AI设计的药, 怎么还没上市?

作者 / 王思易

设计 / 柴文静

这里是位于英国牛津的Recursion自动化实验室。

约莫一家超市的大小，被玻璃罩和机器填得满满当当。白色灯罩像冷静的光环悬在头顶，一侧是化学实验台，另一侧是生物培养室。一条磁力轨道蜿蜒穿行，载着移液机器人在瓶瓶罐罐之间往返，把粉末、试剂和细胞托盘连接成一条看不见的流水线。

这里正在上演的是一连串操作——设计、制造、测试、学习、再设计——周而复始。人类只需为机器补充原料，剩下的交给算法与自动化。AI在虚拟空间里生成并筛选分子，实验室机器则将它们落地成真实的液滴，滴入细胞，观察它们是否能与疾病对抗。

一切看起来像是未来已然降临。但换一个更现实的问题——这些由AI设计的药物，今天在市场上能买到吗？答案却是沉默。

新药的开发，是一场耗时十年、动辄数十亿美元的马拉松。更令人沮丧的是，临床阶段的失败率超过九成——留下的，是时间与资金的黑洞。也正因此，人们才将目光投向AI：哪怕只是将成功率提高几个百分点，都足以改写行业的命运。

人们对AI的想象是激进的。算法能够在数百万种潜在的分子空间中快速筛选，找到最可能与靶点结合的分子；还能预测药物在体内的代谢路径、毒性反应与副作用。

这意味着，过去需要化学家一瓶瓶试验的漫长过程，如今可能在计算机上完成初筛，实验室的工作量大为缩减，成本与时间被同时压缩。

理论上，这是药物研发的一场革命。

01

革命已经开始了吗？

然而，革命并没有那么快发生。

到目前为止，还没有一款完全由AI设计的新药真正获得监管机构的批准并上市销售。我们能看到的，更多是候选药物进入人体临床试验的新闻，又或者某家初创公司完成新一轮融资。

新药从开发到上市，通常经历以下几个关键阶段。

为某一疾病研发一款新药的第一个难关是寻找“靶点”。

科学家寻找靶点像是在修一台功能失常的机器，却不清楚到底是哪个零件出了故障。他们查阅大量基因和蛋白质数据库，设计实验用分子“敲打”细胞，试图找出那个控制疾病开关的关键节点。比如，如果发现某种蛋白质在癌细胞中过于活跃，科学家就会尝试在动物实验中“关掉”它，以观察病情是否改善。如果成功，靶点就被确认了。

接下来是寻找能精准作用于靶点的分子，就像要为刚才找出的病灶制造一把专属的钥匙。

化学家需要合成大量候选分子，再一一测试它们的活性、毒性与靶点结合能力。那些表现突出的，会被反复优化：让它们更稳定，更容易被人体吸收，也更少伤肝伤肾。这个过程漫长、琐碎，需要上千轮试错，其中有不少环节要靠反复实验来“确认直觉”。

当新分子准备好后，化学家将其交给生物学家，进行临床前研究，包括安全性、毒理学、剂量范围等体内外试验，确保候选分子进入人体试验前具备初步安全基础。他们在温暖的房间里用小鼠进行测试。

但许多小鼠会死亡，并且原因并不总是很清楚。生物学很复杂，新药并未按预期发挥作用，而且，有时问题直到最后一刻才显现。

化学家必须再创造一个，又一个，不断调整、修改，往往需要数年。Insilico Medicine的生物学家Keith Mikule对《连线》记者提起他在另一家制药公司的经历。经过五年的工作，他们最好的分子却出现了未预料的、危险的副作用，意味着他们无法再继续研究。

如果团队非常幸运，他们的分子会在老鼠身上表现出预期的效果。然后他们才能有机会将其给一小群健康志愿者试用，进行一期临床试验。如果志愿者保持健康，他们就会将其给更多人试用，包括患有相关疾病的人，进行二期临床试验。如果患病者没有病情恶化，他们就有机会将其给更多患病者试用，进行三期临床试验，尽可能多地寻找患者，组成尽可能多样化的群体。

只有跨过这三重临床试验，药物才能向监管机构提交申请，等待上市审批。

对于新型小分子药物，研发周期可达4-6年；生物制剂或疫苗相对来说周期较短，但其过程相同复杂且充满风险。

AI的角色不是点石成金，而是加速前半程的效率，即靶点发现、先导分子生成、毒性预测和早期动物实验这些临床前阶段。AI可以在数据中找到规律、生成分子、模拟效果，自动化实验加速验证，大大缩短这部分耗时最久的流程。

逻辑是——通过更快地失败，通过使用人工智能不仅来发明新的分子，而且在事先淘汰大多数分子，或许有可能降低这一极其昂贵过程早期阶段的成本。

但一旦进入临床，药物仍然要在真实患者身上检验安全性和疗效。这部分过程无法省略。

02

AI负责起跑，终点还得靠人

我们可以看到一批AI生成的药正进入临床实验阶段。

Exscientia与住友制药合作的DSP-1181早在2020年就进入Ⅰ期，成为首个进入临床阶段的“AI药物”。

Recursion的 REC-3565进入血液肿瘤的Ⅱ期，同样说明它已跨过安全验证的门槛。

深圳英矽智能开发的INS018_055，用于治疗特发性肺纤维化，目前已进入Ⅱ期临床研究，在北京协和医院和广州中山医院等22个地点进行。

根据波士顿咨询的报告，自2015年以来，AI制药公司已将75种分子送入临床，截至2023年，其中67种仍在进行中。

不过，临床阶段也相当耗时，2023年全球300条AI研发管线进入Ⅲ期的不足5条。

漫长的等待期确实让AI制药的泡沫磨灭。2022年，全球首个由AI设计进入临床的药物，Exscientia的明星药物DSP-1181的I期临床失败终止。2024年，作为AI制药元老的Exscientia被Recursion以区区6.88亿美元收购。同时，深圳AI药企英矽智能三次IPO折戟。

