药物研发
药物研发指从疾病机制研究出发,经过靶点确认、化合物发现与优化、临床前评价、人体临床试验,直至获得监管批准上市并开展上市后监测的完整过程。它是一项高度跨学科、长周期、高投入且高失败率的系统性工程,涉及分子生物学、药理学、药物化学、制剂学、毒理学、临床医学与法规科学等多个领域。
一款新药从立项到上市,通常要经历四个阶段:药物发现、临床前研究、临床试验与监管审批。药物发现阶段的时长弹性最大,短则两三年,长则十余年;临床前研究一般需要二至四年;临床试验需要三至七年;审批上市一至两年。合计往往在十年以上,投入数亿美元,而每年真正获批上市的新分子实体仅数十个。[1]这组数字解释了为什么制药业被形容为"以十年为单位思考"的行业。
"双十定律"的结构性成因
业界常用"双十定律"概括这一行业特征:十年时间、十亿美元投入,而成功概率只有一成左右。[2]三个"十"并非巧合,它们互为因果。长周期意味着专利保护期被研发阶段大量消耗,上市后可用于回收成本的独占时间有限;高投入意味着单个项目失败会拖累整个产品线;低成功率则迫使企业同时推进多个项目以分散风险,从而进一步推高总投入。
失败的分布并不均匀。大量项目在临床二期折戟,原因往往不是药物无效,而是无效于特定人群、或疗效不足以超越现有标准疗法。另一类失败来自安全性:肝毒性、心脏毒性等在临床前模型上难以充分暴露,直到人体试验才显现。还有一类失败来自商业判断——药物有效,但适应症人群过小,无法支撑开发成本。
从化学空间的角度看,问题的规模更为直观。潜在类药分子的数量被估计在10的60次方量级,而人类迄今合成并测试过的化合物只是其中极小一部分。传统研发要在这片空间里找到能精准命中靶点、安全有效、稳定可生产的分子,难度近似"在沙漠里找一粒特定的沙子"。[3]
靶点确认:从假说到数据驱动
靶点通常指与疾病发生发展密切相关、可被药物干预的分子,多为蛋白质或基因。靶点确认是整个链条的起点,也是最容易出错的一环——靶点选错,后续所有投入都将归零。传统路径依赖文献研读、病理观察与遗传学线索,再由研究人员提出假说并以实验验证,周期长且高度依赖经验。
数据驱动的方法改变了这一环节的效率结构。通过整合基因组、转录组、蛋白组与临床数据,算法可以同时分析千万级样本,识别与疾病高度相关的分子、可被药物干预的位点以及副作用较小的候选。[4]过去需要五到八年的靶点发现周期,在该模式下可压缩到六至十二个月。曾被长期视为"不可成药"的KRAS、NTRK等靶点取得突破,背后都有计算方法的深度参与。[5]
需要指出的是,靶点确认的加速并不等于成功率的等比例提升。计算预测给出的是相关性排序,最终仍需湿实验与遗传学证据支撑;一个在数据上"漂亮"的靶点,可能在生理条件下被代偿通路抵消。
分子发现与优化:两条技术路线
确认靶点之后是寻找能与靶点结合并产生预期生物学效应的分子。传统路径分两步:先通过高通量筛选从化合物库中淘出苗头化合物,再经多轮结构修饰优化活性、选择性、溶解度、代谢稳定性与安全性,得到候选化合物。
计算路径则把这两步部分前移。基于结构的药物设计利用靶点蛋白的三维结构,通过分子对接在虚拟空间中评估小分子的结合构象与亲和力;基于配体的方法则在缺乏结构信息时,从已知活性分子的共同特征出发构建药效团模型。二者的共同价值是把"合成—测试"的物理循环换成"计算—筛选"的数字循环,从而把实验资源集中在少数最有希望的分子上。
生成式模型的引入进一步改变了问题的提法:不再是从现有库中"挑",而是按约束"造"。这类模型学习海量文献、蛋白结构与分子数据,一次性生成满足活性、毒性、代谢、溶解性等多重约束的全新骨架,再通过模拟验证迭代。[6]其局限同样明显:生成模型容易产出"看起来合理但难以合成"的结构,因此可合成性约束与逆合成规划成为必备组件。
