AI 与制药业：靶点发现、分子设计与临床试验的提速账

痛点：十年十亿美元的研发账本

新药研发是所有行业里失败率容忍度最高、单次失败代价也最高的生意。「双十年」的通俗说法——十年周期、十亿美元量级投入——虽是多年前的估算口径，方向仍然成立：大量候选分子倒在临床前与临床的各个阶段，一款成功上市的新药要背负整条失败管线的成本。研发端的核心痛点有三个：靶点选择如同押注，选错靶点，后面所有投入都归零；化学空间的探索近乎无限，候选分子的合成与筛选靠人海战术与运气；临床试验又贵又慢，患者招募是最耗时的环节之一，试验设计的失误动辄让整个项目作废。

这套账本的残酷之处在于回报的后置：研发投入在前十年持续流出，收入在后十年逐步兑现，中间隔着专利悬崖与竞品风险。所以制药业对任何「缩短周期、提高命中率」的技术都有天然的渴求，但也因为验证周期太长，行业对新技术的采纳历来谨慎——AI 是这个谨慎行业里最新的一次豪赌。与《AI 与医学影像》一篇的分工：那篇讲诊断端「帮医生看得更准」，本篇讲研发端「帮药企造得更快」，两端的技术栈与商业逻辑几乎完全不同。

把账本再拆细一层：研发投入里相当一部分流向了实验与外包——化合物合成、筛选试验、临床执行大量由 CRO（合同研究组织）承接，药企自己掌握的是靶点假设、管线决策与注册能力。这个结构意味着 AI 的渗透路径不止「进药企」一条，CRO 的实验与数据环节同样是 AI 提效的现场，甚至因为 CRO 服务多家客户、数据多样性更强，反而是 AI 工具更容易规模化复制的场景。

AI 切入点：三段改造研发流水线

靶点发现与蛋白结构：AlphaFold 时刻

蛋白结构预测是 AI 进入制药的标志性事件——深度学习把结构解析从「数月到数年」的实验流程压缩到「数分钟到数小时」的计算预测，公开的结构预测数据库把这类能力开放给了全球研究者。结构是理解功能的起点：知道靶点蛋白长什么形状，药物设计才有坐标系。再往前一步，文献挖掘与组学数据分析帮助研究者从海量生物数据里筛出更值得押注的靶点，把「拍脑袋选题」部分变成「数据驱动的选题」。AlphaFold 类突破的意义不在替代实验，而在给实验指路：计算先划出高概率区域，实验再去验证。

结构预测之外，科学基础模型的野心更大：把蛋白、核酸、小分子、细胞状态放进统一模型学习的尝试在推进，目标是让模型学会「生物学的通用语言」。这类工作的进展难以预测，但方向已经明确——制药 AI 的终点不是「更好的筛选工具」，而是「可计算的生命系统」。离终点还有多远没人知道，但每前进一步，研发端可计算化的范围就扩大一圈。

分子生成与性质预测：化学空间的导航仪

传统药物化学靠经验合成与高通量筛选，命中率有但盲目。生成式模型可以按一系列要求——活性、选择性、可合成性、安全性——在化学空间里直接生成候选分子；性质预测模型则在合成之前先估计吸收、毒性、代谢等关键指标，把注定失败的分子提前淘汰。行业里这类能力被概括成「设计—制造—测试—分析」的迭代闭环，AI 的作用是让每一轮迭代的命中率更高、周期更短。湿实验实验室与算法团队的协同（行业俗称干湿闭环）正在成为这类公司的标准配置。

更进一步的想象空间在自动化实验室：算法设计分子、机器人合成与测试、数据回流训练模型，整条「设计—制造—测试」闭环可以无人值守地转起来。多家公司已经在建设这类自动化设施，它把药物化学从手工作坊的形态推向工厂形态。当然，闭环的难点不在硬件而在数据质量——机器人产生的数据要能干净地回流训练，实验条件、结果、记录的标准化是脏活累活，但正是这些脏活构成真正的壁垒。

临床试验：招募、设计与运营

临床试验占研发成本的大头，AI 的切口有三个。患者招募：从合作医院的病历数据里匹配符合入排标准的患者，把动辄数月的招募周期压短，这对罕见病与肿瘤试验尤其关键。试验设计：用历史试验数据优化剂量选择、入组人群与终点设定，减少设计失误。试验运营：预测受试者脱落率、自动监查数据异常、整理真实世界证据。临床试验的数字化程度远低于研发前端，这块的改造空间大，但牵涉医疗体系的配合，推进最慢。

值得一提的是试验数据的二次利用：历史临床试验产生的海量数据（包括失败试验的数据）被挖掘出新的价值——为后续试验的剂量与人群设计提供参照、为监管沟通提供证据支持。失败数据的价值正在被重新定价，这是 AI 带给研发文化的一个安静的变化：失败不再只是沉没成本，而是训练语料。

落地现状与典型案例

当前的格局可以概括为「药企出题、AI 公司解题、CRO 做桥梁」。大型药企普遍与 AI 制药公司建立了合作管线，合作范围从早期靶点发现到临床前候选分子筛选不等；AI 制药公司则分成两种活法——一部分转型自研管线，自己做药，风险与估值都更高；一部分坚持技术服务，收首付款与里程碑款，现金流更稳。CRO 作为承接药企研发外包的产业，也在把 AI 塞进自己的实验与数据服务里，成为技术落地的现实通道。合作的形式因此比外人想象的更细：有按靶点合作的联合开发，有按里程碑付款的管线授权，也有药企直接入股 AI 公司锁定产能——形式越多样，越说明双方都还在摸索可持续的分工方式。公开可见的里程碑是若干由 AI 深度参与设计的候选分子进入了临床试验阶段，但「进入临床」与「成药上市」之间仍隔着漫长的验证，行业普遍保持「提速可见、颠覆未至」的判断——AI 改变的是研发效率的斜率，不是药物研发的基本规律。

