AI正在进入CGT研发深水区:哪些能力已经真正落地?

近日，北京协和医院完成rentosertib（ISM001-055）Ⅲ期临床首例患者给药。这款针对特发性肺纤维化的候选药物，靶点TNIK由AI发现，分子结构设计同样深度使用生成式AI。走到Ⅲ期，意味着AI辅助药物发现已经不再停留在“找靶点、画分子”的展示阶段，而是第一次真正进入决定药物能否上市的关键临床验证阶段。

但如果把视线从一款小分子药物移到整个生物医药研发体系，会发现AI在不同环节的成熟度并不均衡。在靶点发现、蛋白和序列设计阶段，AI已经开始产生可以进入临床、甚至被大型药企购买的资产；到了非临床、临床、注册和GMP生产，AI更多承担的是辅助分析和决策角色。对于CGT行业，这条分界线尤其值得关注。AAV衣壳、CAR结构、TCR、蛋白序列、细胞状态预测、类器官、虚拟细胞以及生产工艺，本身都是高度复杂的数据问题，天然适合AI介入，但CGT最终面对的是活细胞、病毒载体和患者，模型预测得再漂亮，也必须通过湿实验、临床和质量体系三道关。

AI已经开始把“发现”变成真正的临床资产

rentosertib是目前最具代表性的案例之一。2025年发表于《Nature Medicine》的Ⅱa期研究纳入71例特发性肺纤维化患者，其中60mg剂量组治疗12周后，用力肺活量平均增加98.4 mL，而安慰剂组同期下降20.3 mL，并观察到一定的剂量相关趋势。目前启动的Ⅲ期研究计划入组320例，采用随机、双盲、安慰剂对照设计，治疗时间为52周。它的重要意义并不是证明“AI比人更会做药”，而是证明由AI参与提出的靶点和分子，已经能够通过真实人体试验不断向后推进。这也是为什么产业资本开始愿意为AI产生的药物资产付费。今年，礼来与英矽智能达成全球研发及授权合作，首付款1.15亿美元，潜在总金额最高约27.5亿美元。AI药物发现的商业模式正在发生变化：过去卖的是算法和平台，现在越来越多公司开始直接卖候选药物。

但这一阶段也最容易被夸大。AI可以从巨大的化学和生物空间中快速筛选候选答案，却无法证明这些答案一定正确。靶点是不是疾病真正的驱动因素、分子是否具有足够活性和选择性，最后仍然需要实验逐级验证。换句话说，AI真正提高的是发现效率，而不是替代药物研发本身。

对CGT而言，更值得关注的是“序列设计”

相比小分子，AI在CGT领域更值得关注的应用，是蛋白质、抗体、AAV衣壳以及其他功能序列的设计。Generate开发的AI工程化长效抗TSLP抗体GB-0895已经进入全球Ⅲ期临床；今年4月，安斯泰来正式行使Dyno Therapeutics的一项授权选择权，引进一款通过AI设计、面向骨骼肌递送的AAV衣壳，并支付1500万美元授权费，后续还包括里程碑付款和销售分成。

对于基因治疗来说，这种能力非常现实。传统AAV衣壳优化需要在极其庞大的序列空间中不断进行突变、筛选和动物验证，而AI可以先根据序列、结构、组织嗜性和免疫原性等数据缩小候选范围，再把最有希望的一小批序列送入实验。类似思路未来也会进入CAR、TCR、细胞因子、基因编辑酶以及递送载体设计。但目前所谓“AI设计”，绝大多数都不是一次生成后直接进入临床，而是经历模型设计—湿实验筛选—结构优化—再次验证的多轮循环。AI真正压缩的是搜索空间，而不是把实验环节拿掉。

虚拟细胞、类器官和NAMs，离注册证据还有多远？

AI进入非临床评价之后，问题就变得更加复杂。FDA近年来一直在推动减少动物试验，并明确将计算模型、类器官、器官芯片等新方法学纳入未来药物安全性评价体系。今年，FDA还受理了一款AI驱动的“数字肝脏模型”，进入ISTAND药物开发工具资格认定流程，用于预测小分子药物性肝损伤。

对于CGT行业来说，这一方向的潜在价值甚至比小分子更高。CAR-T、基因治疗、iPSC衍生细胞等产品在人和动物之间往往存在明显的生物学差异，传统动物模型并不能完整预测人体毒性、细胞扩增、脱靶以及长期功能。因此，人源类器官、器官芯片再叠加AI预测，有机会形成更接近人体反应的新型评价体系。但必须看清目前的位置：监管机构愿意研究这些方法，不等于已经接受它们取代传统注册证据。一个虚拟细胞模型能准确预测某次实验，与监管部门允许企业拿它替代关键动物试验，是完全不同的两件事。对AI+CGT公司而言，真正有价值的突破不是模型在论文里预测得多准，而是有一天它的输出能够进入IND申报资料。

