寻找新药费时费力，这家AI初创公司跳过实验室工作

一家名为Potential Sciences的英国初创公司正在尝试用AI绕开药物研发中最耗时耗钱的环节——实验室验证。该公司于11月5日正式亮相，计划利用物理学基本原理模拟原子之间的相互作用，再逐步扩展到小分子、氨基酸和蛋白质，从而构建大规模化学数据集。基于这些合成数据，公司希望训练出能够精准识别特定疾病靶向药物的AI模型和预测系统，让那些“注定在临床上失败”的分子尽早出局。创始人兼CEO Hatem Helal表示，目标是让药物研发像搜索问题一样被快速导航和剪枝，而不是依赖昂贵缓慢的实验室试错。 这一思路的背景是，当前多数AI药物发现团队依赖的公开数据库——蛋白质数据库（Protein Data Bank）——积累数十年仍规模有限，不足以训练出足够可靠的模型。Helal算了一笔账：宇宙中所有原子组装成可进入人体的分子的方式大约有10的60次方种，搜索空间极其庞大。Potential Sciences的解法是用物理模拟生成海量合成数据，再从中训练更强的预测系统。公司已获得英国政府AI风投基金SovAI和Twin Path Ventures等投资方的种子轮融资，金额在数千万美元级别，但未披露具体数字和估值。 如果这条路走通，影响的不只是研发效率。Helal认为，降低实验成本后，制药公司将有经济动力去开发此前被忽视的罕见病药物，甚至推动“一人一药”式的定制化分子组合。不过业内也有冷静的声音。莱斯大学化学教授Peter Wolynes评价说，改进是肯定的，但当前蛋白质工程的整体水平“还停留在罗马时代，远未到文艺复兴”。剑桥大学荣休化学教授Alan Fersht则指出，如果能精确计算细胞内所有分子间的相互作用及其结构波动，确实能革命性地预测结合位点——但这正是难点所在。对于关注AI制药赛道的中国从业者来说，Potential Sciences代表的“合成数据+物理模拟”路线能否在精度上实现跃迁，将是判断这类公司价值的关键标尺。