人体生物学极其复杂，使药物研发极具挑战性；然而，AI正在对整个流程进行端到端的重塑。
AI有望让药物研发中一些最困难的步骤变得更快、更智能，包括识别疾病靶点、生成新化合物以及预测安全性。
各界领袖齐聚2026年世界经济论坛年会，探讨AI及其他新兴技术的伦理应用将如何转化为应对现实挑战的解决方案。
如果您曾服用药物并感觉好转，那您已经体验到了一件非同寻常的事。人体生物学极其复杂。发现能够安全纠正生物学问题的药物极具挑战性。在生物制药研发中，一个项目可能跨越数年甚至数十年。我们设计并测试数以千计的化合物，若其中even只有少数能进入临床试验，便已感到幸运。
基于人工智能的方法正在重新定义这些概率。它并非一夜之间以数字方式凭空造出药物，而是让这一过程中一些最困难的环节变得更快、更智能，并且更不易失败。
借鉴诺华的工作经验，我想分享AI如何重塑药物研发中的三个关键步骤：识别疾病靶点、生成化合物和预测安全性。通过对整个流程采取端到端的视角，我们能够更深入地理解挑战所在，以及AI可在何处发挥最大作用。
跳出同质化竞争
药物研发通常始于某种疾病中的一种蛋白质，它正在做某些您希望加以改变的事情。也许它在癌细胞中过度活跃，或在心脏中功能紊乱。目标是设计一种化合物，以恰到好处的方式与该蛋白质结合，从而调节其活性。这第一步，即蛋白质靶点识别，正亟待AI带来变革。生物制药企业常常“扎堆”聚焦于同一批靶点，集中在癌细胞驱动因子或肥胖症食欲调节因子等领域，但要实现真正的突破，则需要新的靶点。扎堆”聚焦于同一批靶点，集中在癌细胞驱动因子或肥胖症食欲调节因子等领域，但要实现真正的突破，则需要新的靶点。
例如，常染色体显性多囊肾病（ADPKD）是最常见的遗传性肾病，其特征是囊肿不断增大，最终导致肾衰竭。近期，我们的团队利用大规模、AI驱动的模拟，系统性地在ADPKD细胞的数字模型中开启和关闭数千个基因，以探究其与该疾病的关联。与此同时，我们借助AI挖掘海量科学文献、人类遗传学数据以及数百万次单细胞实验的结果。
若没有AI，这一过程可能慢得令人难以承受；但借助AI，我们迅速识别出数十个基因候选靶点。随后，我们利用模拟疾病的培养皿中生长的肾脏类器官（即“微型肾脏”）开展湿实验验证。不到一年时间，我们便锁定了五个有前景的靶点，目前正推进对其进行进一步研究。AI与实验室实验相结合，帮助我们真正突破了传统方法未能攻克的难题。
生成式研发
下一步是设计能够作用于我们靶点的分子。这需要找到一种能够与蛋白质上特定口袋结合、并能改变其功能的分子。传统上，药物研发人员依靠蛮力筛选，从数千至数百万个分子中寻找少数有活性的分子，随后投入巨大精力进行优化。提升效力可能会破坏稳定性；修复代谢问题则可能引入毒性。我们需要同时权衡20至30种性质，包括结合能力、溶解性、脱靶效应、化合物在体内的持续时间等。
这正是从一个有前景的先导化合物发展为真正的候选药物往往需要数年时间的原因，也是生成式AI可能带来颠覆性变化的原因所在。借助生成式化学，可基于蛋白质结构进行合理设计新分子，利用数字化方法大规模筛选化学文库，并能同时优化多种性质。
以亨廷顿舞蹈症等神经退行性疾病为例。在一个项目中，我们确定了一种希望借助细胞内降解这一生物机制予以清除的蛋白质。此类分子被称为分子胶降解剂，因为它们能将目标蛋白质“粘附”到细胞的废物处理系统上。这为针对这一毁灭性疾病中原本无法成药的蛋白质提供了一种新途径。然而，要制造出可口服且能够到达大脑的降解剂，一直十分困难。
借助生成式AI，我们通过计算设计出1500万种潜在化合物，并建立了预测模型，用于评估脑渗透性等关键性质。我们没有合成数千个分子，而是在实验室中仅处理了约60个，最终获得了一种效力强、可透过血脑屏障的分子骨架，目前正推进进一步优化。
与许多企业一样，我们发现这一方法能显著缩短锁定候选药物所需的时间。这只是我们正在推进的一系列类似AI赋能项目中的一个例子，这些项目既在内部开展，也与Isomorphic Labs等合作伙伴共同推进。
安全性的精准把控
在手握候选化合物之后，我们接下来评估其安全性。诺华AI工作的基础资源之一是Data42，这是我们内部的数据湖，汇集了逾30年的临床和临床前研究数据。我们在清理和标准化历史数据方面投入了大量资源；尽管大家普遍关注算法，但数据整理工作实际上是AI最大的助推力之一。
借助Data42，我们能够快速查询数以千计的毒理学和临床研究。例如，某些类别的化合物与心律失常等心脏安全性信号相关。我们利用AI生成心肌细胞的活性图谱，并基于Data42的洞察，预测潜在的临床心脏毒性。随后，我们借助这些图谱对某临床前项目中的候选化合物进行计算分析。我们发现，对于一些原本颇具前景的分子，我们的模型预测其存在较强的心脏安全风险信号。我们在实验室中验证了这一预测，今后便可避开此类化合物。
在生物制药领域，决定何时终止项目可能是一项重大挑战，因此AI辅助的预测性安全模型显得尤为宝贵。它们能够加快研发进度、降低失败率，并减少对动物实验的依赖——这是监管机构和科学界共同追求的目标。借助AI和高质量数据，我们能够确保只推进那些最有可能安全且有效的候选药物。
现实检验
这三个步骤只是每种新药必须经历的漫长历程中的一部分。像我们这样的企业正在研发的各个环节广泛部署AI，不仅用于加速和改进药物发现，还涵盖临床试验设计、患者招募、监管文件编制等诸多方面。
AI并非万能良方。但在诺华，我们清楚地看到了其带来的益处，借助AI，分子的推进速度也在加快。与此同时，根本性挑战依然存在：人体生物学仍然极为复杂；将研究成果转化为精心设计的临床研究需要时间；对于许多疾病，我们仍需开展长期、严格的试验，才能真正了解其安全性和有效性。
AI所提供的，并非规避人体生物学复杂性的途径，而是以更智能的方式驾驭这种复杂性。通过优化靶点选择、分子设计和安全风险规避，AI正助力我们做出更好、更快的决策，从而为等待下一项突破的患者带来福音。