监管侧的态度可以概括为「谨慎开放」：AI 用于内部研发提效普遍被接受，涉及监管申报的证据链则要求可解释、可验证，纯黑盒结论难以直接过关。各主要监管机构都在跟进 AI 辅助研发的指导原则，口径尚在演进之中。

国内的生态也值得单独看一眼：AI 制药公司、传统药企与高校实验室之间的合作网络在成形，部分公司通过对外授权管线把研发成果卖给跨国药企，这类交易被市场当作 AI 研发能力的硬验证——管线值不值钱，看有没有人为它付里程碑款。同时，国内在化学与药学人才供给、CRO 产业密度上的优势，为「算法加实验」的闭环提供了土壤，这是比模型能力更难复制的结构性条件。

经济账与阻力

经济账的核心是「缩短的周期与提高的命中率能不能覆盖投入」。价值公式很清晰：临床前每提前一个月，专利有效期内的销售窗口就多一个月；临床成功率哪怕提高几个百分点，整条管线的期望价值都会显著改观。问题在于兑现路径太长：AI 管线要等真实的临床数据回传才能自证，这注定是十年尺度的故事，而资本市场的耐心以季度计——「AI 制药」叙事的热度波动直接影响这类公司的融资节奏与现金流管理，几年间已经历了一轮预期的高涨与回落的完整周期。

阻力还有三处。其一，数据私有：药企的高价值实验数据不会公开，仅靠公开数据训练的模型成色存疑，数据护城河与模型能力互相牵制，谁能闭环「算法—实验—数据」谁才真有壁垒。其二，人才与组织的错位：懂 AI 的不懂药、懂药的不懂 AI，跨界团队的磨合成本高，药企内部 AI 团队与研发体系的融合比引进工具难得多。其三，验证的成本与耐心：湿实验验证一轮计算的周期以月计，这类公司要在「跑通管线证明自己」之前活下来，商业模式的选择（收服务费还是押管线）就是生死选择。

从更长的尺度看，这门生意的终局问题只有一个：AI 参与设计的药能不能以更高的成功率通过后期临床。在那一天到来之前，行业的一切热闹都是中间态——融资、合作、管线推进都是过程指标，只有临床试验的成功率是结果指标。成熟的观察者会同时盯两类数据：一类是管线数量与融资额这类热度指标，一类是临床各阶段的通过率这类质量指标，热度决定短期估值，质量决定长期价值。

给从业者的观察清单

• 分清商业模式：自研管线型公司赌的是药，技术服务型公司赌的是效率，估值逻辑完全不同，别混为一谈。
• 盯临床进度而非合作公告：合作签约是新闻，候选分子进入临床、拿到中期数据才是里程碑。
• 看数据来源：只有公开数据训练的模型，在药企眼里价值有限；有独家实验数据闭环的公司更稀缺。
• 看湿实验能力：纯算法公司正在补实验室，干湿闭环是行业共识方向，没有实验能力的团队话语权在下降。
• 盯监管口径变化：AI 参与的证据何时、如何被监管接受，是行业最大的外部变量，也决定申报材料的写作方式。

小结

制药可能是 AI 落地里最「慢热」也最值得等的行业。它不缺叙事，缺的是临床数据的最终裁决。蛋白结构预测已经改变了研究者的日常工作方式，分子生成把化学探索的效率抬升了一个量级，临床试验端的改善则最为缓慢——因为它的瓶颈一半在技术，一半在医疗体系本身。判断这个行业的进展，不看发布会，看管线里有多少分子真的走到了临床后期。

还有一个容易被低估的溢出效应：AI 制药沉淀的方法论正在外溢到更广的生命科学——疫苗设计、酶工程、新材料、农药化肥，蛋白设计与分子生成的工具箱对一切「分子生意」通用。制药是这个工具箱要求最高、验证最严的测试场，它跑通的东西会被更便宜、更快地复制到相邻行业。所以即便你不关心医药股，这个行业的进展也值得看一眼——它在替所有分子行业试错。

与医学影像篇对照着看会更清楚：影像 AI 卖给医院是「工具采购」，回本快、争议小、验证周期以年计；AI 制药是「研发赌注」，回报周期以十年计，但一旦成药，改变的是整个疾病治疗格局。两个赛道共享「深度学习」这个标签，商业逻辑却处在光谱的两端。

给读者带走的一句话：AI 制药当前的确定性成果是「效率」——靶点研究更快、分子设计更准、实验更少走弯路；而不确定的成果是「成药」——最终仍要由生物学与临床试验说了算。把这两件事分开，就不会被任何一轮融资新闻或破产新闻带着走。对这个行业的合理预期是：AI 不会让新药变便宜十倍，但会让同等预算下的管线成功率稳步抬升，这已经是了不起的复利。

给不同读者的落点也不同：投资人看管线质量与现金流结构，从业者看干湿闭环的团队配置，观察者看临床成功率的长期曲线。这个行业不奖励短跑，奖励的是能在漫长验证期里持续活着、并且持续积累数据的人。