夜雨聆风
近年来，人工智能（AI）技术在生物医药领域，尤其是抗体药物研发中，展现出前所未有的应用潜力。一个由AI驱动的研发新范式正在形成：它不再仅仅是辅助工具，而是有可能成为缩短研发周期、降低试错成本、甚至触及传统方法难以攻克的靶点的“加速器”和“探索者”。那么，这一技术路径的现状如何？它是否已经能够“跳过动物实验，直接设计出临床可用的人体抗体”？本文将结合权威报道与最新监管动态，为您呈现一个更客观、更接近产业现实的图景。
AI设计抗体：从“大海捞针”到“精准导航”
传统抗体药物开发，如同“大海捞针”——依赖免疫动物或构建庞大的文库，通过反复筛选获得候选分子，过程耗时耗力。而AI的介入，正在从根本上改变这一局面。
1. 从头设计成为现实，成功率显著提升
多个科研团队已利用自主开发的AI工具，成功设计并制备出功能各异的治疗性抗体。2025年，诺贝尔化学奖得主、美国华盛顿大学科学家大卫·贝克的团队开发出一款生成式AI模型，能够针对特定抗原的指定部位，从头生成纳米抗体序列，部分在结合构象上达到了原子级精度。
更令人振奋的是，AI在设计成功率上取得了历史性突破。2025年7月，AI制药公司Chai Discovery宣布，其Chai-2模型在“从零开始”（de novo）的抗体设计任务中，成功率高达16%，是过去方法的100倍以上（以往通常低于0.1%），首次实现双位数命中率。
2. 攻克传统难点，拓展应用边界
AI不仅提升了效率，还解决了传统技术难以应对的挑战。例如，美国加州生物技术公司Nabla利用AI平台成功设计了靶向G蛋白偶联受体（GPCR）的全长抗体。GPCR是细胞生物学的“关键开关”，传统抗体极难靶向。AI生成的数十种候选分子在实验室测试中表现出与现有药物相当甚至更强的亲和力。
此外，AI技术也加速了广谱抗体的发现。无论是针对艾滋病病毒（HIV）保守区域的抗体，还是能结合所有流感病毒共有蛋白的抗体，AI都展现出了“计算指导发现”的强大能力。
里程碑突破：AI驱动的药物已进入临床验证
技术突破固然重要，但真正衡量AI制药价值的，是其是否能产出安全有效的药物。2025年，这一领域迎来了标志性事件。
1. AI发现药物的首次临床验证
2025年7月，《自然医学》发表评论指出，一项由AI发现的药物和靶点组合——英矽智能（Insilico Medicine）的Rentosertib——在治疗特发性肺纤维化（IPF）的随机二期临床试验中，显示出安全性和疗效迹象。这是AI驱动的药物发现首次在随机临床试验中取得积极结果，标志着该领域从“概念验证”迈向了“临床里程碑”。
2. 从“小分子”到“抗体”的全面进军
尽管Rentosertib是小分子药物，但它验证了AI平台从靶点发现到分子设计的全流程可行性。英矽智能创始人表示，自该项目以来，其AI平台已大幅进化，能够开发更复杂的疗法。同时，完全由AI设计的抗体也可能很快进入人体试验阶段。2025年底，美国公司Genative已启动了针对严重哮喘的抗体药物大规模临床试验，该抗体正是利用AI技术对现有抗体进行优化而来。
冷静审视：动物实验尚未被“完全跳过”
尽管成果斐然，但将AI描述为“完全跳过动物实验”的解决方案，是对现实复杂性的严重误读。
1. 动物实验的减少与替代是渐进过程
目前，全球监管机构和科研界的目标是逐步减少和最终取代部分动物实验，而非一蹴而就。例如，美国FDA在2025年初发布的路线图中明确表示，将通过引入AI模型、类器官等新方法（NAMs）来减少临床前安全性研究中对动物试验的依赖，但仍然需要结合这些方法进行验证。搜索结果中提到的所有在研项目，无论是AI设计的纳米抗体还是全长抗体，均处于临床前体外/体内验证或早期临床试验阶段，尚未有完全放弃动物实验而获批的先例。
2. 安全性与有效性仍需严格验证
中国科学院在报道中明确指出，尽管AI工具能生成高效设计，但其在不同靶点间的表现仍存在差异，且很难准确预测结合强度等关键参数。专家同时提醒，这些AI设计的抗体的安全性与有效性仍需进一步验证。
人体免疫系统是否会将这些AI设计的抗体识别为外来物质并引发风险？这是一个必须通过严格的临床前安全评估来回答的问题。即使是最先进的AI模型，其预测结果仍然需要真实世界的实验数据来校准和确认。
监管趋严：AI制药迎来“合规时代”
随着AI技术在药物研发中扮演的角色越来越关键，全球监管机构正在迅速建立统一的评估框架。
2026年年初，美国FDA与欧洲EMA罕见联手，发布了《药物开发中人工智能良好实践指导原则》（Guiding Principles of Good AI Practice in Drug Development）。这份文件确立了贯穿药物全生命周期的10项核心原则，其核心逻辑是：药物研发可以靠AI提速，但质量、安全和有效性这三条红线不能后退；AI不能成为“黑盒”，其输出必须可追溯、可复核、可治理。
这意味着，未来AI制药企业的核心竞争力不仅在于算法的先进性，更在于其能否以合规、可信、可控的方式，让AI的输出融入既有的药品注册审评与质量管理体系。
综合来看，AI驱动的抗体药物研发正处在从“辅助发现”向“临床验证”跨越的关键时期。它极大地提升了研发效率，攻克了传统难题，并已经诞生了进入临床的里程碑式成果。然而， “完全跳过动物实验直接进入临床”的说法目前仍是虚构的，不符合全球监管政策和科研实践。
面向未来，AI在抗体研发领域的价值将体现在以下几个方面：
加速临床前发现：将靶点发现和候选分子筛选的周期从数年缩短至数月甚至数周。
攻克难治靶点：设计针对GPCR、病毒保守区域等传统方法难以触及的抗体。
优化现有药物：提升抗体的亲和力、稳定性及成药性。
但这一路径的成功，最终取决于数据质量、模型可解释性以及严格的临床与监管验证。这并非AI的局限性，而是任何一项改变生命科学范式的技术都必须经历的成熟过程。当AI与生物医药深度融合，我们有理由期待一个更高效、也更负责任的药物研发新纪元。
