✓ 已解锁完整内容
三大技术支柱：AlphaFold3、扩散模型和强化学习
2026年的AI制药由三个核心技术栈支撑。
第一：AlphaFold3和蛋白质结构预测。2024年5月，Google DeepMind发布了AlphaFold3，这次它不仅预测蛋白质的静态结构，还能预测蛋白质与DNA、RNA、小分子、离子的复合物结构。对制药行业来说，这意味着你可以把一个候选药物分子和它的靶点蛋白一起扔进AlphaFold3，让它告诉你这两个家伙的结合模式——结合口袋在哪里、关键氨基酸是哪几个、结合亲和力大概是多少。虽然AlphaFold3目前只开放了有限的结构预测API（完整代码未开源），但仅凭学术版和开源社区复现（如Chai-1），就已经对药物研发产生了深远影响。
Isomorphic Labs（DeepMind分拆出来的药物发现公司）在2025年与礼来和诺华分别签署了总价值超过30亿美元的合作协议，核心卖点就是AlphaFold3驱动的"基于结构的药物设计"（SBDD）。
第二：扩散生成模型和分子新设计。如果你看过Stable Diffusion画画，应该知道扩散模型的原理：先在一张图片上不断加噪声，直到变成完全的随机噪声，然后让模型学习逆过程——从噪声中恢复出原始图片。用同样的逻辑，你可以把扩散模型应用在分子生成上：把分子表示成3D原子坐标或者SMILES字符串，让模型从药物-靶点结合的条件出发，"去噪"生成全新的候选分子。
2024年MIT的一篇Nature Machine Intelligence论文展示了DiffDock——一个基于扩散模型的分子对接工具。它在药物-靶点结合姿态预测基准测试上，将成功率从传统对接工具的约23%提升到了约38%。虽然38%仍然不算高，但提升幅度是巨大的——这意味着每三个候选分子中就能多找到一个合理的结合构象。2025年，多家AI制药公司开始将扩散分子生成模型嵌入到实际的药物发现管线中。Generate Biomedicines（Flagship Pioneering的AI制药公司）推出的Chroma模型是一个专门为蛋白质分子设计的扩散生成模型，可以从零开始生成具有指定功能和结构特征的全新蛋白质，包括抗体、酶和信号分子。
第三：强化学习和多目标优化。药物分子从来不是只追求一个指标。它需要在结合亲和力、选择性（别碰其他蛋白）、ADMET（吸收、分布、代谢、排泄、毒性）、合成可行性等至少五个维度上同时达到可接受的水平。这是典型的多目标优化问题，而强化学习在这类问题上天然适合。
Insilico Medicine的Pharma.AI平台就内置了一个基于强化学习的分子优化引擎。它把药物设计定义为一个马尔可夫决策过程：状态是当前的分子结构，动作是对分子进行化学修饰（加基团、换原子、改骨架），奖励函数是多个药理学指标的加权组合。模型被训练来最大化这种多目标奖励。2025年Insilico公布的数据显示，在内部测试中，AI生成的分子在命中率（hit rate）上是传统HTS方法的约15倍。
从概念验证到临床验证
2026年，AI制药正式进入"临床验证"阶段。下表整理了截至2026年中的全球AI制药管线中最值得关注的临床项目：
Insilico Medicine的ISM001-055（特发性肺纤维化，AI发现，2期完成中期，TNIK抑制剂）、Recursion的REC-4881（家族性腺瘤性息肉病，AI表型筛选发现，1/2期）、Relay Therapeutics的RLY-4008（胆管癌，AI基于结构设计，2期递交NDA，靶向FGFR2的选择性抑制剂）、BenevolentAI的BEN-8744（溃疡性结肠炎，AI靶点发现，1期）、Exscientia的EXS-21546（实体瘤，AI设计，1期完成，A2A受体拮抗剂）、Schrodinger的SGR-1505（B细胞淋巴瘤，AI计算驱动，1期，MALT1抑制剂）。
