AI药物发现：制药革命

AI正在解决的药物研发危机

传统药物研发：12-15年，平均成本26亿美元，I期临床失败率90%。AI正在同时改变这些数字。

AlphaFold 2与蛋白质结构革命

DeepMind的AlphaFold 2预测了几乎所有已知蛋白质的结构（2.14亿个结构）。在AlphaFold之前，每个蛋白质结构需要多年的X射线晶体学工作。

对药物发现的影响：

药物靶点识别：数月→数天

疾病机制理解：以前无法触及的靶点现在变得可行

脱靶效应预测：更早获得更好的安全性特征

在药物项目中的应用

Moderna：使用AlphaFold结构进行mRNA疫苗设计 BioNTech：用于癌症疫苗的新抗原预测 Isomorphic Labs：整个发现管线基于AlphaFold衍生技术

分子设计的生成式AI

方法

AI不是筛选现有化合物库，而是生成具有所需特性的全新分子：

定义靶点蛋白质结构

定义所需特性（效力、溶解度、安全性）

AI生成候选分子

计算机模拟筛选过滤候选分子

仅合成最有希望的分子

结果：1000个候选分子→10个高质量先导化合物，耗时数周而非数年

领先平台

Schrödinger

基于物理的AI + 机器学习

Glide对接、FEP+自由能计算

服务于1600多家制药客户

Insilico Medicine

用于分子设计的生成式AI

首个AI设计的药物进入II期临床试验（2024年）

INS018_055用于特发性肺纤维化

Recursion Pharmaceuticals

细胞成像 + 机器学习用于靶点发现

分析了1PB生物数据

与罗氏和拜耳合作

利用AI优化临床试验

患者招募

传统挑战：找到符合严格入排标准的患者。

AI解决方案：

跨医疗系统的电子健康记录NLP筛选

实时匹配患者与试验标准

预测完成时间 vs. 手动招募

结果：患者入组速度提升高达40%

试验设计优化

AI预测最优：

基于历史相似试验的样本量

主要终点选择

剂量递增方案

患者分层以获得最大统计功效

预测脱落

机器学习模型根据以下因素预测哪些患者可能脱落：

人口统计学和社会决定因素

到试验地点的旅行距离

医疗复杂性

历史依从性模式

真实案例（2024-2025）

辉瑞 + AI：使用生成式AI在25天内设计出新的COVID抗病毒后备化合物（传统需要18个月以上）

礼来 + OpenEye：AI指导设计IL-17抑制剂，效力比起始化合物提高200倍

BenevolentAI + 阿斯利康：AI识别巴瑞替尼作为COVID治疗药物（后在试验中被证明有效）

当前局限性

数据质量：AI的性能取决于训练数据

实验验证仍然必要——AI无法取代湿实验室

监管：无论药物是否由AI设计，FDA仍要求完整的临床证据

脱靶预测：正在改进但尚未解决

ADMET预测：吸收、分布、代谢、排泄仍具挑战性