观｜AI都能设计药了，一款新药为什么还要做这么多年？

这两年谈 AI 制药，有一个项目很难绕过去。

它叫 rentosertib，是一款用于特发性肺纤维化（IPF）的在研药物。

2024 年发表在 Nature Biotechnology的研究报告称，从启动靶点发现，到选出临床前候选药物，大约用了 18 个月。^[16]后续发表在 Nature Medicine的 Phase IIa 论文则回顾称，从启动靶点发现算起，这个项目在不到 30 个月内已经推进到早期人体临床开发。^[17]

这个速度确实很快。

然后，今年 7 月，这个项目进入了 Phase III。

研究计划一下子又“慢”了下来：

320 名患者，47 个试验现场，治疗 52 周。^[18]

主要终点，是看一年里患者肺功能下降的速度。

这 52 周很有意思。

前面那么多事情都被压快了，到了这里，为什么还得等一年？

再往大一点问：

现在 AI 能看论文、找靶点、预测蛋白结构、筛分子、设计分子、辅助筛选患者；监管机构也在想办法减少重复研究和无效等待。

一款药为什么还是要研发很多年？

答案得先从一款药到底是怎么做出来的说起。

我们平时看到医药新闻，最常见的是：

“进入 Phase I。”

“Phase II 数据阳性。”

“启动注册性 Phase III。”

于是很容易觉得，一个新药就是 I、II、III 三关。

实际上，一个药第一次进入人体之前，可能已经做了很多年。

FDA 给公众介绍药物开发时，把全过程粗略分成五段：

发现和开发 → 临床前研究 → 人体临床试验 → 注册审评 → 上市后监测。^[1]

真正做研发的时候，还可以继续往下拆。

先找到一个值得做的方向

一种疾病为什么会发生？

哪些基因、蛋白、受体或者通路参与其中？

如果干预其中一个节点，疾病会不会改变？

这个过程里会出现一个经常被医药新闻提到的词：靶点（target）。

但发现某个蛋白在患者身上异常，并不代表抑制它就一定能治病。

疾病可能导致这个蛋白变化；这个蛋白也可能只是伴随现象；甚至可能是人体为了对抗疾病做出的反应。

所以早期研发最先面对的，是一个很朴素的问题：

我们是不是找对人了？

有了靶点，还要找到合适的药。

小分子要考虑能不能结合、选择性够不够、能不能被人体吸收、多久被代谢、会不会有毒；抗体、核酸药物、细胞和基因治疗，又各有完全不同的开发问题。

FDA 对这一阶段的描述也很直白：最开始可能有成千上万个候选化合物，经过早期测试后，真正值得继续研究的只剩很少一部分。^[2]

这才走到所谓的 候选药物（drug candidate）。

然后要证明：至少有理由把它用到人身上

候选药出来以后，还有临床前研究。

药进到体内会去哪里？

多少剂量开始有作用？

哪些器官可能出现毒性？

安全窗够不够？

长期暴露会发生什么？

这些问题会通过体外实验、动物研究以及越来越多的新方法来回答。FDA 目前的基本要求仍然是，在人体研究开始之前，需要有足够的信息评估严重毒性的潜在风险。^[3]

与此同时，还有一条不那么“性感”、却非常重要的线：

CMC——化学、生产和质量控制。

实验室里做出几毫克东西，和以后稳定生产几十万剂药，不是一回事。

原料是什么，杂质有哪些，制剂稳不稳定，每一批是不是基本一样，放半年以后会不会降解，这些问题都要逐渐回答。

再往后，才是 IND（Investigational New Drug）。

可以把它简单理解成：

到目前为止，我们知道这些；风险大致是这些；药是这样生产的；第一次准备这么用；出了问题准备这样监测。

监管机构看完以后，项目才能真正进入人体研究。

然后才轮到大家熟悉的 Phase I、II、III。

而这三期临床的区别，可以浅显的分为以下三种：

Phase I：这个药到了人身上，表现是不是基本符合预期？

Phase II：患者用了以后，疾病真的有变化吗？

Phase III：前面的疗效信号，放到更大、更接近真实应用的人群里，还站得住吗？

到这里数据够了，企业才能提交 NDA 或 BLA 之类的上市申请。

监管机构看的也不只是“Phase III 成功没有”。

临床疗效、安全性、生产质量、统计分析、标签、检查……会被重新放到一起。FDA 把 NDA 描述为呈现一个药物的完整开发信息，这个理解很贴切。^[4]

