全球药物研发长期面临高失败率与高成本的难题。麦肯锡2023年的生命科学报告指出，新药从临床前研究到上市的整体成功率仅约7%，单款药物研发平均成本超过20亿美元，耗时长达10至15年。面对这样的困境，AI技术与分子模拟的结合成了突破行业瓶颈的关键方向。近期，Alphabet分拆出的企业SandboxAQ宣布与AI公司Anthropic合作，将其基于物理的大型定量模型（LQMs）整合到Anthropic的Claude大模型中，通过自然语言交互界面让药物发现技术更容易被使用。
这次合作整合的核心，是为Claude添加了分子模拟功能模块。研究人员不用掌握复杂的编程技能或量子物理知识，只需通过自然语言输入需求——比如“预测小分子化合物A与蛋白质靶点B的结合亲和力”，Claude就能调用SandboxAQ的LQMs进行计算并返回结果。SandboxAQ的LQMs和传统统计型AI模型不同，它基于量子力学原理与经典计算框架，能精准模拟分子间的相互作用、化学反应路径及热力学性质，在实际实验前筛选出更有潜力的药物候选物。根据SandboxAQ公开的数据，该模型对分子结合能预测的准确率比传统分子动力学模拟提升了约30%，能把候选药物筛选时间缩短到原来的1/5。
这次合作的核心目标，是打破“定量经济”领域的壁垒——这个领域的价值高达50万亿美元。SandboxAQ首席执行官Jack Hidary表示，目前先进的分子模拟技术只有少数拥有博士学位的专家能掌握，这限制了创新速度；但借助Claude的自然语言界面，任何具备基础生命科学知识的研究人员都能使用顶尖模拟工具。这或许能让药物研发从“专家驱动”转向“大众参与”，加快罕见病、传染病等领域的药物突破。比如在针对新冠病毒变异株的药物研发中，研究人员可以快速模拟不同小分子与病毒蛋白酶的结合效果，缩短候选药物的筛选周期。
虽然合作前景看好，但行业批评者也发出了警示。斯坦福大学医学院生物信息学教授Atul Butte指出，AI生成的分子数据需要结合实验验证，模型的局限性可能会带来解读偏差——比如LQMs在处理超大分子复合物时精度下降，或者对非平衡态化学反应的预测存在误差。因此，研究人员需要保持科学严谨性，把AI模拟结果当作辅助工具，而不是唯一的决策依据。
行业近期的动态表明，AI与药物发现的融合进程正在加快。2024年3月，DeepMind发布了AlphaFold 3模型，新增了对小分子、核酸与蛋白质复合物的结构预测能力，其预测准确率比前代提升了15%；同月，Insilico Medicine宣布与默克公司达成1亿美元的合作，利用AI技术开发针对纤维化疾病的候选药物。而OpenAI也在近期启动了生命科学专项研究，探索GPT-4在分子设计与靶点预测中的应用，计划今年内推出面向制药企业的定制化AI工具。
快报