不过，据波士顿咨询2024年报告显示，近期AI生成药物I期成功率为80%-90%，碾压50%历史均值，实际不需担心泡沫破裂。

而接下来，AI制药在速度和成本上优势将逐渐展现。文首的Recursion的自动化实验室距今仅运行一年，并未参与目前正在进行临床试验的候选药物的研发，但它正在以更高效率研发将来的药物。

制药行业的效率竞争，本质上是对未来市场的占有权之争。

礼来和诺和诺德在争夺价值1500亿美元的肥胖症治疗市场。今年5月，诺和诺德率先出手，与美国生物技术公司Septerna签下22亿美元的合作协议，押注在GPCR靶点上寻找下一代治疗药物。GPCR是人体内一类关键蛋白质，几乎涉及代谢、免疫和细胞生长等方方面面，被认为是药物研发的“黄金靶点”。

仅仅三个月后，2025年8月，礼来便以13亿美元的价格联手初创公司 Superluminal Medicines，将后者的AI平台收入囊中，专注开发同样针对GPCR的候选药物。协议赋予礼来独家权利，把Superluminal的算法转化为临床管线，直接对抗诺和诺德的先手布局。

这两笔交易释放出一个明确信号：哪怕目前还没有一款完全由AI设计的药物真正上市，跨国药企们已经在用真金白银抢占AI在研发中的制高点。对于他们来说，这是一个必须提前锁定的未来战场。

03

这并不是第一次期待AI制药

1981年夏季，《福布斯》杂志的封面头条宣称：数字化药物发现的时代已经来临。那一期的报道描绘了一个令人兴奋的图景——科学家们正尝试利用计算机建模与可视化工具筛选更有希望的分子，以打破新药研发长期陷入的僵局。

但现实远没有那么简单。正如长期撰写《管道内》博客的药物化学家德里克·劳（Derek Lowe）所指出的，当年文章激起了业内的复杂情绪。他所在的施贵宝公司就设有一个标有“计算机辅助药物发现（CADD）”的实验室，配备了一整套昂贵设备。但在它对面的传统药化实验室门上，有人贴上了一块写着“BADD：大脑辅助药物发现”的牌子——某种不无讽刺的回应。

的确，计算机终究改变了一切。然而，新药的开发难题从未因技术进步而自动消失。20世纪90年代曾经流行的组合化学方法——试图通过随机拼接分子碎片以偶然找到活性分子——最终被证明收效甚微：不仅成本高昂，筛选效率也极低。

而计算化学虽然能够在理论上预测分子与靶标的结合，但它的有效性高度依赖于极为精确的模型构建，这又离不开实验室日复一日的基础验证。

与此同时，生物学本身的复杂性也逐步浮现。科学家发现，驱动癌症的不同突变对治疗手段的反应各异；某些药物可能因与特定受体结合而引发心脏副作用；再有潜力的候选分子，一旦与“高风险靶点”沾边，也必须被淘汰。人们能预测的变量越来越多，也逐渐能看到越来越多之前不可见的副作用。

人工智能的身影最初在行业中显得遥远又陌生。根据《连线》杂志的采访，一位资深生物学家凯伦·比勒西（Karen Billeci）至今仍记得1993年某个清晨，在旧金山湾区的停车场，她与同事讨论了一种新想法：是否可以训练一套系统，从患者数据中学习模式，找出哪些人对药物反应良好，又为何另一些人无效。

当时她的程序员朋友正在研究神经网络的早期形态，而“训练”这个词尚未流行。“我们只是隐约觉得，有没有可能让软件识别出我们看不出的规律。”

之后的二十多年里，人工智能的潜力逐渐变得清晰。2020年，Alphabet旗下的DeepMind在一项国际竞赛中成功预测蛋白质如何折叠成三维结构，击败了所有其他参赛者。这一胜利震动了整个生物医药界——蛋白质结构一直被认为是药物设计中最难解的谜题之一。

受到启发，华盛顿大学生物化学家大卫·贝克（David Baker）随即展开了进一步探索。他尝试用AI直接设计新的蛋白质结构，用于针对性靶向疾病。这条路径最终帮助他赢得了2024年诺贝尔化学奖。

由此带来的设想令人震撼：如果将AI“喂饱”过去几十年积累下来的全部药物数据，是否可能让它自动在未开发的分子空间中提出新的药物假设？当AI拥有足够的参数、知识与计算力，它是否能在某个奇异而深刻的瞬间，生成人类从未思考过的治疗方案？

大卫·贝克创办了下一代AI药物公司Xaira。就在去年，Xaira Therapeutics获得了10亿美元的私募股权投资——这是多年来最大的生物技术融资轮。2024年唯一获得同等规模融资的新兴创业公司是Safe Superintelligence，由一位前 OpenAI高级研究员参与创立。

AI幻觉最大的风险可能是浪费时间和资源。但新药的成功率已经如此之低，以至于大卫·贝克和投资人们都认为这个风险是值得承担的。