获批以后也没有结束。

几千人的临床试验，很难发现万分之一甚至更少见的风险。真正上市以后，用药人数可能迅速增加到几十万、几百万，患者年龄、合并疾病和合并用药也复杂得多。

所以药物上市以后还要继续监测。^[5]

把这条路走一遍，会发现一件事：

每一关花的钱，其实都在买一种新的确定性。

前面不知道靶点对不对。

后来知道分子能不能做。

再后来知道动物和模型里怎么样。

然后第一次知道人体里的 PK、PD 和安全性。

再往后，才知道患者究竟有没有获益。

药物的价值，也是在这个过程中一点点被重新定价的。

现在再看 AI 制药，就容易判断得多了。

AI 最擅长的事情，恰好集中在药物开发前端最麻烦的一类工作：

搜索。

文献太多，看不过来。

基因、蛋白、组学和临床数据之间的关系太复杂。

潜在的化学结构空间更大得惊人。

过去大量研发时间都花在：

“到底先试哪一个？”

AI 可以把这个过程往前推。

比如靶点发现。

2026 年 Nature Reviews Drug Discovery的一篇综述系统讨论了 AI 在靶点发现和评价中的应用：从遗传、组学、细胞图像和知识网络等不同数据源寻找潜在靶点，再对它们进行排序和评估。^[6]

再比如分子设计。

电脑可以先从很大的化学空间里筛掉大量不理想结构；生成模型可以提出新分子；预测模型则提前估计溶解性、代谢、毒性、选择性等性质。

这时候 AI 的价值通常不是：

“原来要做十万个实验，现在一个都不用做。”

更常见的情况是：

原来要从十万个方向里盲选，现在可以把更值得实验的一批排在前面。

rentosertib 就是一个很好的现实案例。

开发团队使用 AI 同时支持靶点发现和化合物设计。Nature Biotechnology论文报告，从启动靶点发现到临床前候选药提名约 18 个月，并进一步给出了 Phase 0 和 Phase I 的早期人体数据。^[16]后续 Phase IIa 研究又把项目推进到了患者人群。^[17]

但这个案例有一个容易忽略的细节。

Phase IIa 一共只有 71 名患者，治疗 12 周，主要终点是安全性；肺功能 FVC 的变化属于次要终点。^[17]

所以今年进入 Phase III 后，又回到了那组数字：

320 人，52 周。^[18]

AI 让候选药更快跑到了起跑线。

后面的比赛还是得跑。

进入临床以后，AI 也没有消失

比如找临床试验现场和研究者。

2026 年 Nature Health发表的一项研究，使用深度学习去匹配临床试验与更合适的研究者，目标就是改善试验现场和研究者选择、招募效率与公平性。^[7]

这类应用解决的是非常现实的问题。

一个临床试验设计得再漂亮，试验现场招不到试验参与者，一样会拖。

AI 也越来越多地用于数据清理、文档处理、信号识别、医学编码以及不同形式的临床研究支持。

不过，不是所有“计算模型”都叫 AI。群体药代模型、PK/PD 模型、定量系统药理学（QSP）等，已经在药物开发中使用很多年，它们属于 模型引导的药物开发（MIDD），不等于现在讨论的大模型或生成式 AI。

2026 年 6 月，ICH M15《模型引导的药物开发一般原则》已经成为 FDA 的正式最终指南，为 MIDD 的规划、模型评价和证据记录建立了统一框架。^[8]

同月，FDA 又发布了一份 QSP 用于首次人体试验起始剂量选择的草案指南。^[9]

药物研发正在越来越多地让计算承担一部分过去只能靠试错获得的信息。

具体承担多少，要看用途和证据。

今年 FDA 推 Operation TrialBlazer，很适合从另一个方向理解这个问题。

6 月 22 日，美国 HHS 发布了这份路线图。

它的背景写得很直接：越来越多早期临床研究正在转移到美国以外，HHS 希望减少美国临床研究中的不必要障碍，让美国重新成为更有吸引力的临床研发地点。^[10]

然后 FDA 沿着新药开发前后两端动了几刀。^[11]