这里特别值得关注Relay Therapeutics。他们的核心差异点不是发现新分子，而是通过AI驱动的分子动力学模拟来理解蛋白质的动态构象变化——蛋白质不是静态的，它在溶液中不停地扭动、呼吸、变换构象。传统的静态X射线晶体结构看不到这些动态变化，但药物的结合恰恰发生在某些瞬时的构象状态中。Relay利用长时间尺度（微秒到毫秒级）的分子动力学模拟来捕捉这些"隐形的口袋"，然后针对性地设计分子。RLY-4008就是一个经典案例：它选择性抑制FGFR2而不碰FGFR1（后者的抑制会导致严重的高磷血症脱靶毒性），因为AI模拟发现FGFR2和FGFR1虽然静态结构高度相似，但关键口袋的构象动力学存在细微差异，足以设计出选择性抑制剂。2025年底该药提交了NDA（新药上市申请）。
AI+自动化实验室：闭环药物发现
走进2026年的AI制药版图，还必须提及一个新的物种：AI驱动的自动化湿实验平台。坐落在波士顿的Lila Sciences（由Flagship投资）建造了一个占地约3700平方米的"机器人科学家的家"。里面有200多个自动化实验工作站，由一套统一的AI大脑调度。AI设计分子→传递给自动化系统合成和测试→实验结果反馈给AI→AI更新模型并生成新的设计。整个循环不需要人类科学家动手。Lila宣称这个闭环一周能完成约5000次设计-合成-测试迭代，而传统CRO需要约6个月。
中国也不甘落后。2025年，位于深圳的XtalPi（晶泰科技）启用了他们的"AI+自动化药物发现工厂"，拥有超过200台自动化实验机器人，覆盖从合成到分析的全流程。XtalPi已与多家跨国药企签订了总额超过10亿美元的合作协议。
闭环自动化对AI制药的意义不仅仅是速度。更关键的是：它解决了AI模型的"数据饥饿"问题。当前的AI药物发现模型最大的瓶颈不是算法，而是高质量的有标注实验数据。公开数据集（如ChEMBL、PubChem）虽然有数百万条数据，但它们大多是有偏的——只记录了正面结果，负面结果极少披露。真正的药化实验每天都在产生大量的失败数据，但这些数据被锁在各个公司的实验记录本里。闭环自动化可以系统性地产生结构化的正负实验数据，这才是AI模型真正需要的"优质饲料"。
一个清醒的收尾
尽管前景耀眼，我必须说一句扫兴但必要的话：目前还没有一款AI设计的药物走完临床3期并获得上市批准。从临床2期到获批还有很长一段路，2期的"成功"历史上在3期翻车的案例比比皆是。AI做出的分子，在小鼠身上效果拔群，在2期患者中数据亮眼，但到了以死亡率或疾病进展为核心终点的3期大规模随机对照试验中能否挺住，才是AI制药的真正大考。
Reality check：2025年，Exscientia的DSP-1181（全球首个进入临床的AI设计药物，针对强迫症）在临床1期后因药代动力学不佳被终止。Recursion的多个AI靶点在后续化合物优化中被发现不可成药。XtalPi也缩减了自研管线，更加聚焦在CRO服务上。这不是AI制药的失败——这是药物研发的正常淘汰率。但它提醒我们：AI提升了起点的效率，但无法消除药物研发固有的不确定性。一个药物最终能否救人，只有随机双盲对照试验能回答。
AI制药的终极承诺不是消除失败，而是让失败更快、更便宜地发生。如果能把一个注定失败的分子在6个月内淘汰而不是花6年，那本身就是巨大的价值。行业里有一句话说得好："The most expensive drug in the world is the one that fails in Phase 3."（世界上最贵的药是3期失败的药。）
（全文约5000字。本文仅供科技信息参考，不构成投资或医疗建议。）
