阿斯利康利用AI生成并对蛋白质候选进行排序，将模型与实验和机器人技术相结合，缩短生物药发现周期。🧬🤖

#HealthCare #Data #AINews #AI

https://t.co/ltb0ndeI71

AI如何帮助科学家设计下一代药物

来源：https://www.technologyreview.com/2026/07/23/1140346/how-ai-helps-scientists-design-the-next-generation-of-medicines/ 设计和开发一种新药（https://pmc.ncbi.nlm.nih.gov/articles/PMC12298131/）是一项昂贵且容易失败的科研挑战。https://pmc.ncbi.nlm.nih.gov/articles/PMC12298131/ https://www.nature.com/articles/nrd.2016.136 一种新药可能需要多年时间才能开发出来，并需要大量投资。即便如此，大多数候选药物永远无法惠及患者。对于生物药——由工程蛋白而非合成化学制成的疗法（通常用于治疗大多数主要急慢性疾病）——其复杂性甚至更高。

科学家们会探索海量可能的分子，寻找那少数能够与正确靶点结合、在人体内保持稳定，并能大规模生产的分子。如今，AI正在加速这些过程，并迅速成为医药研发基础设施的核心组成部分。

AI辅助设计在生物药候选药物的开发中正扮演越来越重要的角色，像AstraZeneca这样的公司正在积极组建工程团队来推动这一进程。AstraZeneca研发生物制品工程与肿瘤靶向发现高级副总裁兼负责人Puja Sapra表示：“我们所做的一切，无论是设计、制造、测试还是分析，现在都得到了计算能力的增强。周期正在缩短，而生产力和创新却在提升。”

Sapra解释说，AstraZeneca的方法遵循“构建-测量-学习”循环。AI通过计算生成或优先排序候选分子，预测哪些设计最有可能成功。然后，科学家只将实验室资源集中在排名最高的候选上。这带来了更紧密的反馈循环，减少了死胡同，加快了迭代速度，并使得科学家能够攻克以前被认为无药可治的疾病靶点。由于可能的分子组合数量远超任何人类团队能够系统探索的范围，利用AI来缩小和优化测试选项已成为生物药设计中的一个重点。

应对复杂的药物设计难题

除了加速时间线，AI还被应用于发现全新类别的药物。传统生物药通常针对一条疾病通路。下一代药物可以同时击中多个靶点，或精确地将治疗载荷递送到特定细胞。要实现这一点，需要同时优化多个变量。Puja Sapra解释说，展望未来，AI驱动的模型可以帮助设计这些日益复杂的多特异性生物药。她接着说：“例如，这类模型可以根据潜在生物学机制帮助确定优先考虑哪两个或三个靶点，然后跨多个参数进行优化，以平衡分子的效力、稳定性、可制造性和安全性。”“靶向不可成药靶点正在成为现实，”Sapra说。“这些技术最终将使我们能够针对曾经被认为无法触及的靶点开发药物。对患者的潜在益处是巨大的。”

数据护城河

McKinsey估计（https://www.mckinsey.com/industries/life-sciences/our-insights/generative-ai-in-the-pharmaceutical-industry-moving-from-hype-to-reality），生成式AI与其他计算工具相结合，可以将药物发现时间线缩短多达50%。但每个AI模型的质量都取决于其训练数据。在药物发现中，这意味着需要大量高质量的生物学数据。实验可以提供丰富的数据来源。无论成功还是失败，每个实验都会产生关于什么有效、什么无效的信号。

“数据是我们的差异化优势，”Sapra说。她解释说，公司的数据集是专有的、多模态的，包括分子结构、结合测量、安全性特征和制造结果。“我们建立了覆盖多个疾病领域和药物类型的有意多样化的组合。所有这些数据使我们能够用更丰富、更具代表性的训练集来微调前沿AI模型。”她继续说，“此外，我们投资了深度筛选技术，以生成所需的大量额外数据集，用于不断改进和验证我们的模型。”

构建自主发现引擎

为了将所有数据汇集到一个地方，AstraZeneca正在马萨诸塞州剑桥市的Kendall Square建设一个所谓的“未来实验室”设施，AI和机器人自动化将能够在那里形成一个连续的闭环发现系统。Sapra解释说：“自动驾驶汽车使用传感器和模型来导航环境，而这个系统使用AI进行预测，使用机器人系统执行实验，使用仪器生成数据。”这些数据直接反馈到模型中，加速后续的每个循环。