其中一刀很具体：

Phase I 的 CMC，到底需要做到什么程度？

FDA 观察到，一些企业在首次人体 Phase I IND 中提供的 CMC 信息超过了当前阶段实际需要。

现在 FDA 明确了首次人体 Phase I IND 应提交的最低 CMC 信息，以及哪些内容一般可以等到后续开发再提交。

FDA 自己的估计是：

对部分项目，这可能减少最多约 12 个月的申请准备时间。^[12]

注意这个 12 个月是怎么省出来的。

不是机器把 12 个月实验在一分钟里算完。

而是有些工作：不用这么早做。

TrialBlazer 里另一个正在讨论的项目叫 Expedited IND Pilot。

FDA 希望探索建立一批 Qualified Research Institutions，在正式 IND 提交前更早参与材料准备和评估，并尝试 rolling submission，让部分 IND 内容可以滚动交流和审阅。^[10][13]

截至 8 月 8 日，这个项目还只是 proposed pilot。

FDA 8 月 6 日刚办完面向利益相关方的说明会，意见征集截止到 8 月 24 日。^[13]

后期试验也有类似思路。

比如 Master Protocol。

多个研究问题共用一套试验框架、研究网络和部分基础设施，在合适场景下，可以减少多个完全独立试验的重复建设。

FDA 2026 年 6 月发布了修订版 Master Protocols 草案指南，但截至目前仍然是Draft / Not for implementation。^[14]

FDA 今年更新的是“如何证明药物有效”的草案指南。

它讨论的是：在合适情况下，一项充分且良好对照的临床研究，加上足够的 confirmatory evidence，如何共同满足疗效证据要求。^[15]

这跟“以后所有药都少做一个 Phase III”不是一回事。

如果想理解为什么 Phase II 经常是医药项目的重要分水岭，2026 年还有另一个特别合适的案例--BIIB122。

这是 Biogen 和 Denali 开发的一款 LRRK2 抑制剂，用于早期帕金森病。

从机制到药物本身，很多事情其实都做成了。

Phase IIb LUMA 研究中，BIIB122 在外周实现了 超过 90% 的 LRRK2 kinase inhibition。

在脑脊液子研究中，一个反映 LRRK2 活性的生物标志物也下降了最多约 30%。

药物在血液和脑脊液中的暴露符合预期，整体耐受性也可以接受。^[19]

听上去是不是很好？

然后看试验参与者。

这是一项 648 人的随机、双盲、安慰剂对照 Phase IIb 研究，参与者接受治疗至少 48 周，部分最长达到 144 周。^[19]

最终，主要终点没有达到。

次要终点也没有显示临床获益。

企业随后停止了 BIIB122 在特发性帕金森病中的进一步开发。^[19]

这个案例比很多药理学教材都直观。

药进去了。

靶点也打到了。

生物标志物真的变了。

参与者的疾病进展却没有因此明显变慢。

这就是 Phase II 开始变残酷的地方。

临床前研究和 Phase I 经常回答：

我们设计的这套机制，到了人体以后还存在吗？

Phase II 终于开始追问：

存在，然后呢？

对一个真正的药来说，后面这三个字才贵。

这也是 AI 很难直接跨过去的一道坎。

模型可以帮助你挑一个更好的靶点，也可以把分子做得更像一个好药。

但如果这个疾病的生物学假设本身只对了一半，最终还是会在人身上暴露出来。

一家 biotech 说：

“核心管线已经进入 Phase II。”

这当然比刚找到一个靶点多了很多信息。

但更值得问的是：

它刚刚消掉了什么风险？

还有什么风险一点都没回答？

如果把一个新药项目拆成五层风险，大概可以这样看。

最早期，看生物学

为什么这个机制应该有效？

有没有患者数据、人类遗传学、组织样本或者多个独立模型支持？

还是主要建立在一套漂亮的动物实验上？

这一阶段最怕的，是故事讲得很大，和人体之间还隔着很远。

候选药阶段，看分子本身

靶点即使对，也可能做不出好药。

选择性、药代、组织暴露、毒性、安全窗、生产工艺，任何一个问题都可能把项目卡住。

AI 如果在这一段真正有价值，也应该能说清楚：

它具体让哪一步变快了？

少合成了多少分子？

少做了多少低价值实验？

候选药提名用了多久？

有没有和传统项目可比较的基线？

一句“AI-designed”，本身不是估值依据。

Phase I，看人体转化

安全性当然重要。

但对投资者来说，更有价值的问题往往是：

人体 PK 和预期一致吗？

剂量增加以后暴露怎么变？

PD 有没有变化？

Target engagement 看到了吗？

临床前预测的人体有效暴露有没有达到？

这时候项目第一次拥有真正的人体信息。

Phase II，看的是最难的那件事

患者有没有实际获益？

这时候不要只盯一句：

“达到主要终点。”

