传统药物研发一直受困于漫长的研发周期与高昂的成本。据美国食品药品监督管理局（FDA）数据，一款新药从靶点发现到确定临床候选化合物，平均需要10至15年，研发成本超过26亿美元，其中早期药物发现阶段的失败率更是高达90%。不过，近期人工智能代理系统的突破性应用正在改写这一现状——谷歌DeepMind与FutureHouse的最新研究显示，AI能够主动引导科学研究流程，将原本需要数年完成的药物发现工作压缩到数小时内。
谷歌DeepMind开发的“Co-Scientist”系统是这波突破中的典型案例。该系统针对急性髓系白血病（AML）展开研究，通过深度学习模型分析数百万条生物数据，独立提出药物作用的假设，并筛选出5个候选化合物进入实验室测试。结果显示，其中3个化合物在细胞实验中表现出显著抑制白血病细胞增殖的效果；相比之下，传统AML药物的早期筛选往往需要3到5年，Co-Scientist的效率提升了近千倍。
FutureHouse的“Robin”系统则在黄斑变性治疗领域取得了进展。该系统整合药物数据库、疾病机制文献及临床研究数据，通过知识图谱技术识别潜在的药物-靶点关联，最终将青光眼治疗药物ripasudil定位为黄斑变性的潜在治疗方案。Robin将项目时间线缩短了200倍，若以传统同类项目平均200天的周期计算，它仅用一天就完成了核心分析，大幅降低了研发的时间成本。
这两款AI系统的核心技术逻辑，都围绕着主动学习框架展开。和传统被动式的数据分析不同，AI能够自主提出科学假设、设计实验路径、筛选候选化合物，并根据实验结果迭代优化模型。比如，Co-Scientist利用transformer模型预测化合物与AML相关靶点的结合亲和力，同时结合基因表达数据评估药物的细胞毒性；Robin则通过知识图谱整合多源异构数据，挖掘药物跨适应症的潜在疗效，减少了人工筛选的盲目性。
AI代理系统的应用给制药行业带来了深远影响。据麦肯锡2023年发布的《AI在药物研发中的价值》报告，AI可使药物发现阶段的成本降低30%至50%，失败率减少20%。此外，AI还能发现人类科学家难以察觉的药物-疾病关联——像Robin对ripasudil的跨适应症挖掘，就拓展了现有药物的应用场景，提高了医药资源的利用效率。
虽然AI的效率提升明显，但人类监督仍是不可缺少的一环。AI生成的数据可能存在算法偏差，需要人类科学家验证实验结果的可靠性；同时，药物研发需遵循伦理标准，比如动物实验的合规性、临床试验的患者权益保护等，这些都需要人类团队严格把控。例如，DeepMind的3个候选化合物仍需经过动物实验、药代动力学研究等临床前流程，才能确定是否进入临床试验阶段。
从行业最新动态来看，AI药物发现领域正加速发展。2024年3月，Insilico Medicine宣布其完全由AI设计的抗纤维化药物INS018_055进入临床II期试验，成为全球首个进入后期临床的AI原创药物；辉瑞、默克等制药巨头也纷纷与AI公司建立合作，比如辉瑞与BenevolentAI合作开发神经退行性疾病药物。在竞争格局上，IBM Watson Health近年调整了AI药物研发的策略，聚焦真实世界数据的应用；而新兴公司如Recursion Pharmaceuticals则通过高通量筛选与AI结合，在罕见病药物研发领域取得了进展。
快报