AI助力科学家设计下一代药物

新药研发的“烧钱”与“高失败率”是制药行业长期以来的痛点。一款新药从实验室走向患者，往往需要耗费数年时间和数十亿美元的投入，而绝大多数候选分子最终都会在临床试验中折戟沉沙。对于生物药——即由工程化蛋白质而非化学合成制成的疗法，广泛用于治疗各类主要急性和慢性疾病——其复杂程度更是指数级上升。科学家们需要在海量的可能分子中，寻找那些既能精准结合靶点、在人体内保持稳定，又能实现大规模生产的“天选之子”。如今，人工智能正在以前所未有的速度加速这一过程，并迅速成为制药研发基础设施的核心组成部分。AI辅助设计正日益成为生物药候选分子开发的关键环节，包括阿斯利康在内的多家公司正在积极扩充其工程团队，以推动这一趋势向前发展。 阿斯利康高级副总裁兼生物药工程与肿瘤靶向发现负责人普贾·萨普拉表示：“我们现在做的每一件事，无论是设计、制造、测试还是分析，都得到了计算能力的增强。周期正在缩短，而生产力和创新却在提升。”她解释称，阿斯利康遵循的是“构建-测量-学习”的循环模式。AI会先通过计算生成或优先排序候选分子，预测哪些设计最有可能成功。科学家随后将实验室资源集中在排名靠前的候选分子上。这种更紧密的反馈循环减少了死胡同，加快了迭代速度，并使得科学家能够攻克那些此前被认为“无药可医”的疾病靶点。由于可能的分子组合数量远超任何人类团队能够系统探索的范围，利用AI来缩小和优化测试选项，已成为生物药设计领域的主要焦点。除了缩短研发周期，AI还被应用于发现全新类别的药物。传统生物药通常只针对一条疾病通路，而下一代药物可以同时作用于多个靶点，或将治疗性有效载荷精准递送到特定细胞。实现这一目标需要同时优化众多变量。AI驱动的模型可以帮助设计这些日益复杂的多特异性生物药，例如识别基于潜在生物学应优先考虑的靶点组合，然后跨多个参数进行优化，以平衡分子的效力、稳定性、可制造性和安全性。萨普拉指出：“让‘不可成药’的靶点变得可成药，正在成为现实。这些技术最终将使我们能够针对那些曾经被认为不可能触及的靶点开发药物，对患者带来的潜在益处是巨大的。” 麦肯锡估计，生成式AI与其他计算工具相结合，可将药物发现时间缩短多达50%。但任何AI模型的效果都取决于其训练数据的质量。在药物发现领域，这意味着需要大量高质量的生物学数据。实验可以提供丰富的数据来源，无论成功还是失败，每个实验都会产生关于什么有效、什么无效的信号。萨普拉强调：“数据是我们的差异化优势。”她解释称，公司的数据集是专有的、多模态的，包含分子结构、结合测量值、安全性概况和生产结果。“我们在多个疾病领域和药物类型上建立了有意多样化的组合。所有这些数据使我们能够用更丰富、更具代表性的训练集来微调前沿AI模型。”她补充道：“此外，我们还投资了深度筛选技术，以生成所需的大量额外数据集，不断优化和验证我们的模型。”