还要往后翻。

随机了吗？

有没有盲法？

对照组是什么？

样本量多少？

主要终点是什么？

效应有多大？

置信区间宽不宽？

这个变化对患者真的有意义，还是只是统计学显著？

持续多久？

亚组是预先设定，还是数据出来以后才找到的？

安全性的代价是什么？

rentosertib Phase IIa 的信号为什么值得继续看，却还不能直接当成疗效确认，原因就在这里：

71 人、12 周，主要终点还是安全性。^[17]

所以决定这个项目下一步价值的，是正在进行的 52 周 Phase III。^[18]

到了 Phase III，商业风险开始越来越重要

临床风险下降以后，问题会慢慢变成：

竞争对手已经走到哪里？

等你上市时，标准治疗还是今天这个标准吗？

疗效比现有药好多少？

安全性有没有明显优势？

患者和医生为什么要换药？

生产能不能放大？

专利还有多久？

价格和支付体系能不能承受？

所以“Phase III 项目”并不是一个统一的资产类别。

同样做到 Phase III，证据质量和商业价值可能差得非常远。

一张表可以大致总结如下：

这张表也解释了为什么：

“AI 覆盖新药研发全流程”这句话可以是真的。

但：

“AI 可以替代新药研发全流程”完全是另一回事。

FDA 和 EMA 今年联合发布的 Good AI Practice 原则，本身就把 AI 的使用放在整个药物开发生命周期中讨论；与此同时，它们反复强调的是风险管理、明确的使用场景（Context of Use）、数据治理、模型评价和生命周期管理。^[20]

监管机构显然并不排斥 AI。

只是 AI 承担的决策越重要，对它的证据要求也越高。

我现在反而觉得，这可能不是一个特别好的问题。

因为它默认新药研发里的所有时间都是同一种东西。

其实不是。

未来更现实的变化，大概会同时发生在几个地方。

以前研究人员从海量候选里找一个值得做的方向，AI 可以更快筛掉一部分明显不好的答案。

以前很多实验都做完以后才发现候选药有一个基础性质过不了关，预测模型可能让问题更早暴露。

以前一个临床试验要花大量时间寻找合适的试验参与者，现在越来越多的工具会先把最可能符合条件的人筛出来。

以前首次人体试验前，有些材料准备得比当前阶段实际需要的更成熟，监管机构开始主动告诉企业哪些东西可以后做。

以前每个临床试验重新搭一遍基础设施，Master Protocol 等设计可以在合适场景里提高复用。

这些都是真正的提速。

但还有另外一些事情。

一个患者的疾病会不会在一年里变慢。

一个肿瘤药两年后还能不能改善生存。

一个非常罕见的不良反应什么时候出现。

一个早期很漂亮的生物标志物，最终到底和患者感觉好不好、活多久有没有关系。

这些问题，现在仍然需要真实世界里的时间。

所以以后看到一家 AI 制药公司说：

“把研发周期缩短了 70%。”

最值得继续问的一句，其实很简单：

哪一段？

如果是把候选药发现从四年缩到一年，很有价值。

如果是把文献整理从两周缩到两小时，也有价值，只是价值大小完全不同。

如果进一步声称，因此未来 Phase II、Phase III 的成功概率也会大幅提高，那中间还缺人体证据。

这条线一定要分开。

今年 FDA 推 Operation TrialBlazer，其实也在做同样一件事。

它没有宣布药物安全和有效的标准可以不要。

它是在重新检查：

过去形成的每一项工作，今天还有没有必要以同样的时间、同样的顺序、同样的方式再做一次。

这个问题，AI 制药也应该问自己。

模型跑得更快当然很好。

候选药出来得更快也很好。

但药物研发的终点，还是那个非常传统的问题：

患者有没有因此得到一个更安全、更有效的治疗。

如果有一天 AI 能让错误的靶点更早被放弃，让不合格的分子更早被淘汰，让值得做的药更快进入人体，让临床试验更少浪费患者和研究资源，那么即使 Phase III 仍然需要一年、两年甚至更久，这套系统也已经比今天高效得多。

