写在前面

传统新药研发有多难？

平均投入26亿美元，耗时12–15年，临床试验成功率不足10%。这组数字背后，是整个制药行业长期面临的投入高、周期长、失败率高的三重困境。

而人工智能，正在从根本上重塑这一格局。

这篇发表于药物化学顶刊JMC的编辑部综述，系统梳理了AI在药物研发全生命周期中的落地应用——从最上游的靶点识别，到虚拟筛选、分子设计、ADMET评价，再到临床试验优化、老药新用，乃至上市后的安全监测。文章不仅讲清了技术逻辑，还附上了27款已进入临床阶段的AI研发药物清单，是目前AI制药领域最全面的全景式综述之一。

下面我们按照药物研发的经典流水线，逐阶段拆解AI的价值与真实案例。

一、靶点识别：从大海捞针到精准定位

靶点是新药研发的起点。找到真正驱动疾病的关键蛋白/基因，后续所有工作才有意义。

传统方法的瓶颈

传统靶点发现依赖全基因组敲除筛选、亲和下拉实验等湿实验手段：周期长、失败率高、难以挖掘复杂疾病网络中的隐藏关键节点。

AI如何破局

AI通过整合多维度生物数据，从假设驱动转向数据驱动的靶点发现：多组学数据建模、图深度学习、知识图谱、生物大语言模型。

经典案例

INS018-055（特发性肺纤维化，II期临床）：由英矽智能PandaOmics平台发现。AI通过整合多组学数据与生物网络分析，锁定TNIK激酶为纤维化治疗新靶点，并基于此设计出特异性抑制剂。

二、虚拟筛选：百万级化合物库的计算机初筛

靶点确定后，下一步是从数十万乃至上百万个化合物中，找出能与靶点结合的活性分子。

两类经典筛选范式

基于结构的虚拟筛选（SBVS）和基于配体的虚拟筛选（LBVS）。

AI带来的技术升级

等变神经网络对接模型、配体-受体共折叠模型（AlphaFold3、RosettaFold）、结合姿态智能优化。

经典案例

NDI-034858（斑块型银屑病，III期临床）：又名Zasocitinib（TAK-279），是一款高选择性TYK2抑制剂。

三、分子生成：AI从零设计全新化学骨架

如果说虚拟筛选是从已有库中找，那么生成式AI就是无中生有造新分子。

AI生成式设计的核心技术

强化学习（RL）、变分自编码器（VAE）、生成对抗网络（GAN）。

现状与挑战

AI生成分子目前最大的痛点是合成可行性——很多纸上完美的分子，实际合成难度极大。

四、ADMET评价：临床前的安全守门员

ADMET是决定一个分子能否成药的关键。据统计，超过半数的临床失败，根源都在于ADMET性质不佳。

ADMET五个维度

A - 吸收（Absorption）、D - 分布（Distribution）、M - 代谢（Metabolism）、E - 排泄（Excretion）、T - 毒性（Toxicity）。

AI ADMET预测方案

传统机器学习、深度神经网络（DNN）、几何图神经网络（GeoGNN）。

图1：AI在药物研发各阶段的应用全景

下图完整展示了AI从靶点识别到上市后监测的全链条布局，建议收藏。

图注：AI技术贯穿药物研发六大核心阶段——靶点识别、药物发现、临床前开发、临床试验、药品获批、上市后监测，每个阶段均有对应的AI应用场景。

五、生物标志物：精准医疗的核心标尺

生物标志物是连接药物与患者的桥梁，分为诊断标志物、预后标志物、疗效预测标志物三类。

AI在标志物领域的应用

数字病理诊断（如nuclei.io平台）、细胞形态标志物、蛋白组标志物。

六、药物重定位：老药新用，AI制药最快落地赛道

药物重定位（Drug Repurposing），就是为已经上市、安全性已验证的老药，找到全新的治疗适应症。

AI三大实现路径

组学特征匹配、真实世界数据挖掘、知识图谱推理。

经典案例

PXT3003（腓骨肌萎缩症1A型，III期临床）：由Pharnext公司通过AI辅助重定位发现。

七、临床试验：AI提升人体试验成功率

AI从患者招募、试验设计、剂量优化等多个维度切入，降低临床风险。

AI的四大核心价值

精准患者筛选、试验结局预测、治疗窗口优化、患者招募加速。

八、上市后监测：AI守护全生命周期用药安全

药物获批上市不是终点，而是长期安全监测的起点。

监管端的AI实践（以FDA为例）

自动分类不良事件报告、NLP文本挖掘（InfoViP平台）、持续风险监控。

表1：代表性AI研发药物临床管线一览

下表汇总了27款已进入各阶段临床试验的AI赋能药物，涵盖肿瘤、自身免疫、神经、罕见病等多个治疗领域。

数据来源：clinicaltrials.gov，截至2025年10月

九、挑战与局限：AI不是万能钥匙

文章没有神化AI，而是客观指出了当前行业面临的核心问题：

1. 高质量训练数据稀缺：生物医学数据量少、标注难，且大量阴性实验数据从未公开。

2. 生成分子的合成可行性问题：很多AI生成的全新骨架，实际合成难度大。

3. 不可成药靶点仍是难题：转录因子、支架蛋白等柔性强、无明确结合口袋的靶点。

4. 黑箱问题阻碍监管信任：深度学习模型决策过程不透明。

5. 监管政策尚未完善：FDA等机构仍在制定AI药物研发的明确指导原则。

十、未来展望

针对上述挑战，文章提出了几个关键发展方向：

数据标准化与共享：建立统一的生物医药数据标准，推动阴性数据公开。

多模态融合：结合化学结构、文本、组学等多模态信息，缓解数据不足问题。

虚拟人体仿真：构建数字孪生患者模型，模拟疾病机制与药物作用。

罕见病药物开发：通过AI老药重定位，为孤儿病快速找到治疗方案。

监管体系完善：建立AI模型可解释性标准，明确申报路径。

总结

AI正在从一个锦上添花的工具，逐步变为药物研发各环节的标配能力。

从靶点发现的源头创新，到虚拟筛选的效率提升，从ADMET的早期风险把控，到临床试验的成功率优化，再到上市后的安全监测——AI正在重构整条药物研发流水线。

如今已有数十款AI发现/优化的药物进入临床，其中多款推进至III期。虽然数据质量、合成可行性、监管规范等问题仍待解决，但AI重塑制药行业的大趋势已经不可逆转。

对于从业者而言，理解AI、用好AI，将成为未来药物研发人员的核心能力之一。