AI重塑小核酸创新,下一代大药正在孕育

AI与小核酸，两大前沿技术浪潮正深度交汇。

2026年上半年，全球小核酸相关交易超过10笔，潜在交易总金额接近百亿美元；与此同时，AI for Science正在从实验室走向产业前线。在两股浪潮的共同推动下，小核酸研发迈入新发展阶段。

过去，小核酸药物研发受限于分子设计、递送效率等瓶颈；如今，AI正推动这一领域不断突破边界，从序列设计到复杂组合优化，从肝内递送到肝外递送，创新空间持续拓展。

在首届大国新药全球会议（CPIC 2026）期间，同写意专访晶泰科技核酸药物研发负责人高祥瑞博士，探讨了AI如何重构siRNA（小干扰RNA）研发范式、平台能力如何真正落地管线，以及未来产业竞争的走向。

TONACEA

浪潮交汇：AI +小核酸开启产业新周期

今年6月，Alnylam重金签下高达20亿美元合作，合作方为AI制药企业Inceptive Nucleics。全球小核酸重磅玩家的布局，瞬间引发行业关注。

在高祥瑞看来，这不仅是一笔商业交易，更意味着行业发展风向的变化——AI正逐渐从研发辅助工具，演变为推动siRNA创新的关键能力。

实际上，Alnylam的布局并非个例。近年来，全球范围内，大型药企、科技龙头均在加码布局AI制药。

DeepMind、Anthropic等企业持续布局AI for Science，辉瑞、赛诺菲等MNC也通过自研、合作或并购等方式探索AI在药物研发中的应用。高祥瑞认为，随着更多参与者进入，未来一两年AI制药将逐步迎来价值兑现。

与此同时，小核酸研发也走到了新的拐点。随着GalNAc介导的肝内递送逐渐成熟，行业开始探索肝外递送、双靶点设计等更具挑战性的方向，这也为AI技术进入小核酸研发提供了新的应用空间。

而且据高祥瑞分析，在分子特点上，AI在siRNA设计领域具备天然优势。

“大分子药物涉及复杂的三维结构、蛋白质柔性变化等问题，而siRNA本身是一种序列型分子，当前大语言模型（LLM）中常用的Transformer架构，正擅长处理序列化数据。”高祥瑞解释道。

不过，AI真正进入小核酸研发流程，并不只是算法能力的问题，还需要与实验体系形成结合。

高祥瑞提到，目前行业中存在一种观点，即依靠高通量实验技术进行大规模筛选，也能够推进小核酸药物研发，因此AI并非必须。

然而，高祥瑞指出，AI与高通量实验并不是替代关系，而是协同关系。在这一过程中，AI可以帮助研发人员快速探索更大的分子设计空间，为实验提供更明确的优化方向；而高通量实验则能够验证AI设计结果，并持续产生新的实验数据，进一步推动模型优化。

“AI设计它有一个具体的方向性，AI先设计，然后再利用高通量的方法去检测，这样才是如虎添翼。”高祥瑞表示。

TONACEA

技术重构：打造AI核酸研发硬核壁垒

AI重塑小核酸研发范式，不只在提升单个环节的效率，更在于能否贯穿从分子设计、实验验证到候选药物筛选的完整流程。

围绕siRNA研发，晶泰科技打造了基于生成式AI + 第一性原理的干湿闭环开发平台 Kodexia™，希望通过AI与实验体系的结合，提高siRNA药物研发效率，并推动计算设计真正转化为管线成果。

高祥瑞以AlphaFold 举例，指出它取得突破的核心并非单纯提升参数量，而是深度吃透蛋白质结构内在机理，将领域知识嵌入模型设计。siRNA 研发遵循相同逻辑。

虽然siRNA属于序列分子，但药物开发并非简单的序列匹配问题，还涉及RNA热力学、基因沉默机制、化学修饰、递送效率以及安全性等多个因素。Kodexia™ 将这些底层规律融入模型设计，对活性、长效性、脱靶风险和成药性等多个指标进行综合优化，而不是单纯追求某一项性能提升。

这也是AI与传统计算工具的重要区别。

过去，计算工具更多是在研发流程中的某个环节提供辅助，例如帮助寻找潜在靶点或预测部分分子特征。但真正推进一款药物，需要同时解决多个复杂问题：既要找到有效分子，也要保证其具备进一步开发的潜力。而AI的价值，正是在庞大的设计空间中帮助研发人员找到更优解。

想要实现持续稳定的研发转化，只拥有算法能力远远不够。高祥瑞分析称，AI 技术和药物研发存在天然知识鸿沟，跨团队协同难度突出。即便是Alnylam这类深耕小核酸赛道的行业龙头，拥有完整药物开发与商业化经验，布局 AI 研发一样面临水土不服，需要寻求外部技术合作。

在他看来，AI制药并不是简单将AI工具应用到传统研发流程中，而是需要同时理解算法逻辑和药物开发规律。这恰恰是晶泰的优势所在。

高祥瑞解释道，晶泰本身就是由AI专家和药理、药化专家组成的交叉团队，双方经过多年协作，能够更好地将药物研发中的专业知识转化为AI能力。同时，公司也更加重视数据在模型优化中的作用，通过持续积累数据推动AI能力迭代。

