摘要：人工智能（AI）正在深刻改变医药研发版图：从靶点发现、分子设计到临床试验、生产制造和药品监管，AI几乎渗透医药产业链的每个环节。这是一次被誉为“继高通量筛选之后最大范式革命”的创新浪潮。

文 樊凤辉 医药经济报

人工智能（AI）正在深刻改变医药研发版图：从靶点发现、分子设计到临床试验、生产制造和药品监管，AI几乎渗透医药产业链的每个环节。这是一次被誉为“继高通量筛选之后最大范式革命”的创新浪潮。

但AI是否真能解决药物研发的低效与高失败率问题？它在药物全生命周期中究竟有哪些成功案例、潜在困境和未来趋势？AI如何在提速与失败风险之间寻找平衡？

长期以来，动物实验一直是药物开发的核心环节。然而，伴随伦理争议的加剧和科学局限性的显现，这一传统模式正面临深刻变革。随着AI的快速发展，非动物实验的新兴方法学（NAM）正在崛起，成为国际医药界关注的焦点，不仅为药物开发带来更高效率，也开启了伦理与科学并进的新范式。

美国FDA近期推出的AnimalGAN引发行业高度关注。这是一款基于生成对抗网络（GAN）的模拟工具，训练数据涵盖6442只大鼠在1317种处理场景下的实验结果，可模拟38项核心临床病理指标。这一技术突破有望减轻监管部门的审评压力，为未来AI辅助药物审批路径的建立打下基础。

与此同时，全球范围内的NAM进展也在提速。国际上备受瞩目的“Virtual Second Species”项目，正致力于开发虚拟犬模型，以模拟毒理学中的“第二种动物”实验，力求进一步减少大型动物使用。欧盟、加拿大等地也在加快推动NAM的政策化进程，逐步形成全球共识，推动伦理与科技的深度融合。

以AnimalGAN和“Virtual Second Species”为代表的一系列探索，正持续引领NAM从理论验证迈向更深层次的应用，并在全球范围内推动AI辅助下的标准化试验体系建设。这些进展不仅为药物安全性评价提供了强有力的技术支撑，也为全球医药研发体系注入了全新的伦理内涵。

值得关注的是，NAM的未来发展需要不断优化和扩展现有模型，并与体外芯片（Organs-on-a-Chip）等前沿技术深度融合，形成互补协同的创新体系。只有在监管环境逐步完善、跨物种和跨药理系统可靠性持续验证的前提下，这一新范式才能真正释放潜力，推动医药研发迈入兼顾科学性、伦理性与高效性的崭新时代。

临床试验是药物开发中的最大“成本黑洞”，失败率高企、周期冗长。AI介入正通过精准筛选和虚拟模拟，显著降低试验风险，加快新药上市进程。

例如，在赛诺菲与拜耳的数字孪生实践中，赛诺菲结合定量系统药理学（QSP）和数字孪生，创建虚拟哮喘患者群体，进行的虚拟Ib期临床研究的预测结果与真实的Ib期临床研究结果具有较高的一致性。拜耳联合Altis Labs开发肿瘤数字孪生平台，通过训练AI模型动态模拟患者治疗反应，不仅缩短临床试验周期，还为罕见病等亚群体提供了关键数据补充。Precedence Research预测，全球数字孪生医疗市场销售额2032年将达384亿美元。

未来，这类实践需进一步加强跨人群数据代表性，尤其是少数族裔和儿童等群体，同时加快跨中心数据共享，打破地域壁垒。嵌入式合规策略的前置设计，也将成为确保AI应用安全可控的关键。可以预见，AI驱动的精准筛选与数字孪生，将持续引领全球临床试验进入新纪元。

制药生产的复杂性和合规压力，正驱动AI在智能制造与监管提效领域加速渗透。例如，安进率先将AI与计算机视觉结合，实现在小瓶和注射器全流程的自动化检测，释放95%产品，显著降低人工干预风险；其数字孪生系统为每个生产单元建立“虚拟影子”，实时优化和预测性维护。辉瑞、葛兰素史克等亦加快布局，打造高度自动化、灵活响应的生产体系。

