AI制药：从“大海捞针”到“精准设计”的变革

AI制药，时代拐点悄然而至。

2025年，中国创新药出海交易热度不减，其中，AI制药公司崭露头角，成为一股不可忽视的力量。从3月至8月，元思生肽、华深智药、晶泰科技等相继完成数十亿美金的BD交易，展现出强劲的势头。

尽管元思和华深成立仅短短四五年，却能在跨国药企严苛的BD筛选中脱颖而出，这得益于AI技术的运用，它重塑了大分子药物研发模式，提升了研发成功率。这些交易不仅赢得了资本市场的青睐，时隔三四年，多家AI制药公司近期再度获得融资。

生物医药的研发范式，正从海量筛选、经验至上，转向理性设计、从头创造。

如果说过去十年，让早期药物发现更快、更准的AI是“锦上添花”，那么如今具备“从头设计”（de novo design）药物能力的AI，无疑是“无中生有”。设计自然界中不存在的蛋白质、针对难成药靶点进行药物设计，正是攻克顽疾的关键。

近期，Chai Discovery（由OpenAI投资）、字节跳动等发布的蛋白质设计生成模型数据，让智源深澜创始人王承志预见“质的飞跃”即将到来。他在生命科学领域深耕二十多年，曾任镁伽科技首席科学家，“去年我还不会如此断言；但今年AI的进展，让我意识到生物医药领域可能会有颠覆性事件，且来得很快。”

峰瑞资本合伙人马睿也有相似看法，“现在的势能是‘创新药乘以AI’，尽管业内对AI制药的能力边界尚无定论，但我感到已经波涛汹涌，未来一到三年会有翻天覆地的变化。”

那么，生成式AI如何改写新药研发底层逻辑？对创新药产业将带来哪些改变？当前从业者们正通过哪些路径逼近“颠覆式创新”？

AI让制药从“大海捞针”到“精准设计”

“AI制药”并非没有经历过泡沫。2018-2021年间，以小分子药物开发为代表的AI热潮，曾吸引数百亿资金，却未能兑现最初愿景。当时，深度学习和虚拟筛选虽能加速早期药物发现，但筛选出的分子效力难以超越现有药物，或生成的全新分子结构难以合成。这反映了早期模型“归纳能力”的局限。

新一波AI浪潮的兴起，得益于主流AGI技术取得巨大进步后，能力外溢至药物研发、酶设计等生命科学领域。

首先是AlphaFold 2的出现，它验证了Transformer架构在理解“生命语言”方面的有效性，解决了困扰生物学界多年的蛋白质折叠问题。在AF2出现前的60年，人类仅学习了20万个蛋白质的结构；而AF2出现后的两年间，AI已预测了超过2亿个蛋白质结构，几乎涵盖地球上所有已知生命体的多数蛋白质，且高度可信。

其次，David Baker团队将图像生成领域的Diffusion（扩散）模型引入生物学，利用“迭代去噪”原理，使全新蛋白质设计的成功率实现数量级飞跃。

同时，AlphaFold 3从只能预测单个蛋白质结构，演进到能够处理蛋白质、核酸和小分子之间复杂的相互作用。这种“全原子级”的建模方式，使其在数据不足的情况下仍具有强大的泛化能力。

当前，国内外多个团队正复现并提升AF3的模型预测能力。今年年中，Chai Discovery发布的Chai-2、Evolutionary Scale发布的ESM3、字节跳动公布的Protenix等新模型涌现，验证了“从头开始，生成全新功能分子”的创造力。

“Chai-2最新数据显示，针对特定靶点生成的候选抗体命中率显著高于传统方法。过去需在百万级到亿级的库里才能筛出几个阳性分子，现在几十条序列里就可能出现hits。这曾是不敢想象的事。”王承志告诉36氪，“这意味着，‘指定靶点表位，生成抗体’的难题正接近被解决。”

传统的抗体药物研发是漫长的“大海捞针”过程。过去可能需要3年时间、500万美元才能解决的抗体分子发现问题，Chai-2等AI模型可在几小时内完成，并在两周内通过生物湿实验得到验证。

马睿也表达了相似观点，认为Chai Discovery可能会颠覆抗体药的研发范式。此前杂交瘤技术、噬菌体展示及动物免疫等方法或被从头（de novo）计算设计大面积取代。如果AI在小分子设计上也能取得突破，那么“几乎所有药物modality都可能被AI赋能。”他直言：“一切发生得太快了。”

未来药化学家针对某个靶点设计抗体药时，第一反应可能不再是去免疫动物，而是先用AI模型进行计算、生成、打分，挑选出最有潜力的几十个抗体序列进行合成和体外实验验证。

这种药物研发范式的改变将对创新药产业链条带来深刻影响。

如今低垂的果实已被摘完，那些因缺乏苗头化合物而无法推进的“难成药”靶点研发有望靠AI重新激活。从曾经的“有什么筛什么”，到AI时代的“要什么造什么”，人类有望攻克一些无药可用的顽疾。

王承志认为，AI将大幅缩短临床前药物研发的周期，对肿瘤、自免、代谢等领域适应症都有利好。其中，“慢性病”可能是最早见到曙光的领域。未来像司美格鲁肽这样百年一遇的“神药”，出现的频次会大大提高。

钱有限，先干啥？

技术革命总会带来行业洗牌。各方都在预测并选择赢面最大的玩家。临界点将至通往未来的路径并非只有一条。如今AI制药领域的参与者大致呈现三种形态。

第一类拥有充足资本、算力的科技巨头如Google（Deepmind）、Meta、Xaira（种子轮融资10亿美元）、字节跳动等致力于构建基础生物大模型创建自己的开源生态、定义行业标准。

第二类顶尖AI大模型+生物计算科学家领衔的创业团队有能力在算法的“无人区”进行探索对基础模型进行优化改造后为药企、生物科技公司提供平台服务或自研管线典型如百图生科、华深智药等。

第三类利用AI研发新药的“传统正规军”。他们不追求自研一个新的基础模型而是根据自身对适应症、靶点、管线竞争的洞察用AI开源模型和强大的湿实验能力来加速特定疾病药物的研发进程。

“在马睿看来评估AI制药赛道玩家的核心竞争力应该是其对模型的理解、修改及演进能力。”从很多人利用AF3等开源模型做benchmark的结果来看依赖微调的开源模型或许可以做到“80分”但要解决真实研发中的复杂问题往往需要接近“99分”的表现只有在算法层面做到极致才可能实现跨越式进步。

“另一位生命科学领域专家指出绝大部分公司无法负担自研基础生物模型的高昂成本与大语言模型相比生物模型所依赖的数据获取成本更高。”他提到国内曾有一家巨头支持的企业投入数千万元合成并测试了上万条AI生成的抗体序列并将实验数据集用于模型训练但最终发现这样的数据规模仍远不足以进入scaling law所描述的高效提升区间。

“王承志给出了相似观点他认为未来能够快速、海量产出高质量生物实验数据的团队更有可能拥有高性能AI模型。”过去自动化、高通量实验往往被理解为提高筛选效率但在AI时代它们不仅能为研发人员提供实验结果还可以高效产生结构化、可迭代数据直接服务于模型训练与优化。

“算法、数据都是AI制药能力提升的核心要素尽管各家创始人背景、团队优势不同短期资源投入的侧重有一定差异但AI在制药领域的产业化路径愈发接近即研发出真正有价值的药物分子并在当前成熟的BD体系里获得买方认可拿到真金白银。”