临床前研究与临床试验
候选化合物必须先在体外细胞与动物模型中完成药效学、药代动力学与毒理学评价,确认安全起始剂量后才可进入人体试验。临床前研究的核心矛盾是模型与人体的差异:小鼠的代谢通路、免疫系统与人类并不相同,许多在动物身上有效的分子在人体上失效或产生意外毒性。
临床试验分为四期。一期主要在健康志愿者中开展,评价人体安全性与药代动力学,确定耐受剂量,受试者通常为十几至二三十人;抗肿瘤药物因细胞毒性明确,常直接以患者为受试对象。二期在患者中初步评价疗效与安全性,为三期设计提供依据,规模数十至一百余人。三期是确证阶段,通常采用随机盲法对照、多中心设计,受试者数百至上千人,结果用于注册申请。四期是上市后研究,考察广泛使用条件下的长期疗效与罕见不良反应。[7]整个过程中,知情同意、伦理委员会审查与药物临床试验质量管理规范构成三道基本约束。
效率改进的现实样本
近年的产业实践提供了可核验的效率数据。英矽智能用于特发性肺纤维化的小分子抑制剂Rentosertib,从靶点发现到确定临床前候选化合物仅用18个月:先由靶点发现引擎锁定TNIK,再经生成化学引擎虚拟筛选与迭代优化,仅合成并测试不到80个分子即获得候选分子。[8]杭州德睿智药的口服减重药物MDR-001,从项目启动到临床前候选化合物仅8个月,19个月获得中美针对肥胖症和2型糖尿病的新药临床批件,四年半推进至三期临床,而同类药物传统研发周期往往需要八至十二年。[9]
据英国AI制药公司Exscientia的数据,计算方法已能把药物发现阶段的时间从平均四年半缩短至约13.7个月,压缩幅度接近四分之三。[10]国内亦有将苗头化合物发现周期从12至18个月缩短到1至3个月的概念验证项目。[11]
加速度的边界
效率提升主要发生在"发现"端,而"验证"端的物理规律无法被算法绕过:化合物必须被合成,药物必须在人体内被测试,安全性必须在足够长的观察期内被确认。因此业界普遍判断,研发总周期的压缩存在上限,人工智能更可能改变的是失败发生的时点——把失败提前到更便宜的阶段,而不是让失败消失。
另一个被低估的变量是数据。模型的预测能力取决于训练数据的质量与覆盖面,而药物研发领域的阴性结果长期缺乏公开,导致模型系统性地高估成功率。解决这一问题需要行业层面的数据共享机制,而这与商业保密存在天然张力。
在中国,药物研发的产业结构正在同步变化。创新药从仿制为主转向以临床价值为导向,抗体偶联药物、双特异性抗体、细胞与基因治疗等新模态成为研发热点,与之配套的药物发现、工艺开发、质量分析与临床研究服务链条也逐步完善。[12]这些变化并不改变药物研发的基本逻辑,但改变了参与者的构成与竞争的节奏。
参考资料
- ↑ 吃药吗?AI造的!,科普中国。
- ↑ AI制药如何守护人类健康?,科普中国。
- ↑ 让AI当分子建筑师:一文读懂生成式AI制药,新药研发的智能革命,科普中国。
- ↑ AI赋能医学精准研发:让新药与新技术不再"十年磨一剑",科普中国。
- ↑ AI赋能医学精准研发:让新药与新技术不再"十年磨一剑",科普中国。
- ↑ 让AI当分子建筑师:一文读懂生成式AI制药,新药研发的智能革命,科普中国。
- ↑ 四期临床试验,科普中国。
- ↑ AI主导设计的创新药何时上市,中国经济网,2026-11-05。
- ↑ AI主导设计的创新药何时上市,中国经济网,2026-11-05。
- ↑ AI制药如何守护人类健康?,科普中国。
- ↑ AI主导设计的创新药何时上市,中国经济网,2026-11-05。
- ↑ 解码国药智造:一家央企的生命健康创新答卷,新华网,2026-05-14。