从单点工具到体系竞争:AI制药进入“基座模型”时间

2026年，AI制药的竞争逻辑正在发生根本性转变。当蛋白质结构预测、虚拟筛选等单项能力逐渐成为行业标配，真正的分水岭不再是“有没有一个好模型”，而是能否围绕有竞争力的AI模型打造一套可持续迭代的研发体系。9月18日，德睿智药发布生命科学基座模型体系Intera，试图将疾病理解、机制解析、药物设计和患者研究纳入同一框架。与此同时，其AI设计的口服GLP-1药物MDR-001已推进至III期临床。这是一场从“造工具”到“建系统”的竞赛，胜负手在于：谁能让真实临床数据持续反哺模型，形成跨项目复制的迭代闭环。

2026年9月18日，德睿智药（MindRank）正式发布生命科学基座模型体系Intera，并同步公布InteraFold系列首个模型InteraFold-Chem的技术报告。Intera的命名取自“智能时代”（Intelligence Era），同时呼应对分子相互作用（Interaction）的探索。按照公司的定义，该体系以疾病（Disease）、机制（Mechanism）、药物（Medicine）与患者（Patient）为研究框架，计划通过系列模型的协同，逐步拓展从疾病理解到患者研究的全链条能力。

目前已经明确的产品序列包括：研究分子相互作用的InteraFold、面向分子生成与设计的InteraDesign，以及面向生物学理解的InteraBio。这一体系设计背后，折射出AI制药行业正在经历的一次深层转向。

单点工具的局限性

过去几年，AI在药物研发中的应用大多沿着单点任务展开：预测蛋白质结构、进行虚拟筛选、生成候选分子，或者预测ADMET性质。这些工具能够改善某一个研发节点，却很难单独改变整个新药研发流程。真正影响研发效率的，是不同环节之间的信息能否连续传递，最终达到有机的整合。

Intera试图解决的正是这种系统级的整合。疾病和机制决定靶点，靶点和结构决定分子设计，分子进入实验和临床以后，又会产生新的药理、安全性和患者数据。如果这些信息能够逐渐被纳入统一的模型体系，AI的价值就有机会从提高某一个环节的效率，延伸到改善整个研发链条的决策质量。

这一思路也得到了行业数据层面的印证。国泰海通证券在近期的行业分析中指出，AI制药的竞争单元正从分子升级为“数据×模型×管线”的系统能力，这亦是本轮大额BD从单点授权转向底层基建绑定的产业注脚。

InteraFold-Chem：体系的第一块落点

InteraFold-Chem是Intera体系最先落地的模型，它解决的问题非常具体：预测一个小分子会在蛋白质靶点的什么位置、以什么样的形式完成结合。

从公开技术报告看，在按照既定筛选规则形成的445个测试样本中，InteraFold-Chem的结合构象预测成功率达到54.4%，高于本次对照模型中Protenix-v2的48.5%。其配体RMSD中位数为1.426Å，复合物lDDT评分为0.924。在本次测试集、指标体系和参评模型范围内，InteraFold-Chem三项指标均取得最优结果。

这看似是结构生物学中的一个技术问题，背后对应的却是药物研发中的核心经济问题——如何减少无效试错。药物化学长期依赖“设计—合成—测试—再设计”的迭代模式，每一轮都意味着新的合成、检测和时间成本。结构预测越准确，研发人员就越有可能提前识别合理的结合方式，从而把实验资源集中到更值得验证的分子上。

在裂解性转糖苷酶与抑制剂复合物的回顾性案例中（PDB编号：8GFD），InteraFold-Chem预测的配体构象与实验参考结构之间的RMSD为1.10Å，较好地还原了该案例中配体的结合位置与构象。公司计划于2026年第四季度推出InteraFold-Chem在线服务，并陆续推出抗体-抗原复合物结构预测模型InteraFold-Ab及多肽-蛋白质复合物结构预测模型InteraFold-Peptide。

临床数据闭环：差异化在哪里

一套基于AI大模型的标准化研发体系究竟有多大价值，最终的检验标准仍要回到创新药研发本身。这恰恰构成德睿智药与单纯AI算法供应商的一个重要区别。

德睿智药自主研发的AI制药引擎MAP（Molecule Arts Platform）分为三层架构：AI设计层整合了PharmkGPT生物学平台、Molecule Pro小分子制药平台和Molecule Dance结构生物学平台；干湿互补实验平台由干实验仿真系统Proxima Matrix和湿实验室Proxima Foundary同步运转，持续产出高质量训练数据；第三层Clinical Pro临床AI平台则将临床反馈纳入研发系统，用于校正前期计算和实验判断。

这套体系的核心验证来自MDR-001。这是一款口服小分子GLP-1受体激动剂，面向肥胖症及2型糖尿病等代谢性疾病。公司披露，该项目从立项到获得IND批件用时19个月，从立项推进至III期临床约4.5年。2026年2月，MDR-001的III期临床试验在济南市中心医院完成首例受试者给药，计划在国内约50家临床中心入组约750名受试者。值得关注的是研发效率的对比：团队在8个月内、合成80余个全新小分子的情况下就完成了临床前候选分子确认，投入约2300万美金，德睿智药提供的数据称这一效率达到行业平均10倍以上。而传统方法下，一款创新药从设计到进入III期临床往往需7至9年时间，耗资3至4亿美元。

更具战略意义的是，Clinical Pro平台已依托MDR-001沉淀超过1300例脱敏临床相关数据。这些在真实管线的研发过程和临床研究中积累的数据，具有公开数据库难以替代的研发价值。如果能够在合规框架下持续反馈至疾病理解、机制研究和药物设计环节，Intera就可能形成德睿智药所强调的Clinical Data-in-the-Loop——模型参与药物设计，实验和临床验证模型判断，真实研发数据再进入下一轮模型和项目决策。

正如德睿智药创始人兼CEO牛张明在接受彭博社专访时所言：“我们没有把MAP单纯定义为一个AI工具，而是一套可以持续学习、进化的药物研发系统。每一条管线无论成败，产生的真实数据都能反向提升平台能力，进而降低后续新药研发成本与失败概率。”

真正的考验尚未到来

AI制药距离真正的突破，还有相当距离。中邮证券在2026年2月发布的行业研报中引用国外行业研究指出，AI制药极大加速了临床1期的进程，并将成功率由传统经验水平的40%至65%提升至80%至90%；但在2期及后续的进展中，表现尚未看出差异优势，成功率均在约40%。

这揭示了一个关键问题：AI在“找到安全分子”上优势明显，但在“证明药物真正有效”这一更难的关卡上，尚未展现出决定性优势。MDR-001和英矽智能的Rentosertib等进入III期临床的AI驱动管线，将承担起验证这一命题的使命。

如果Intera这类模型体系能够在不同靶点、不同药物模态和不同研发阶段持续验证，AI大模型就有机会进一步嵌入创新药研发的核心决策链条，成为连接各类关键研发环节和临床数据的基础设施。届时，行业竞争的关键，也将从拥有多少单点算法，逐渐转向谁能够将更高质量的数据与更稳定的模型结合，形成具备跨项目复制能力的迭代机制。

AI大模型，也将从曾经的辅助创新药研发的工具性角色，逐渐转变为实质性重构创新药研发流程的核心变量。而这一切的起点，正是从“有没有一个好模型”，走向“能不能建一套好体系”。