AI造药革命：10天设计出“不可成药”靶点新药

【文章导读】：2026年6月3日，Simon Kohl在CVPR大会上指出，传统新药研发耗时超10年、耗资超20亿美元且失败率高达90%。他提出，以AlphaFold 2的蛋白质结构预测为起点，其公司Latent Labs开发的生成式AI模型（如Latent-X1/X2）已能在实验室中设计出高亲和力的药物分子，效率远超传统筛选。最新发布的智能体Latent-Y甚至能根据自然语言指令自主完成抗体设计。这标志着计算药物设计正以指数级速度演进，生物学正迈向“可编程时代”，有望彻底变革药物发现流程。

你或许听说过，研发一款新药平均要花10年、20亿美元，而且90%的候选药都会倒在路上。这听起来像是一场豪赌，对吧？

但就在最近，这个游戏规则可能要被彻底改写了。在CVPR 2026的舞台上，一位名叫Simon Kohl的科学家，向我们展示了一种“魔法”：他创立的公司Latent Labs，已经能用AI在短短几天内，设计出针对“不可成药”靶点的药物分子。这不再是科幻，而是正在发生的现实。

一、从“扔意大利面”到“精准雕刻”：AI如何颠覆传统药物发现

想象一下，传统药企找新药，有点像在茫茫大海里捞针，而且捞针的方法还特别原始。

一种是“养动物碰运气”。你没听错，一些大药企真的养着成群的羊驼和鲨鱼，给它们注射病原体，然后从它们的免疫系统里“碰运气”筛选抗体。但问题是，羊驼不是人啊，这些分子起点就不够精准。

另一种更“暴力”，叫“超大规模库筛选”。这方法说白了，就是把几百亿、上千亿个化合物分子，像“扔意大利面一样往墙上砸，看哪个能粘住”。成本极高，耗时极长，而且筛出来的分子往往亲和力很弱，离成药还差得远。

这就是为什么新药研发成了“吞金兽”——我们一直在用错误、低效的方法，从错误的起点出发。

Simon Kohl的团队想做的，是“从头设计”。他们不再依赖运气，而是用AI直接“雕刻”出能精准结合疾病靶点的分子。这背后的核心技术，源于一个叫AlphaFold 2的AI模型。2020年，DeepMind的AlphaFold 2解决了困扰生物学界50年的“蛋白质结构预测”难题，并因此在2024年获得了诺贝尔化学奖。你可以把它理解为一个“蛋白质透视镜”，能精准“看”清蛋白质长什么样。

但AlphaFold只会“看”，Latent Labs要的是“造”。他们基于此开发了Latent-X1模型。这就像一个“分子雕刻家”：给定一个疾病靶点的三维结构，模型能从一团混沌的噪声开始，逐步“雕刻”出一个能严丝合缝结合上去的新分子。这过程精确到原子级别，氢键、疏水作用，一个都不能错。

更关键的是验证。在旧金山的湿实验室里，科学家们把AI设计的分子在人类细胞里表达出来，用荧光标记。当带有橙色染料的靶点被成功“抓住”固定在细胞上时，就宣告结合成功。这一步至关重要，因为蛋白质极其“脆弱”，一个氨基酸的错误就可能导致全盘皆输，而湿实验就是最后的“铁律”验证。

二、攻克“圣杯”与“不可成药”：AI设计的药物级抗体

如果说设计普通结合蛋白是挑战，那么设计抗体（Antibody） 就是药物设计领域的“圣杯”。抗体是当今最大的一类生物药，但设计难度极高。

2024年底，Latent Labs发布了Latent-X2模型，实现了“零样本设计药物级抗体”的突破。这意味着，即使面对一个从未见过的全新靶点，AI也能从头设计出高亲和力的抗体。

这有多厉害？我们来看两个对比实验，数据来自Latent Labs的公开报告。

在PHD2靶点上，Latent-X2只设计了10个候选分子，其中最优分子的结合力，比传统“万亿级化合物库”筛选出的最佳结果，还要强上两个数量级（100倍）！

更震撼的是在KRAS靶点上。KRAS是一种著名的致癌蛋白，几十年来都被认为是“不可成药”的，因为它的表面过于光滑，没有适合小分子药物结合的“口袋”。传统方法在这里几乎束手无策。然而，Latent-X2设计的10个环肽分子，其结合能力竟然能与耗费巨资的万亿级筛选结果分庭抗礼。

在效率上，这简直是降维打击：AI计算部分仅需1天，加上后续实验室验证约4周；而传统的筛选方法，动辄需要3到6个月，并消耗天量的人力与试剂成本。

这不仅仅是快和便宜的问题。一个好的药物分子，需要同时满足热稳定性高、不易聚集、产量高、副作用低等十几种属性。传统优化像“打地鼠”，顾此失彼。而Latent-X2设计的分子中，有47%能一次性跨过所有关键门槛，其水准已非常接近已上市的药物。

三、智能体登场：从“工具”到“同事”的终极进化

你以为这就完了？Latent Labs的最新成果，可能预示着药物研发团队组织形式的根本性变革。

他们发布了全球首个经过实验室验证的抗体设计智能体——Latent-Y。这不再是一个被动等待指令的模型，而是一个能自主工作的AI“同事”。

你只需要给它一句自然语言指令，比如“生成一个能阻断人IL-6（一种炎症因子）的纳米抗体”。接下来，它会自动完成所有工作：分析靶点蛋白结构、搜索相关数据库、设计候选抗体序列、甚至调用结构预测模型进行自我评估和优化。

他们甚至做了更疯狂的测试：直接把一篇发表在《科学》（Science）或《自然》（Nature）上的学术论文PDF扔给Latent-Y。这个智能体能够自己阅读理解论文中描述的生物学功能，然后自主设计出对应的纳米抗体。在20篇论文的测试中，针对一个名为转铁蛋白受体1（血脑屏障靶标）的复杂任务，智能体设计的40个候选分子里，有11个在实验室里成功实现了结合。

这意味着，药物发现的核心创意和初期执行环节，正在被一个不知疲倦、可并行处理海量任务的智能体所接管。它将成为研发团队的“力量倍增器”。

四、前方的挑战与“可编程生物学”的曙光

当然，这条路并非一片坦途。Simon Kohl也坦诚地指出了几个核心挑战：

尽管有这些挑战，但趋势已经无比清晰。从AlphaFold 2解决“看清”的问题，到Latent-X系列实现“创造”，再到Latent-Y智能体接管“端到端”流程，计算药物设计正在以指数级速度狂奔。

Simon Kohl断言：我们正站在历史的拐点上，生物学终将成为一门可编程的工程学科。

想象一下，未来针对大多数疾病，我们可能不再需要耗时十年的摸索和天价的投入。通过“编程”生物学，精准设计出所需的治疗分子，将像今天开发一个软件模块一样高效。这并非遥不可及的幻想，而是正在我们眼前展开的科技革命。

【结尾思考】 当AI开始以天为单位设计出攻克“不可成药”靶点的候选药物时，我们不禁要问：未来十年，制药行业的巨头格局会被这些硅谷的AI生物科技初创公司重塑吗？是传统的“大药厂”模式更能整合资源推进临床，还是“AI设计+灵活外包”的新范式将主宰未来？

欢迎你在评论区留下你的看法。这场由AI驱动的生物学革命，才刚刚拉开序幕。

想及时获取人工智能领域最新、最硬的科技资讯？请务必关注我们。