药物发现向来是高风险、长周期的领域。行业数据显示，一款新药从研发到上市平均需要10到15年，成本超过20亿美元，更有近90%的临床试验最终以失败告终。谷歌DeepMind的AlphaFold自2021年问世以来，凭借精准预测蛋白质三维结构的能力在该领域占据主导地位，目前已公开预测超过2亿种蛋白质结构，为疾病靶点研究提供了关键支撑。正是在这样的背景下，OpenAI近期推出了一款专门用于生物建模的AI模型，直接与AlphaFold展开竞争。
这款模型聚焦于分子相互作用的预测，尤其是药物分子与蛋白质靶点的结合方式——这是药物发现过程中的关键步骤，直接关系到候选药物的有效性与安全性。OpenAI已与诺和诺德达成合作，计划借助该模型分析大规模生物数据，模拟药物与蛋白质的结合过程，从而缩短研发周期、降低研发成本。
技术层面上，这款模型采用了Transformer架构的改进版本，针对生物分子数据的特点进行了优化，能够更精准地捕捉分子间的相互作用模式。与传统实验方法相比，AI模型能在短时间内处理海量分子数据，通过深度学习掌握分子结构与功能的关系，进而预测潜在靶点与候选分子。不过行业分析师也指出，该模型是专有系统，性能依赖于训练数据的质量和规模；而药物发现成功的核心，在于制药公司手中的专有生物数据——比如患者临床数据、靶点验证数据——这类数据大多不对外公开，这或许会限制模型的实际应用效果。
如果这款模型能提升分子相互作用预测的准确性，有望帮助科研人员快速筛选出有潜力的候选药物，减少不必要的实验环节，从而降低临床试验的失败风险。不过需要注意的是，AI模型目前的作用仍局限于早期研究阶段，从实验室成果到临床应用，还需要大量的实验验证和临床试验。这正是OpenAI模型面临的最大挑战——如何突破近90%的临床试验失败率，把AI的预测结果转化为真正有效的药物。
行业动态显示，AI在药物发现领域的应用增长迅速。Grand View Research的数据显示，2023年全球市场规模达到12.5亿美元，预计到2030年复合年增长率将达到35.1%。竞争对手方面，谷歌DeepMind近期宣布将AlphaFold扩展到RNA结构预测领域，并与多家制药公司合作开展靶点验证项目，进一步巩固其领先地位；亚马逊云科技、微软也在加大对AI药物发现工具的投入，行业竞争正变得日益激烈。
快报