新药研发未必会从十年突然变成两年。

更值得期待的，是那些本来花在错误方向、重复劳动和无效等待上的时间，越来越少。

至于疾病本身需要多久给出答案——

时间会解释一切。

主要信息来源

^[1] FDA｜The Drug Development Process：https://www.fda.gov/patients/learn-about-drug-and-device-approvals/drug-development-process

^[2] FDA｜Step 1: Discovery and Development：https://www.fda.gov/patients/drug-development-process/step-1-discovery-and-development

^[3] FDA｜Step 2: Preclinical Research：https://www.fda.gov/patients/drug-development-process/step-2-preclinical-research

^[4] FDA｜Step 4: FDA Drug Review：https://www.fda.gov/patients/drug-development-process/step-4-fda-drug-review

^[5] FDA｜Step 5: FDA Post-Market Drug Safety Monitoring：https://www.fda.gov/patients/drug-development-process/step-5-fda-post-market-drug-safety-monitoring

^[6] Pun FW, et al.｜Target identification and assessment in the era of AI. Nature Reviews Drug Discovery, 2026：https://www.nature.com/articles/s41573-026-01412-8

^[7] Gao J, et al.｜Matching clinicians with clinical trials using AI. Nature Health, 2026：https://www.nature.com/articles/s44360-026-00073-6

^[8] FDA / ICH｜M15 General Principles for Model-Informed Drug Development, Final Guidance, June 2026：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/m15-general-principles-model-informed-drug-development

^[9] FDA｜QSP-Based Dose Selection for MABEL in First-in-Human Trials, Draft Guidance, June 2026：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/quantitative-systems-pharmacology-qsp-based-dose-selection-minimum-anticipated-biological-effect

^[10] HHS｜Operation TrialBlazer: HHS Roadmap to Maintaining U.S. Leadership in Early Clinical Research and Development, 2026：https://www.hhs.gov/sites/default/files/operation-trialblazer.pdf

^[11] FDA｜FDA Actions to Accelerate and Modernize Early and Late-Stage Clinical Development：https://www.fda.gov/industry/fda-actions-accelerate-and-modernize-early-and-late-stage-clinical-development

^[12] FDA｜Phase 1 IND Chemistry, Manufacturing, and Controls Flexibilities：https://www.fda.gov/industry/phase-1-investigational-new-drug-ind-navigator/phase-1-ind-chemistry-manufacturing-and-controls-flexibilities

^[13] FDA｜Expedited IND Pilot Program Educational Webinar for Stakeholders, 2026-08-06：https://www.fda.gov/news-events/fda-meetings-conferences-and-workshops/expedited-ind-pilot-program-educational-webinar-stakeholders-08062026

^[14] FDA｜Master Protocols for Drug and Biological Product Development, Draft Guidance, June 2026：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/master-protocols-drug-and-biological-product-development

^[15] FDA｜Demonstrating Substantial Evidence of Effectiveness for Human Drug and Biological Products, Revised Draft Guidance, June 2026：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/demonstrating-substantial-evidence-effectiveness-human-drug-and-biological-products

^[16] Ren F, Aliper A, Chen J, et al.｜A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nature Biotechnology. Published online 8 March 2024. DOI: 10.1038/s41587-024-02143-0：https://www.nature.com/articles/s41587-024-02143-0

^[17] Xu Z, Ren F, Wang P, et al.｜A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nature Medicine, 2025：https://www.nature.com/articles/s41591-025-03743-2

^[18] Insilico Medicine / HKEX｜Initiation of Rentosertib Phase III Clinical Trial, 2026-07-08：https://www1.hkexnews.hk/listedco/listconews/sehk/2026/0708/2026070800129.pdf

^[19] Biogen / Denali Therapeutics｜Phase 2b LUMA Study of BIIB122 in Early-Stage Parkinson's Disease, 2026-05-21：https://investors.biogen.com/news-releases/news-release-details/biogen-and-denali-therapeutics-provide-update-phase-2b-luma

^[20] FDA / EMA｜Guiding Principles of Good AI Practice in Drug Development, January 2026：https://www.fda.gov/about-fda/artificial-intelligence-drug-development/guiding-principles-good-ai-practice-drug-development

知而后闻，闻而后观

一起看懂医药趋势