AI找到药物线索,就离新药近了吗?

AI × 新药研发 × 证据

算法找到线索，实验决定它能走多远。

预测结合强度，是寻找线索的第一步。

许多药物需要与人体内的蛋白质发生作用。研究者面对大量分子，不可能把每一种组合都立刻拿去做完整实验，于是先用计算方法筛选。所谓“亲和力预测”，简单说，就是估计某个分子与目标蛋白结合得有多紧。

HelixDTA的特点，是把蛋白质序列信息与较完整的三维结构信息分别处理，再把两路结果结合起来。论文称，这种设计希望同时保留不同信息的特点，改善模型对陌生分子结构和新靶点的判断。中科院介绍还提到，研究者尝试分析模型重视分子与蛋白质的哪些区域，为预测提供解释线索。

这类进展有实际意义：如果较早排除不值得测试的组合，实验资源就可能用在更有希望的方向上。但“预测结合得紧”不等于“能治病”。分子还要能进入合适的组织，在适当剂量下发挥期望作用，不产生不可接受的副作用。把这些问题压缩成一个模型分数，会让关键的不确定性消失在标题里。

看成绩，也要看测试是否足够陌生。

读到模型表现“更好”，先要弄清它和谁比、在什么数据上比。Davis、KIBA是药物与靶点亲和力研究中常用的基准数据集。模型在这些数据上的成绩，可以说明它完成了特定计算任务，却不能自动推导出它能在真实研发中稳定找到有效药物。

特别要警惕“见过类似题”的便利。训练和测试里的分子若高度相似，成绩可能高于面对全新结构时的表现。HelixDTA论文因此报告了更严格的陌生结构与新靶点测试，并称在多数此类设置中保持优势。这比只公布普通测试分数更有说服力，但仍属于回顾性计算评估；真实实验会不会复现，不能由表格代答。

“可解释”也需要分层理解。模型指出哪些区域影响了预测，有助于研究者提出可检验的假设；它不等于已经证明分子在活体内按这条机制工作。好的解释应该带来下一步实验，而不是替代下一步实验。

排行榜之后，还需要真实实验。

从计算线索走向药物，通常要先验证分子是否真的与目标结合，再研究它在细胞和生物系统里的作用，评估剂量、毒性、代谢等问题。进入人体研究后，还要检验安全性与疗效。美国食品药品监督管理局对药物研发流程的说明，也把发现、临床前研究、临床研究和审评分为不同阶段。

这些关口不是故意拖慢创新，而是因为每一关回答的问题不同。结合靶点，可能没有形成想要的生物反应；在细胞里有效，也可能无法到达人体内相应位置；对一小组条件有效，也未必适合更广泛的患者。失败的实验并非算法的耻辱，它告诉研究者先前的假设哪里需要修改。

AI可能改变的是试错顺序：让团队更早找到值得做的实验，或者更早放弃证据薄弱的方向。要判断它是否真的节省时间，最终需要看前瞻性的实验结果、可复现性和研发全过程，而不是只看一次基准排名。论文目前报告的成绩，支持继续验证这一工具，并不支持“新药已被AI找到”的说法。

研发的终点，要回到人的需要与安全。

讨论AI制药时，最容易被忽略的是患者。一个靶点值得研究，不仅因为算法能给它打高分，还因为它与真实疾病有可靠联系，现有治疗存在未满足的需要，潜在收益值得承担风险。模型可以帮助寻找分子，却不能替患者决定什么样的改善才重要。

如果研究机构要向公众介绍成果，可以把证据说成四句话：模型预测了什么，使用什么数据检验，哪些结果已经经过实验证实，距离人体研究还有多远。没有做过的步骤直接写“尚未验证”，比一个热闹的“突破”更尊重读者。

对普通人而言，遇到“AI发现新药”的标题，也可以沿着这四句追问。尤其要分清“发现候选分子”“验证作用机制”“证明临床疗效”这几种不同事件。它们都可能值得报道，却不能互相替代。

AI的价值也许不是把药物研发变成一条无须停顿的直线，而是让每一次停下来检验更有方向。真正离患者近一步的，不是屏幕上又多了一个高分，而是这个分数经得起实验，最后也经得起人的需要与安全标准的检验。

资料与延伸阅读

01　Researchers Develop AI Model for Drug-Target Affinity Prediction

02　HelixDTA: Dual-Branch Sequence–Structure Learning with Complete Target Structures for Robust and Interpretable Drug–Target Affinity Prediction

03　The Drug Development Process

本文由AI辅助创作并核对资料。HelixDTA论文于2026年9月16日在线发表，中科院于9月28日介绍；报道的是计算模型表现，并非新药疗效。插画为概念画面，不描绘实际实验成果。