临床试验里，AI暂时更像“副驾驶”

进入临床以后，AI已经开始被用于患者筛选、中心选择、剂量分析、医学影像、数据核查以及疾病进展预测。数字孪生和合成对照同样受到关注，希望利用既往患者数据和机器学习模型，减少对照组患者数量、提高临床试验效率。EMA已经对PROCOVA等利用机器学习生成预后评分、提高随机试验统计效率的方法给出资格意见，但这与“用虚拟患者替代真实患者”仍有很大距离。

尤其是CGT产品，长期安全性、细胞持久性、免疫反应、迟发性毒性都可能在治疗后数月甚至数年才出现，这决定了真实患者和长期随访在相当长时间内仍然不可替代。AI可以帮助研究者提前识别风险、优化入组和分析效率，却还不能替代关键临床证据。因此，在临床阶段，AI更像一个能力越来越强的“副驾驶”，而不是能够独立驾驶整个试验的系统。

监管机构自己用AI很快，对企业的AI却很谨慎

另一个值得注意的现象是，监管机构本身已经成为AI的积极使用者。FDA已经发布面向药物开发AI模型的监管框架，FDA与EMA今年又共同提出药物开发良好AI实践原则，核心都围绕几个关键词：明确使用场景、数据质量、模型验证、风险控制、可追溯性和人工监督。中国的方向也基本一致。国家药监局今年发布《关于“人工智能+药品监管”的实施意见》，提出建立人机协同的智能审评审批体系，同时明确AI主要承担辅助作用，最终审评责任仍然在人。

这种态度其实很有代表性：监管机构愿意用AI帮助自己提高工作效率，却不会因为一家企业使用了AI，就降低对证据本身的要求。 AI生成的靶点、序列、分析结果，最终仍然必须能够解释、验证和追溯。对于企业来说，未来真正重要的也不是“是否用了AI”，而是这个模型在什么场景下使用、数据来自哪里、结果如何验证，以及一旦模型发生变化，整个证据链还能不能复现。

GMP制造，可能是AI在CGT里最容易产生价值的地方

如果从CGT产业化角度看，AI最容易在短期内创造可量化价值的领域，可能不是药物发现，而是生产。细胞和基因治疗生产涉及大量实时变量：细胞密度、代谢状态、培养时间、培养基消耗、转染效率、病毒滴度、设备状态以及环境参数，变量之间往往存在复杂的非线性关系，非常适合机器学习和数字孪生介入。AI可以用于预测批次结果、提前识别偏差、优化培养参数、判断设备维护时间，甚至建立细胞扩增和病毒生产的虚拟工艺模型。对于目前普遍面临成本高、批间差异大、放大困难的CGT生产来说，这类能力往往比单纯缩短一个靶点发现周期更加直接。

但GMP体系的责任边界也最明确。今年FDA已经在警告信中指出，企业不能把AI生成的质量标准、SOP和生产记录未经充分人工审核就直接纳入质量体系。欧洲正在推进的相关GMP规则，同样强调模型验证、数据完整性、变更控制以及人工监督。AI可以帮助工艺更稳定，却不能替QA签字；可以预测一个批次是否可能失败，却不能承担产品放行责任。 对CGT企业而言，未来真正可行的路径不是让AI替代质量体系，而是把AI嵌入PAT、过程控制、偏差预警和持续工艺验证之中。

AI+CGT真正的门槛，不是模型有多大

如果把目前的进展放在一起看，会发现AI制药已经跨过最早期的概念验证阶段，但距离“AI自主完成一款药物研发”仍然很远。当前AI最成熟的能力集中在搜索、设计和预测，而药物真正进入患者体内，还需要完成验证、证据和责任这三个更难的环节。

这也是AI进入CGT后必须面对的问题。AAV衣壳可以生成，CAR和TCR结构可以优化，单细胞和多组学数据可以预测细胞状态，类器官可以产生更接近人体的数据，数字孪生可以优化细胞工艺，但真正判断一家AI+CGT公司有没有技术壁垒，最终还是要看三件事：AI有没有找到过去难以获得的答案，湿实验能不能稳定复现，这些结果最终能不能进入监管认可的证据体系。 前两件事做到，说明AI是一种有价值的研发工具；第三件事做到，AI才真正进入药物开发的核心体系。

第一批AI参与设计的药物已经来到Ⅲ期，AI设计的AAV衣壳也开始进入大型药企管线。接下来真正值得关注的，不是谁又发布了一个更大的模型，而是哪些由AI产生的分子、序列、细胞模型和工艺参数，最终能够真正穿过临床、注册和GMP三道门。 对于CGT行业来说，这场竞争才刚刚开始。