她补充说：“在整个过程中，科学家仍将是核心，他们提供监督、判断和战略方向，以确保输出是可解释的、可耐受的，并指向潜在的患者获益。”

最终，自动化高通量系统将能够每周制造和评估数千种分子相互作用。Sapra说：“这将以前所未有的规模生成即用型AI数据，这是传统工作流程无法比拟的。机器人样品处理、自动化质量检查和集成数据管道也有望显著加速早期药物开发时间线。”

下一个前沿：从零开始生成药物

Sapra说，最终，AI在生物药发现中的终极愿景是该领域所谓的“从头设计”（de novo）。为此，目标是让AI生成全新蛋白质序列，精确匹配所需的药物属性。这包括设计结构、预测安全性、预测其在体内的行为以及如何实现可制造性。

Sapra说：“该领域正在朝着完全由AI生成的生物药取得巨大进展，从零开始设计直至临床候选药物。随着我们继续利用前沿模型并用正确的数据集对其进行微调，我们正越来越接近这一现实。我相信它会到来，只是时间问题。”

然而，要实现这一点，还需要几个关键要素。首先是整个行业更丰富、更标准化的训练数据。其次是针对AI生成候选药物的稳健评估基准。第三是懂得如何在机器学习和生物学的交叉领域工作的团队。Sapra说，在所有先决条件中，安全性预测可能是最重要的，也许也是最少被讨论的。

Sapra解释说：“从头设计中最难的问题之一是预测计算生成的分子在人体内是否安全。”AstraZeneca正在通过所谓的虚拟临床试验来应对这一挑战。这些是先进的细胞系统和微尺度器官模型，作为物理测试平台，并辅以从它们输出中学习的AI。

Sapra补充说：“这些系统有潜力在不受传统测试瓶颈限制的情况下产生增强的生物学信号，它们是连接AI生成设计与临床候选药物之间闭环的关键缺失环节。”

目前正在进行的一个转变是向智能体AI（agentic AI）系统迈进，这些系统可以同时生成候选分子并预测其可能具有的有效性和安全性。这些自主工作流可以将疾病层面的洞见直接连接到分子设计，连接起以前相互分离的数据孤岛。Sapra总结道：“生物学的复杂性与分子的设计相辅相成。”

人才释放AI潜力

生物药领域正在发生的变革不仅仅是技术问题。Sapra说：“随着更多自主系统的出现，人类监督仍然是这种方法的核心——确保AI可解释且合乎伦理，以造福患者。”

对科学家来说，与AI合作是一个协作过程。她说：“科学家将与这些模型系统携手合作。未来将有一个世界，模型设计分子，然后科学家与系统合作测试这些分子并将所有数据汇总在一起。”通过这种人工检查、平衡和判断的过程，模型将不断演化并持续改进，最终有潜力造福患者。

对于工程师来说，设计和构建适合人机协作的有效系统将意味着确保高水平的模型透明度和可解释性。据Sapra介绍，AstraZeneca的工程团队包括数据科学家、自动化专家和AI工程师，他们正在开发充当“思考伙伴”而非黑盒的系统。她补充说：“工程师正在设计能够快速生成、验证和学习的系统。这些问题确实很难：多模态数据融合、闭环优化、不确定性量化以及临床决策点的可解释性。”

Sapra说，在应对这些技术挑战时，工程师和科学家有机会为许多疾病的潜在改变生命的疗法的研发做出贡献。“我们今天能开发的生物药，以及我们明天将设计的药物，取决于将世界一流的AI和工程人才与深厚的科学专业知识相结合。”

本文由AstraZeneca发起并资助。Z4-85058，2026年7月。

本内容由MIT Technology Review定制内容部门Insights制作。并非由MIT Technology Review编辑团队撰写。由人类作者、编辑、分析师和插画师进行调研、设计和撰写。这包括调查问卷的撰写和调查数据的收集。可能使用的AI工具仅限于经过全面人工审核的辅助制作流程。