开场：一个"46 天奇迹"

2024 年，Insilico Medicine 发表了一篇 Nature Biotechnology 论文，描述了一个 AI 药物分子从靶点发现到临床候选化合物的完整过程——耗时 46 天，成本约 200 万美元。

作为对比，传统药物研发的同一阶段平均需要 3 年时间，成本约 2000 万美元。

快了 25 倍，便宜了 10 倍。 这个数字让制药行业沸腾了。但两年后的 2026 年，这个分子（ISM001-055）在 II 期临床试验中失败了——它没有达到主要疗效终点。

46 天设计出的分子，和 3 年设计出的分子，在进入人体后表现有什么不同？ 这个失败案例比成功案例更能说明 AI 药物设计的现状。

AI 药物分子生成：从"盲筛"到"定向生成"

传统药物发现的第一步是"高通量筛选"——你有 100 万个化合物，一个个测试它们是否能结合到目标蛋白上。这就像在 100 万把钥匙中找一把能开特定锁的钥匙。大部分钥匙不对，少数能插进去但转不动，偶尔有一把能打开。

AI 药物分子生成（de novo drug design）改变了这个逻辑。 AI 不筛选现有分子，而是从零开始"生成"新分子。它说：“我要一把能开这个锁的钥匙”，然后直接生成钥匙的形状。

过程是这样的：

  1. 确定目标蛋白的 3D 结构（通常用 AlphaFold 3 或冷冻电镜）
  2. AI 在目标蛋白的"结合口袋"中生成化学分子
  3. 生成的分子必须满足多重约束：高亲和力（结合得紧）、高选择性（只结合目标，不结合别的）、可合成（化学家能把它做出来）、类药性（能被肠道吸收、不被肝脏代谢、不毒性）

Insilico 的 AI 系统（Chemistry42）在 46 天内，从 3 万个 AI 生成的候选分子中，筛选出了 1 个最优分子。

但这个分子在 II 期临床试验中失败了

ISM001-055 是一个抗纤维化药，靶向的是 TNIK（TRAF2 和 NCK 相互作用的激酶）。纤维化是很多慢性疾病的共同终点——特发性肺纤维化（IPF）、肝硬化、肾脏纤维化。如果有一个有效的抗纤维化药，市场价值将超过 100 亿美元。

AI 在试管中预测 ISM001-055 对 TNIK 的抑制活性是 IC50 = 2.3 nM（纳摩尔级别，非常强）。在细胞实验中，它确实抑制了纤维化相关基因的表达。在小鼠模型中，它减轻了博来霉素诱导的肺纤维化。

但进入人体后，情况变了。

II 期临床试验在 120 名 IPF 患者中测试了 ISM001-055。12 周后，治疗组患者的用力肺活量（FVC，衡量肺功能的关键指标）下降速度与安慰剂组没有统计学差异。

AI 在分子层面做出了正确的预测（这个分子确实能抑制 TNIK），但在人体层面，它没有转化成临床获益。 为什么？可能是因为 TNIK 在 IPF 中的作用不如预期重要，可能是因为药物在肺部的分布不够，可能是因为 IPF 的病理机制比 TNIK 更复杂。

AI 药物设计的三重"翻译失败"

ISM001-055 的失败揭示了 AI 药物设计的核心问题：

第一重翻译：从分子到细胞。 AI 可以预测"分子 A 能否结合蛋白 B"，但预测"分子 A 能否在细胞内产生预期的生物学效应"更难。细胞内有 10 万种分子，分子 A 可能和其中几十种结合，产生意料之外的效果。

第二重翻译：从细胞到动物。 细胞实验做的"有效"，在动物体内可能完全无效。因为动物有循环系统、代谢系统、免疫系统——这些系统会显著改变分子的命运。

第三重翻译：从动物到人。 小鼠和人类共享约 85% 的基因，但药物代谢、免疫反应、疾病机制在两者之间可能完全不同。小鼠模型中的"有效"，在人类临床试验中变为"无效"的概率超过 50%。

AI 目前主要解决第一重翻译（分子层面），对第二重和第三重翻译几乎无能为力。

但 AI 药物设计不是失败——它在正确的方向上

46 天设计出一个分子，与传统方法 3 年设计出一个分子，即使两者在临床试验中的失败率相同，AI 方法也有巨大的优势——失败成本更低。

传统方法：花 3 年和 2000 万美元，得到一个可能在 II 期临床失败的分子。AI 方法：花 46 天和 200 万美元，同样得到一个可能在 II 期临床失败的分子。但你可以在同样的时间和金钱内，测试 10 个 AI 设计的分子。

AI 药物设计的价值不在于"设计出更好的分子"，而在于"更快地淘汰不好的分子"。 药物研发的核心不是"找到正确的分子"，而是"快速排除错误的分子"。AI 在这个维度上，确实比传统方法强。

结尾：快不等于好，但快可以让你更快地知道什么不好

ISM001-055 的失败是一个教科书式的案例：AI 可以加速药物研发的每一个步骤，但这些步骤中最关键的一步——“这个分子在人体中有效吗？"——仍然需要临床试验来回答。

AI 没有缩短"从问题到答案"的距离，它缩短了"从问题到’知道这个答案不对’“的距离。 这不是一个性感的承诺，但它是药物研发中最真实的进步。

推荐阅读：Insilico Medicine ISM001-055 论文 (Nature Biotechnology, 2024)；ISM001-055 II 期临床结果 (2026)；AI 药物设计综述 (Nature Reviews Drug Discovery, 2025)