一个改变了制药业格局的蛋白质

2020年，DeepMind的AlphaFold2在CASP14蛋白质结构预测竞赛中一鸣惊人，将蛋白质结构预测的精度从"还可以"提升到了"接近实验精度"。当时，很多人认为这是一个"学术里程碑"，距离实际应用还很远。

六年后的2026年，这个判断被证明是错的。AlphaFold及其后续版本（包括AlphaFold3在2024年发布的多聚体预测能力）已经深度嵌入全球几乎所有大型制药公司的研发流程中。根据DeepMind在2026年披露的数据，全球超过200万研究人员使用了AlphaFold数据库，累计预测了超过2亿个蛋白质结构。这些结构数据正在被用来设计新药分子、理解疾病机制、优化候选化合物。

但真正改变制药业游戏规则的，不是AlphaFold一个工具，而是一整套AI驱动的药物发现流水线。

从"碰运气"到"精准设计"

传统药物发现的核心逻辑是"高通量筛选"——在数百万个化合物中逐一测试，筛选出可能有效的候选分子。这个过程就像大海捞针，成功率极低，且极其耗时。从靶点发现到临床前候选化合物确定，平均需要3-5年，花费数亿美元。

2026年，AI制药公司已经彻底改变了这个流程。以Recursion Pharmaceuticals为例，这家总部位于盐湖城的AI制药公司在2026年已经建立了全球最大的细胞显微图像数据库，包含超过1000万张细胞图像。通过AI分析细胞在不同化合物作用下的形态变化，Recursion可以在数周内完成传统方法需要数年的筛选工作。

更激进的是Insilico Medicine（英矽智能）。这家由华人科学家Alex Zhavoronkov创立的公司，在2026年已经将AI药物发现推进到了"端到端"阶段。2024年，英矽智能的AI设计药物ISM001-055进入II期临床试验，用于治疗特发性肺纤维化（IPF）。从靶点发现到临床候选化合物确定，整个过程仅用了18个月，花费约260万美元。而传统方法完成同样的工作需要4-6年和3000-5000万美元。

金句：AI制药不是在"加快"药物发现，而是在"重新定义"药物发现。

中国AI制药的崛起

2026年，中国AI制药赛道已经出现了多家估值超过10亿美元的独角兽。晶泰科技（XtalPi）在2025年港股上市，市值一度超过500亿港元，成为"AI制药第一股"。望石智慧、深势科技、星药科技等公司在各自的细分领域取得了突破性进展。

中国AI制药公司的一个独特优势在于：它们离CRO（合同研究组织）和CDMO（合同研发生产组织）更近。中国拥有全球最密集的CRO/CDMO产业集群（药明康德、康龙化成、凯莱英等），AI制药公司可以快速将AI设计的分子推向实验验证，形成"AI设计→CRO验证→AI优化"的快速迭代闭环。

AI能解决临床试验的失败率吗？

然而，AI制药面临的最大挑战不在临床前阶段，而在临床试验阶段。2026年，全球新药临床试验的成功率仍然只有约10%。也就是说，即使AI在临床前阶段将效率提升了10倍，90%的AI设计药物仍然会在临床试验中失败。

这个问题的根源在于：AI模型目前主要基于体外实验数据和动物模型数据进行训练，而人体是一个远为复杂的系统。AI可以预测分子是否与靶点蛋白结合，但很难预测这个分子在人体内会产生什么样的副作用、代谢途径是什么、对不同患者的疗效差异有多大。

2026年，一些AI制药公司开始尝试用"真实世界数据"来解决这个问题。通过分析数百万份电子病历、基因组数据和临床记录，AI正在学习"什么样的分子在什么样的患者身上有效"这一核心问题。但这仍然是一个漫长的探索过程。

金句：AI解决了"造钥匙"的问题，但"找锁"的问题仍然需要人类智慧和临床经验的结合。

结语：制药业的范式转移已经开始

2026年，没有人会否认AI正在改变制药业。但同样没有人会否认，AI制药仍然处于"早期阶段"。从AI设计分子到获批上市，目前还没有一个完整的成功案例。最接近的是英矽智能的ISM001-055，预计最早要到2027年才能完成II期临床试验。

但趋势已经非常清晰。当AI可以将药物发现的效率和成本降低一个数量级时，整个制药业的经济模型都会被改写。那些拒绝拥抱AI的制药公司，将在未来十年内被淘汰——不是因为它们做错了什么，而是因为它们的竞争对手做得更快、更便宜、更精准。