高质量自研数据，则是模型持续进化的根基。当前不少 AI 模型依赖开源公共数据集训练，而公开数据高度集中于 PCSK9、HER2 这类成熟靶点。模型在热门靶点容易跑出好看指标，但面向具备创新潜力的全新靶点时，可用数据稀缺，模型泛化能力充满不确定性。

“不能总是在开源数据上去做，因为开源数据比较少，多样性也比较差，做来做去最后可能变成比指标，但对药物管线推进没有太大帮助。”高祥瑞坦言。

自建干湿闭环，正是持续产出高质量体内外实验数据的核心路径。闭环体系源源不断产出真实实验结果，这些数据不仅包括有效结果，也包括大量阴性数据。高祥瑞表示，阴性数据同样是AI模型迭代的重要基础，只有持续积累真实实验数据，模型才能不断优化预测能力。

目前，依托 Kodexia™，晶泰一款IgA肾病siRNA管线在7个月内获得非人灵长类（NHP）药效数据，活性与长效性均优于同靶点的临床阶段参照分子，有望于近期——即项目立项后9个月内确定PCC（临床前候选化合物）分子，研发周期较行业平均的12到18个月显著缩短。

除此之外，AI 强大的并行计算能力，打破了传统串行研发的效率桎梏。传统研发难以同步承载大量项目，而 AI 可以并行完成多靶点、多套分子方案的设计优化，边际成本不会随项目增加大幅上升。

依托自研AI平台能力，晶泰正在实践多靶点并行研发模式，针对同一疾病领域布局6个全新靶点，计划在12个月内为全部6个靶点获得临床前候选化合物。

TONACEA

前瞻破局：差异布局抢占行业未来增量

近年来，小核酸药物已成创新药领域热门赛道，不过，随着各家企业的积极布局，行业竞争正在发生变化。想要做出真创新、获得未来增量，并非易事。

具体来看，过去几年，以GalNAc为代表的肝内递送技术推动siRNA药物快速商业化，大量企业围绕代谢类疾病等成熟靶点展开布局。然而，随着参与者增多，热门靶点竞争不断加剧，依靠跟随式开发已经越来越难建立长期优势。

与此同时，海外头部企业经过多年积累，已经围绕RNA序列设计、化学修饰和递送技术建立了完善的专利体系。对于后来者而言，仅在成熟方向上进行优化，不仅面临激烈竞争，也容易遭遇知识产权壁垒。

高祥瑞认为，未来小核酸领域真正具有价值的创新增量，将更多来自此前难以突破的新靶点、新递送方式以及新的分子设计策略。

在创新靶点上，双靶点siRNA也是他重点提到的方向之一。相比传统单靶点药物，双靶点需要同时考虑两个siRNA分子的协同作用，以及linker（连接结构）、递送等多个因素，本质上属于更加复杂的组合优化问题。

“这类问题很难完全依靠专家经验完成，而AI恰恰擅长处理复杂的组合优化。通过不断生成设计方案、学习实验数据，AI有望推动双靶点siRNA研发取得突破。”高祥瑞指出。

除了靶点设计，肝外递送也是决定小核酸产业未来空间的关键技术。

目前，肝脏仍是siRNA药物最成熟的应用场景，但实现肝外组织，如中枢神经系统、肺部、肾脏等，递送效率仍掣肘着产业发展。

在高祥瑞看来，肝外递送的突破并不只是优化siRNA分子本身，还涉及递送靶头的设计。由于递送体系本身存在较大的探索空间，研发人员需要不断尝试新的设计方案并进行筛选验证。AI的价值在于帮助研发人员生成更多潜在方案，再结合高通量实验进行筛选，从而提高有效方案的发现效率。

沿着这种破局思路，截至目前，晶泰的Kodexia™ 已完成从概念验证向管线资产的跨越，在代谢、肾病、双靶及肝外递送等前沿方向，布局了5条差异化的siRNA管线。其中，超半数管线已完成体内药效评价，动物数据表现优异，最快管线已进入PCC阶段。这些管线资产的稳步推进，验证了该平台在多靶点、肝外递送与复杂疾病场景下的研发能力。

近一两年来，小核酸凭借独特的治疗优势，已然成为全球公认的下一代重磅创新药赛道。立足这一产业变革浪潮，晶泰科技希望携手全球产业伙伴，共同挖掘核酸药物的创新潜力。

在商业化路径上，高祥瑞表示，晶泰秉持开放合作的姿态，通过管线授权（License-out）、联合研发（Co-development）等多元模式，对接国内外药企资源，共同推动源头创新的siRNA技术落地转化。

小核酸创新，仅是晶泰智能化药物研发布局的一环。作为AI制药先行者，晶泰正将成熟智能研发能力拓展至多类药物模态，持续突破研发瓶颈、拓宽可成药边界，探索创新药更多可能性。