不仅在生产端，AI也正在重塑合规环节。安进在CMC文件撰写中引入AI语义知识图谱，实现核心信息自动提取和初稿生成，从而缩短撰写周期。未来，这一模式有望拓展至全链条的监管提交材料，成为医药行业数字化转型的“标配”。

随着AI持续深入制药制造与合规领域，行业正迎来提质、降本、增速并进的新拐点。如何确保数据安全、算法透明并符合法规要求，将成为推动这一智能变革长期稳健发展的关键。

药物警戒在药品生命周期管理与上市后监管中发挥着核心作用，体系庞大且复杂，而AI正成为其不可或缺的“第二大脑”。例如，信息可视化平台InfoViP集成自然语言处理（NLP）和机器学习三大核心功能：事件时间轴可视化、重复报告识别和可评估性分级，这三项集成功能显著增强了FDA识别不良反应信号的系统性、科学性与自动化水平。已在每年200余万份个人病例安全报告（ICSR）处理中发挥关键作用。

具体而言，该系统通过自然语言处理（NLP）技术提取ICSR中的关键临床概念，自动生成不良事件的时间序列图，帮助审评人员快速厘清患者病程脉络。系统还运用重复识别算法，从结构化数据中抽取关键信息，精准识别潜在重复报告。配合可评估性算法，对报告的质量和信息完整性进行自动评级，优先筛选出适用于因果关系评估的高质量案例。随着HL7标准的推进，REMS（风险评估与缓解策略）数据已能与医疗系统实现集成，为临床医生提供实时、合规的风险管理支持。

AI正推动药物警戒从“自动化数据处理”迈向“主动风险识别”，未来有望实现实时信号捕捉和智能干预，大幅提升药品全生命周期的安全保障能力。

生成式AI正成为全球医药创新的重要引擎。中国本土体系迅速崛起，DeepSeek等模型在推理速度、中文理解等方面表现突出，但在专业插件化、国际适配性、多模态应用等方面尚有提升空间。

中国药企正加速将生成式AI应用于研发文献生成、临床资料撰写、适应症重定位、药品说明书等环节，推动研发和注册数字化升级。在药物早期发现领域，各国均在提速迭代：美国的AlphaFold、DiffDock等模型持续突破靶点发现和分子设计，中国的晶泰科技、HelixonAI等在蛋白结构预测和抗体建模上取得关键进展，HelixonAI的OmegaFold多次刷新国际精度榜，展现强劲潜力。

尽管生成式AI目前尚难独立胜任抗体结构预测或复杂分子合成，但它正逐步进化为智能知识中枢，打通实验数据、文献语义、生物机制与专业AI模块。中国药企积极探索AI在蛋白预测、药效建模、CMC工艺、注册文书等领域的深度集成，力争实现“算法 流程 审评”的一体化应用，为西药开发提速，并为中药复方建模、罕见病研究提供本土化数字化方案。

在笔者看来，全球范围内，AI医药正朝着系统化、闭环化方向演进。在海外，AlphaFold3等基础架构研发正在提速，还在推动AI工具与药审流程深度结合，探索“智慧审评”新范式。中国则在真实世界数据治理、私域模型部署（即在本地服务器运行AI模型保障数据安全）、流程智能化等方面加快步伐，逐步构建可落地的医药AI生态。

未来AI医药角力的焦点不再只是谁拥有最强模型，而是谁能率先实现AI与医药全生命周期的深度融合。各国的AI医药力量，既是竞争动力，也为全球合作拓展新路径，共同为人类健康注入持续动能。

AI正以惊人速度重塑医药版图：从靶点筛选到注册审批，每一环节都在被颠覆。然而，数据壁垒、模型幻觉、合规空白等现实问题亟待解决。未来，行业必须坚持“创新 安全”双轮驱动，既要加速AI应用落地，也要提前布局伦理与监管框架，推动AI真正成为人类健康的加速器而非风险源。（作者系香港技术研究院教授）

