2026-09-09 | 서지혜 기자

人人都能从数十亿候选物质中找出“成药”…AI改变新药开发

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

近来,在人工智能(AI)开发者社区“Hugging Face”上,正在进行一场任何人都可以利用AI提出新药候选物质的独特公开实验。上月15日以寻找疟疾治疗候选物起步的“开放发现挑战赛”,已扩大到结核病、恰加斯病和非麻醉性镇痛剂等4个领域。据运营方上月29日公布的统计,启动14天内已有108名参与者提交了9886个虚拟候选分子。参与者即使没有化学或药学专业背景,也可借助ChatGPT、Claude、Gemini等通用AI提出候选分子。提交分子结构后,另有计算模型会就其作用于疾病靶点的可能性、人体毒性、体内吸收与代谢、新颖性、可合成性等进行评估并排名。

当然,该项目与大学或制药企业开展的实际新药研发研究仍有距离。因为它并非真正合成所提出的候选分子或在细胞中验证药效,而是用另一套计算模型评估在计算机中设计出的分子。在计算中获得高分的候选物若要真正成为新药,还须在合成物质后通过细胞、动物实验验证药效与毒性,并通过以人为对象的临床试验。

海量可能性靠“AI”迎刃而解……2亿个蛋白质结构也可预测

尽管如此,这场实验之所以有趣,是因为AI正大幅降低新药开发第一阶段“探索”的门槛。AI在制造实际物质之前,可组合数百万至数十亿个虚拟候选物,推算其作用于疾病的可能性以及体内吸收、代谢等。在此过程中,先剔除可能性低的物质、找出更具实验价值的候选物以缩小研究对象,也是AI的职责。

这一变化的起点是谷歌DeepMind的“AlphaFold”。要制药,首先必须了解与疾病相关的蛋白质长什么样,因为药物作用于蛋白质的特定部位以阻断或改变其功能。过去,确认一个蛋白质的结构需要复杂实验,耗时数月甚至数年。但AlphaFold基于氨基酸序列用AI预测蛋白质结构,大幅缩短了这一时间。目前AlphaFold数据库已公开超过2亿个蛋白质的预测结构。得益于此,研究人员可以省去通过长期实验揭示蛋白质形态的过程,将AI的预测结果作为研究起点。

确定治疗靶点并提出新分子结构……向临床大步迈进

AlphaFold之后,近来AI新药开发竞争正从揭示“蛋白质长什么样”,进一步转向研究“以什么为靶点来制造治疗药物”的阶段。美国AI新药开发企业Recursion正用AI寻找“攻击什么才能治好病”。其方式是大规模拍摄经药物处理的细胞,由AI从影像中发现变化,从而发掘新的治疗靶点。Recursion与罗氏、基因泰克共同构建神经元及脑免疫细胞数据,以寻找神经退行性疾病的治疗靶点。

从DeepMind分拆出来的Isomorphic Labs则在确定治疗靶点后,用AI计算哪种物质会有效发挥作用。在实际合成大量化合物之前,先在计算机上比较候选物,以缩小到更具实验价值的物质。该公司还与礼来、诺华等全球制药企业共同开发新药。

生成式AI甚至能提出符合条件的新分子结构。AI新药开发企业Insilico Medicine利用生成式AI发掘并优化了抑制参与神经炎症的NLRP3的候选物质“ISM8969”。脑疾病治疗药物即便有药效,若无法通过血脑屏障(BBB)也难以使用。AI同时考虑作用于目标蛋白质的可能性与到达大脑的可能性等多重条件,缩小了候选范围。ISM8969已越过临床前阶段,今年进入首次对人给药的临床试验阶段。

Anthropic也加入……出现把“能成药”验证交给AI的项目

AI还通过执行研究人员的重复性工作,显著缩短新药开发所需时间。Anthropic近日公开了让通用AI“Claude”设计能与特定蛋白质结合的新蛋白质的实验结果。Claude反复执行多种专业设计与分析工具、分析结果并修改候选物。它针对15个靶点设计了1320个候选蛋白质,经外部生物企业实际验证,其中354个与目标蛋白质结合。15个靶点中有14个产出了能够实际结合的候选物。也就是说,研究人员此前反复进行的“工具选择→计算→结果分析→候选物修改”过程,部分由通用AI智能体承担,并直接给出可交付实际实验的候选物。

也出现了力图客观验证AI是否真能选出“能成药”的动向。国际项目“CACHE”向全球研究团队提出相同的治疗靶点,让各方用自己的AI或计算方法提交候选物质。随后在相同条件下对提交的物质进行实际实验,确认其是否切实作用于目标靶点。也就是说,比拼的不是计算数十亿个物质的速度有多快,而是从中挑出真正有效物质的能力有多强。在部分赛事中,最新AI并未总能压倒既有基于物理的计算方法,显示AI新药开发仍面临验证这道关卡。

阅读韩文原文