AI 如何助力科学家设计下一代药物
设计和开发一种新药是一项昂贵且容易失败的科学挑战。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，大多数候选药物最终也无法惠及患者。对于生物药（由工程蛋白而非合成化学制成的疗法，常用于治疗大多数主要急慢性疾病）来说，其复杂性甚至更高。科学家们探索大量可能的分子，寻找那些能够结合正确靶点、在人体内保持稳定并可规模化生产的稀有分子。
如今，AI 正在加速这些过程，并迅速成为制药研发基础设施的核心组成部分。AI 辅助设计正逐渐成为开发生物药候选药物的重要方式，而像阿斯利康这样的公司正在积极建设其工程团队以推动这一进程。
“我们做的每一件事，无论是设计、制造、测试还是分析，现在都得到了计算增强，”阿斯利康研发高级副总裁兼生物制剂工程与肿瘤靶向发现负责人 Puja Sapra 表示。“周期正在缩短，而生产力和创新却在提高。”
Sapra 解释说，阿斯利康的方法遵循“构建-测量-学习”循环。AI 以计算方式生成或优先排序候选分子，预测哪些设计最有可能成功。科学家随后将实验室资源仅集中在排名靠前的候选药物上。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，并能够针对以前被认为无法通过药物治疗的疾病靶点。
由于可能的分子组合数量远超任何人类团队所能系统探索的范围，因此利用 AI 来缩小和优化测试选项已成为生物药设计中的一个主要焦点。
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。传统生物药通常只针对一条疾病通路。而下一代药物可以同时击中多个靶点，或将治疗有效载荷精确递送到特定细胞。实现这一点需要同时优化多个变量。
展望未来，AI 驱动模型可以帮助设计这些日益复杂的多特异性生物药，Puja Sapra 解释道。“例如，我们可以设计一种分子，它能同时结合肿瘤细胞和免疫细胞，将免疫细胞重定向到肿瘤部位。这涉及优化多个结合位点、稳定性以及可制造性——AI 非常适合处理这种多维度的优化问题。”
从预测到生成
早期应用主要集中在预测现有分子的属性，但生成式 AI 正在开启新的大门。现在，模型不仅可以评估候选药物，还可以从头设计全新的蛋白质结构，以满足特定的治疗要求。这种从“预测”到“生成”的转变有望进一步扩大生物药设计空间。
然而，挑战依然存在。AI 模型需要高质量的训练数据，而生物数据可能稀缺且有噪声。此外，AI 预测必须通过实验验证，将计算模型与真实世界表现联系起来仍然是一个关键瓶颈。
尽管如此，该领域的势头强劲。随着计算能力的提升和算法改进，AI 有望在药物发现中发挥更重要的作用——不仅降低成本和时间，还能解锁以前无法企及的治疗可能性。