新药发现是医药创新中最具挑战的环节，平均开发周期长达10~15年，成本动辄数十亿美元，失败率超九成。近年来，AI正重塑药物研发流程，特别是在靶点识别、分子生成和优化等环节显著提速。但数据质量的高低直接决定着AI模型的预测精准度，稀缺、杂乱或不均衡的数据仍是阻碍其大规模应用的核心软肋。

AI 抗体药是靶向设计的典范。例如，bimekizumab作为全球首个双中和IL-17A/IL-17F的抗体药物，背后即是AI与结构生物学深度融合的创新实践。UCB团队基于初代抗体496.g1（对IL-17A亲和力强，但对IL-17F结合力不足），利用包括机器学习的计算手段从超1500万个原子接触数据中挖掘结合热点，系统性评估多轮突变方案，精准筛选出5个关键突变位点，成功设计出亲和力显著增强的496.g3，即bimekizumab。

Celsius Therapeutics通过单细胞分析与AI辅助靶点筛选，开发出针对TREM1的CEL383已进入Ⅰ期临床。Compugen利用UnigenTM平台挖掘ILDR2、PVRIG等靶点，推动多个抗体药进入实体瘤临床阶段。HiFiBiO和Hummingbird则分别借助自身平台筛选出TNFR2激动剂emunkitug和HER3抗体HMBD-001，均展现良好安全性。

尽管 AI正在加速重塑药物研发流程，但其赋能之路仍面临诸多挑战，亟需从失败中不断总结经验。例如，DSP-1181是住友制药与 Exscientia合作开发的全球首批由 A1 设计的小分子药物之一，基于Centaur ChemistTM平台在12个月内完成候选化合物筛选，显著提高研发效率。然而，该药在Ⅰ期临床未达预设标准，最终终止开发。 进一步分析发现，其分子结构与传统药物氟哌啶醇高度相似，说明彼时AI在结构创新方面仍局限于已知化学空间，生成分子偏保守。这一瓶颈提醒业界，AI模型依赖的训练数据可能缺乏多样性，限制其突破性设计能力。尽管如此，DSP-1181仍显示了AI在初始活性化合物发现与先导优化中的潜力，但现阶段如 DrugBank等数据库收录的上市药物仅数千种，受成功上市药物数据集的限制，期待AI自主设计的全新分子能够顺利进入临床并获得监管批准，仍为时过早。

尽管面临挑战，AI在早期活性分子识别和候选药优化方面的价值已被充分验证。Exscientia与住友的合作仍在持续，后者的DSP-0038、DSP-2342等管线进入I期，前者也与赛诺菲联合推进15款候选药。

AI赋能药物研发虽然步入快车道，但想要实现根本性突破，还需结合深层数据积累、创新算法与人类智慧，共同拓展新的化学空间。（樊凤辉）

文 潘颖 医药经济报

大多数药物通过与人体靶点相互作用而起作用。找到合适的靶点是一系列新药发现突破的起点，AI技术在药物的靶点发现过程中具有显著优势。

此前，针对药物开发极具挑战的致死性神经退行性罕见病肌萎缩侧索硬化（ALS），英矽智能利用自主研发的AI靶点发现平台PandaOmics，发现了28个有治疗疾病潜力的靶点，其中3个靶点已有针对性药物获批上市，用于其他疾病的治疗。

此外，近期发表在Advanced Science上的一项研究揭示了PandaOmics识别子宫内膜异位症的创新药物靶点和老药新用策略的潜力，为该疾病的治疗提供了新的思路和策略。

随着技术的发展，AI不仅可以赋能生物学，还可支持临床前药物发现的全流程。例如，目前公司进展最快的抗特发性肺纤维化候选药物rentosertib，是研究人员通过PandaOmics平台发现了TNIK这一与纤维化疾病和衰老相关的双效靶点。随后，利用生成化学平台Chemistry42从头设计了靶向TNIK的新颖化合物。

