人工智能药物研发管线：机器智能时代从靶点发现到新药临床试验申请 (IND) 的全流程

“能够挽救千万生命的药物在物理上一直是可知的。分子存在，靶点存在，结合关系存在。我们之前只是缺乏寻找它的计算智能。而现在，这一限制已不复存在。” —— Zoirah 部门研究简报，2026年第二季度

00. 传输信息头#

安全密级 : 泰斯勒集团智库 // Zoirah 部门
研究领域 : 药物发现 / 计算生物学 / 医药人工智能 / 临床 AI
状态     : 活跃情报 — 已通过 SOP v2.0 验证
日期     : 2026.05.10
最新同步 : 2026.05.15
核心里程碑 : Rentosertib (英矽智能): 首个端到端 AI 新药完成 IIa 期临床 — 2025年
智能体弹性分数 : 84% (干实验置信度评分)
警报级别 : 高 — AI 药物研发正处于临床爆发拐点；投资窗口已激活

传统的制药研发是现代经济中效率最低的工业流程之一。在进入临床前测试的每 10,000 个化合物中，大约只有 10 个能进入临床试验——而在进入临床试验的这 10 个中，最终获得批准的还不到 1 个。每款获批药物长达 10-15 年的研发周期和平均 26 亿美元的成本（包括失败项目的分摊成本），反映出这个行业在历史上被迫使用从未针对如此庞大规模设计的工具去搜索几乎无限的化学空间。

人工智能并不仅仅是在对这一过程进行渐进式改进。它正在用一种根本不同的方法取代效率最低的组件：在以前无法想象的尺度上对分子空间进行计算探索，同时对结构生物学进行预测，其精确度在以前需要数十年的 X 射线晶体学研究。

这一转型发生的速度比大多数制药行业预期的要快，也比大多数 AI 公司宣称的要慢。2025 年 Rentosertib 的 IIa 期临床结果是第一个严格的临床证据，证明了端到端的 AI 研发管线——从靶点发现、分子设计、到临床前验证，再到临床概念验证——是完全可行的。整个行业都在密切关注。投资浪潮也随之而来。

01. 传统药物研发管线 —— 行业基准#

要理解 AI 的破坏性影响，首先必须绘制它正在重塑的传统流程：

AI 赋能的突破点：

• ▸第一和第二阶段（靶点发现与验证）： AI 分析基因组学、蛋白质组学和临床疗效数据，以识别和验证致病靶点——将耗时 2-5 年的漫长摸索压缩至数月。
• ▸第三和第四阶段（活性化合物筛选与先导优化）： 生成式 AI 直接设计具有高度预测性结合力、选择性和类药性质的全新分子——用计算机计算生成取代了数年的盲目物理筛查。
• ▸第五阶段（临床前研究）： AI 预测 ADMET 属性（吸收、分布、代谢、排泄和毒性），减少动物实验的需求，并帮助研发团队在早期识别并淘汰失败的候选分子。

02. AlphaFold 3 —— 结构生物学革命#

蛋白质折叠问题及其解决方案：

五十年来，结构生物学面临的核心挑战是从氨基酸序列中预测蛋白质的三维结构。结构决定功能——而药物结合位点本质上就是结构特征。X 射线晶体学和冷冻电镜可以确定蛋白质结构，但代价是每确定一个结构需要耗费数月甚至数年的时间。

• ▸AlphaFold 2 (2020年): 解决了单个蛋白质的结构预测问题，具有接近实验的准确度，该项突破荣获了诺贝尔化学奖。
• ▸AlphaFold 3 (2024年5月, Google DeepMind / Isomorphic Labs): 进一步将预测范围扩展到蛋白质与其他生物分子（DNA、RNA、配体小分子药物以及离子）之间的相互作用，为生成式药物设计奠定了高精度的生物数学模型。