失败越多-AI制药如何实现闭环-生成越多 (失败很多次)
从分析海量文献和数据,到生成候选分子、参与实验设计,人工智能正进入药物研发各个环节,过去高度依赖科研人员经验和时间投入的研发模式正在被重塑。
但前端效率提升,并不意味着成药率同步提高。9月13日举行的2026浦江创新论坛“未来医药创新论坛”上,多位专家谈到,随着候选分子数量快速增加,后续实验室验证和临床研究的压力也在上升。AI制药的价值不应只是生成更多分子,更要让这些“可能性”最终转化为惠及更多患者的新药。
论坛上,创新药物国家实验室体系—人工智能医药创新联合体启动,将推动临港实验室与科研院所、高校、企业、医院等加强协作,共同探索AI制药从计算、实验到临床的完整链路。
AI把新药研发前端“漏斗”做大了
中国科学院院士、中国科学院上海药物研究所研究员陈凯先表示,2025年我国批准的新靶点、新机制药品共11个,其中4个是国产创新药;2026年上半年,我国批准的新靶点、新机制药品共11个,全部为国产创新药,这说明我国药物研发正逐步具备向原始创新迈进的基础。
他说,AI介入新药研发后,首先改变的是研发前端的效率。过去需要科研人员耗费大量时间完成的文献检索、数据分析、分子筛选等工作,如今可由AI辅助完成。但陈凯先认为,AI的价值不能止于提高既有流程效率,更在于未来能否助力科学家发现新的疾病机制、药物靶点和新药。
“AI触达制药行业真正价值翻倍、重构制药新范式的节点远未来到。”不少与会专家谈到,目前AI制药仍面临高质量数据稀缺、算法可解释性不足、湿实验验证成本高等问题。只有真正打通“AI计算—自动化实验—数据回流—模型再优化”的循环,AI制药才可能从发现更多可能,进一步走向研发流程的重构。
清华大学药学院创始院长丁胜在报告中提出一个令人警醒的观察:AI生成分子的速度越来越快,但药物研发后续环节的失败率并没有随之下降。相反,“生成得越多,失败的越多”,AI效率提升背后,可能意味着更多需要验证的假设和更大的资源消耗。
因此,在他看来,AI越快,科研人员越需要重新思考哪些事情值得“慢下来”做,比如加强对疾病机制的认识,寻找新的治疗概念、新的药物靶点和新的技术路径。
上海国投科创产业研究院人工智能中心总经理张宣认为,AI可以快速从已有数据中提取规律、生成新方案,但如果数据本身存在缺失、偏差或噪声,AI并不能自动弥补这些问题。前端生成能力越强,对后续筛选和验证能力的要求也越高。如何让更多候选分子经过有效筛选和实验验证,真正走到临床,成为AI制药下一阶段必须解决的问题。
数据质量决定AI能走多远
生物医药领域复杂度高、容错率低,AI要真正进入药物研发,投喂足够多、高质量的临床数据是绕不开的一环。
医渡科技政医事业部高级副总裁袁芳表示,当前新药研发需要的不只是海量数据,更是高质量、标准化、能够持续反馈并覆盖全生命周期的临床数据。从诊疗、影像到用药反馈、长期随访,这些信息分散在不同环节。不同大型三甲医院可能有上百个业务系统,数据标准并不一致;持续采集患者在院外3至5年乃至更长时间的随访数据,更是一项难题。
对源头创新而言,所需数据要求更高。临港实验室数据科学中心首席科学家陈荣华表示,应通过全国优势医学力量协作,尽可能获取真实的人类生物样本和疾病数据,再结合AI等技术深入理解疾病机制,并进一步优化临床试验。
但临床数据不会自动变成研发资源。不同机构间的数据共享,还涉及标准、治理、合规以及患者授权等问题。尤其是长期随访,除了技术上的持续采集,还需要有让患者愿意长期提供数据的机制和平台。如何把分散在不同机构的数据、样本和研发能力连接起来,也是此次人工智能医药创新联合体成立后需要探索的问题。
