AI制药的“下一场革命”？先看看赞助商藏了什么细节

当一篇被MIT TechReview冠以“赞助内容”标签的文章号称AI正在帮助科学家设计下一代药物时，我们是否应该先停下来问一句：如果AI真的这么强，为什么过去五年间，没有任何一个完全由AI发现的药物成功上市？

结论放在开头：AI在药物设计领域的实际价值被严重高估。当前绝大多数所谓的“AI制药”项目，本质上是将传统计算化学方法包装上深度学习外壳，再配上资本市场的叙事引擎。真正的突破还远未到来，而赞助商主导的内容只会让泡沫越吹越大。

---

1. 数据层面的天花板：物理世界不会凭空生成

AI模型的性能高度依赖训练数据的质量与规模。药物设计领域面临的核心问题是：

• 实验数据稀缺：一个候选分子的活性、毒性、代谢数据需要数月甚至数年的湿实验验证，公开数据集（如ChEMBL、PubChem）中的分子数量级在百万，但真正高质量的标注数据可能不足万条。
• 分布偏移严重：训练数据大多来自已知的靶点或化学空间，而新药研发恰恰需要探索未知区域。模型在已知分布上表现再好，面对全新骨架时也常常失效。
• 噪声问题：同一个化合物的活性数据在不同实验室、不同批次下可能相差几个数量级，这种噪声会被深度学习模型放大。

# 一个简单的例子：生成式模型在药物设计中的“幻觉”问题
# 假设我们用VAE生成新分子，模型学会了从潜空间解码，但无法保证生成分子的可合成性
# 实际项目中，超过70%的生成分子在合成化学家手里会被判定为“不可合成”
# 代码逻辑简化示意：
def generate_molecule(model, latent_vector):
    molecule = model.decode(latent_vector)  # 生成分子SMILES字符串
    if not is_synthetically_accessible(molecule):  # 可合成性评估
        return None  # 实际项目里这部分直接丢弃
    else:
        return molecule

关键结论：AI模型目前只能做“文献回顾”级别的预测，无法替代实验验证。没有高质量、大规模的实验数据，任何模型都只是空中楼阁。

---

2. 模型可解释性：一个被刻意回避的硬伤

药物研发的决策链条中，科学家需要理解“为什么这个分子有效”。而当前的深度学习模型（尤其是图神经网络、Transformer）几乎是黑箱。

• 即便模型预测某分子对靶点A有高亲和力，研究人员也无法知道是哪个化学基团在起作用。
• 当模型给出错误预测（比如高毒性却被识别为低毒性），调试成本极高。
• 监管机构（FDA、EMA）对AI辅助发现的药物持谨慎态度，因为缺乏可解释性意味着无法清晰追溯安全性漏洞。

[!note]
一个现实的对比：传统基于物理的分子对接（docking）虽然计算精度有限，但能给出明确的结合模式假设；而AI模型往往只能输出一个置信度分数，却无法解释为什么。在药物研发这种高风险领域，解释性缺失本身就是一种风险。

---

3. 临床转化率：AI帮不了的那90%

药物的真实成功率可以用一个残酷的统计数据说明：从临床前候选化合物到最终获批上市，成功率约为10%。AI能做什么？

• 它可以在早期筛选阶段提高命中率，但无法解决后期临床阶段的药代动力学、毒理学、副作用等问题。
• 大多数AI初创公司展示的“成功案例”都停留在计算模拟或细胞实验层面，距离人体试验还有至少三到五年。
• 即便在临床前阶段，AI的预测能力也远未达到“替代实验”的水平。2023年Nature发表的一篇对比研究显示，多个主流AI模型在预测ADMET性质（吸收、分布、代谢、排泄、毒性）时，平均相关系数仅为0.3-0.5。

当前AI制药的真实定位：一个辅助工具，相当于给传统药物化学家配了一个更快的搜索引擎，而不是革命性的新范式。

---

4. 赞助内容的陷阱：你看到的都是被挑选过的“好消息”

MIT TechReview这篇标注为“Sponsored”的文章，不可能提供负面视角。它必然会强调“AI帮助科学家加速发现”的正面案例，而忽略：

• 多数AI制药公司的管线中，进入临床阶段的项目屈指可数。
• 已进入临床的AI药物，很多是传统药物重定位（老药新用）或已知靶点的简单改造，并非AI的原创贡献。
• 资本市场上，AI制药公司的估值/现金消耗比极高，一旦融资环境收紧，泡沫破裂只是时间问题。

---

配图插入位置：放在这里，作为对AI

原文链接：How AI helps scientists design the next generation of medicines | MIT Technology Review