目前，这款候选药物已在临床Ⅱa期中完成了在IPF（特发性肺纤维化）患者群体中的验证，证明其安全性和初步有效性。该药物在临床前开发阶段仅用了18个月，相较于传统方式下的2.5~4年，大大缩短了研发周期。

需指出的是，尽管AI对于药物研发的赋能是变革性的，但对AI制药要有合理的期望值，AI加持并不可能把药物研发的成功率提高到100%。实际上，能把成功率提高3~5倍，已是很大进步。

目前还没有一款AI赋能发现的药物走完整个临床验证并获批上市，业界对于AI制药始终抱有质疑。推进AI赋能发现药物从临床前到获批上市的全流程验证，是目前AI制药的重大挑战之一。

另外， AI算法的学习、训练和预测依赖高质量的大规模数据集，但目前受制于数据的丰富性和可及性，无法发挥AI在生物医药领域更大的潜能。业界期待通过行业联动（例如制药联盟、开放数据平台），推动数据共享，使AI制药技术更好地服务于从靶点发现到临床试验优化的全周期创新链。（作者系英矽智能大湾区负责人）

尽管AI在药物研发中展现出巨大价值，但仍面临诸多挑战，如高质量训练数据匮乏、模型可解释性不足、计算资源需求高以及在不可成药靶点上的应用难题等。

AI通过模拟人类神经网络的学习与决策机制，能够从海量数据中提取规律，辅助解决传统医药研发的高成本、长周期难题。依托AI在新靶点发现、药物合成等方面的优势，新药研发速度将会加快。

有研究团队通过AI结合生物信息学方法，对已上市药物的348个成功靶点进行规律挖掘，并深入分析近15年来89个“First-in-Class”新药靶点的临床试验进展与其生物学特性之间的关联，有望在研发早期提前判断新靶点的临床转化难度，提升成药效率与研发决策质量。借助AI的深度学习能力，可预测药物分子活性、优化蛋白质的理化性质和结构特征，辅助判断其是否适合作为药物靶点，提高药物研发的效率和成功率。

将无序数据有序化可提升AI能力。通过生物信息学方法，可将分散无序的基因序列、蛋白质结构、临床表型、代谢通路等数据标准化处理，构建跨维度关联数据库，将离散数据转化为可量化、可计算的参数体系，为AI模型提供高质量训练集。从序列相似度、结构相似度、生物通路分布和人体器官分布等多个维度，综合评估新靶点的可靶性。

选择合适的药物靶点对于药物的成功开发和成本效益至关重要。此前，有团队通过AI 生物信息学方法对靶点的优劣性进行评估，对156个靶点的临床潜力进行了计算机模拟的前瞻性预测。结果显示，AI预测为“优秀”的16个临床Ⅲ期靶点中，有10个在2017年成功上市，2个仍处于Ⅲ期临床阶段，4个退出Ⅲ期。而被评为不良的靶点大多在早期临床阶段退出或停滞。基于多维度生物数据整合，AI与生物信息学的协同应用可系统评估靶点的成药性、安全性和临床转化潜力，显著提升预测精准度。

AI在药物研发中面临的挑战主要是数据碎片化和稀缺性，药物研发领域存在大量数据，但这些数据往往分散，缺乏统一的标准和整合。尤其是失败的实验数据和临床试验数据，通常不会公开，导致AI模型难以获取全面的训练数据。制药公司之间缺乏数据共享机制，许多药企只公开成功案例，失败数据则保留在内部系统中。这种数据孤岛现象限制了AI在药物研发中的应用潜力。

解决这些问题的关键在于加强数据共享机制、开发稀疏AI方法和多模态预训练模型，以及结合物理定律来提升预测精度和算法透明性。（作者系清华大学深圳国际研究生院教授，深圳湾实验室资深研究员）

转自2025年第18期《医药经济报》

来源：医药经济报