展望未来三到五年,恒瑞医药人工智能辅助药物发现负责人韩涟漪认为,AI将越来越普遍地进入药企研发流程。但评价AI是否真正改变药物研发,不能只看生成了多少分子、节省了多少时间,更应看它是否提高了研发成功率,是否带来了更好的临床效果,以及最终是否让患者获益。
AI制药,产业化开启|新质生产力之AI制药篇
AI制药产业化进程加速,但前路仍面临挑战,生态闭环初现雏形。 近年来,医药行业因专利药到期、集采、医药反腐等因素承受巨大压力,而生成式AI的突破为行业带来变革契机,AI制药成为多方关注的焦点。
AI制药产业化已开启,但技术、数据、竞争和监管仍是主要挑战。 通过生态合作与政策规范,行业有望在未来十年实现突破,成为医药工业的重要引擎。
又一家公司宣布确认PCC,AI制药全面迎来技术验证新阶段
星药科技宣布确定新型治疗自身免疫性疾病的临床前候选化合物(PCC),标志着AI制药行业进入技术验证新阶段,其技术闭环与行业趋势如下:
一、星药科技技术闭环的达成与验证 二、AI制药行业的技术验证新阶段 三、星药科技的战略规划与行业展望 四、AI制药的渐进式变革与挑战总结:星药科技确定PCC标志着AI制药技术闭环的完成,行业进入以实际成果为导向的技术验证阶段。 随着管线推进、资本支持、药企合作深化及复合型人才涌现,AI制药有望在短期内完成规模化扩张,长期挑战高难度靶点,最终推动行业爆发。
ai4s在制药领域应用
AI4S(AI for Science)在制药领域的应用广泛且深入,主要体现在缩短研发周期、提升效率、构建智能闭环、优化设计筛选、推动产业变革及市场潜力释放等方面。
1. 缩短研发周期与降低成本AI技术通过自动化筛选和数据分析,将药物发现及临床前研究时间缩短近40%,临床试验阶段时间减少50%-60%。 例如,全球制药行业每年可节省超500亿美元研发成本,包括260亿美元的化合物筛选费用和280亿美元的临床试验费用。 这种效率提升显著降低了新药研发的财务门槛,加速了药物上市进程。
2. 提升研发效率与创新空间AI通过数据交叉比对、加速筛选和从头生成分子设计,突破传统研发模式限制。 在细胞培养领域,AI4S分析细胞代谢数据与成分相互作用规律,精准预测培养基配方优化方向,大幅提升蛋白表达量并降低生产成本。 这种数据驱动的方法为药物创新提供了更广阔的化学空间探索可能。
3. 构建智能闭环新范式AI4S以机器学习、知识推理和自动化技术为核心,构建“假设生成—实验验证—理论迭代”的智能闭环。 在生物制药中,这一范式推动科研从“经验驱动”转向“数据驱动”,例如通过“预测-验证-迭代”循环优化药物设计流程,减少人为偏差。
4. 优化药物设计与筛选生成式AI(GenAI)结合多参数优化(MPO)、人类反馈强化学习(RLHF)等技术,系统性探索化学空间,设计出易于合成且具备理想药效的分子。 AI4S还能通过自动化合成与预测模型,生成符合治疗需求的“美丽分子”,显著提高候选药物质量。
5. 推动产业变革与突破AI4S重构了生物制药底层逻辑,破解传统研发周期长、成本高的痛点。 例如,奥普迈通过AI4S布局,在培养基研发和细胞株构建等关键环节实现突破,提升研发效率与生产效益,构建技术护城河。
6. 市场空间广阔截至2024年,AI驱动的临床前管线占比已达50%,总管线占比10%,且增速是行业整体的两倍。 随着技术成熟,AI制药有望迎来多轮爆发式增长,成为行业核心驱动力。
本文地址: https://24z.5slw.cn/article/3547.html




























