已经进入临床试验。
在分子设计阶段，生成式AI模型可以根据指定的靶点结构和药效要求，自动生成候选分子结构。这类似于让AI学习大量有效药物的结构规律，然后创造性地”想象”出可能有效的新分子。
Insilico Medicine是这一领域的先行者。他们的AI系统Chemistry40可以在数天内生成数千个候选分子，其中一个针对特发性肺纤维化的候选分子已经进入临床试验——这是首个完全由AI发现并进入临床的药物分子。
在临床试验设计阶段，AI可以帮助优化患者招募、预测不良反应、识别生物标志物。精准选择受试者可以显著提高临床试验的成功率。Relay Therapeutics的AI系统在临床前阶段预测了候选药物在不同患者亚群中的响应差异，指导了临床试验的患者分层策略。
AlphaFold的深远影响
AlphaFold解决的问题是：给定一个蛋白质的氨基酸序列，预测其三维结构。蛋白质的功能很大程度上由其结构决定，知道结构是理解功能、设计药物的基础。
此前，解析蛋白质结构主要依赖X射线晶体学、核磁共振和冷冻电镜等实验技术。这些方法耗时耗力，一个蛋白质的结构解析可能需要数月甚至数年。AlphaFold将这个过程缩短到几个小时甚至几分钟。
更重要的是，AlphaFold的预测精度已经接近实验水平。对于某些类型的蛋白质结构，其预测结果与实验测定的结构高度吻合。DeepMind已经发布了覆盖整个人类蛋白质组的结构预测数据库，以及超过两亿个已知蛋白质序列的结构预测。
这意味着什么？制药公司的研究人员可以快速筛选已知结构的目标蛋白，寻找潜在的药物结合位点，设计针对性的分子。研究者不再需要从零开始解析结构，AI已经提供了足够好的起点。
从实验室到临床的挑战
AI辅助药物研发并非一帆风顺。从论文中的突破到实际获批的药物，还有漫长的距离。
首先，AI预测的可靠性仍需验证。AlphaFold的结构预测在某些蛋白质类型上表现优异，但在无序蛋白、蛋白质复合物、膜蛋白等特殊类别上仍有不足。药物研发需要的是可靠、准确的结构信息，预测误差可能导致时间和金钱的浪费。
其次，从候选分子到成药还有复杂的优化过程。AI可以生成活性良好的分子，但该分子在体内的吸收、分布、代谢、排泄特性是否满足要求，是否有毒副作用，这些都需要通过大量实验来验证。AI在药代动力学优化方面的能力相对薄弱。
再次，监管框架尚未完全适应AI参与决策的情况。当一款药物的发现过程主要由AI驱动时，如何评估其安全性和有效性数据，如何向监管机构说明AI模型的决策逻辑，都是需要解决的问题。
产业格局的变化
AI药物研发正在重塑制药行业的格局。传统药企纷纷与AI公司建立合作或收购关系：阿斯利康与BenevolentAI、辉瑞与IBM、默沙东与Deepcure，类似的合作案例不胜枚举。
同时，一批专注于AI药物研发的初创公司迅速成长。Recursion Pharmaceuticals、Relay Therapeutics、Insilico Medicine等公司已经登陆资本市场，它们的估值在很大程度上反映了市场对AI药物发现平台的期待。
中国在这一领域也在快速跟进。晶泰科技、深势科技、星药科技等公司建立了AI药物发现平台，多个AI设计的候选药物已经进入临床前或临床研究阶段。
未来展望
AI会彻底取代传统药物研发吗？答案很可能是否定的。药物研发不仅是数据处理和模式识别，还需要生物学直觉、化学洞察和临床经验。但AI正在成为药物科学家的得力工具，就像AlphaGo并没有取代围棋选手，而是让人类棋手借助AI达到了新的高度。
可以预见的是，AI将显著缩短药物发现的时间，降低早期研发的失败率，让更多有潜力的候选药物进入临床试验阶段。对于罕见病和难以成药的靶点，AI可能提供新的突破口。
当一款原本需要十年才能上市的药物，因为AI的介入缩短到五年甚至更短，受益的将是等待新药的患者。但我们也需要保持理性——AI加速的是发现过程，临床试验的验证周期和监管要求不会因为AI而简化。在通往真正创新药物的道路上，AI是强大的加速器，但不是万能药。
发表回复