当前，人工智能（AI）在药物研发中的应用，已从文献检索、数据分析和单一模型预测，扩展到靶点发现、分子设计、虚拟筛选、非临床安全性评价、CMC（化学、制造和控制）工艺开发、临床研究、实验室数据治理及监管资料组织等关键环节。硬件算力、多源数据、基础模型、自动化实验平台以及医药产业数智化转型，共同推动AI药物研发从“单点提效”走向“多场景协同”。

从实际药物研发流程看，AI的价值不只是让某个环节“算得更快、筛得更多”，而是推动研发数据、模型判断、实验验证、质量管理和监管沟通形成更紧密的连接。医药行业的关键问题已不再是“能不能用AI”，而是如何让AI深度嵌入真实药物研发场景，形成可信、可复核、可管理的研发支撑能力。

场景一 精准靶点识别与筛选

英国BenevolentAI在新冠疫情早期的工作，展现了AI在快速靶点识别和药物再利用中的价值。该公司利用知识图谱推理平台，分析病毒进入宿主细胞所需的调控节点，如AAK1/ GAK等，并提出已上市JAK抑制剂巴瑞替尼（baricitinib）可能通过抑制相关宿主激酶、调节JAK介导的炎症信号，来降低SARS-CoV-2感染及重症炎症反应风险的观点。2020年，美国国立卫生研究院主导的ACTT-2随机对照试验验证了巴瑞替尼联用瑞德西韦的疗效；同年11月，美国食品药品管理局（FDA)授予该联合方案紧急使用授权。2022年5月，FDA正式批准巴瑞替尼用于治疗需要补充氧气、无创/有创机械通气或ECMO的住院成人COVID-19患者。

这一案例表明，在突发公共卫生事件中，AI能够大幅缩短从多源证据整合到可验证假设形成的时间，高效衔接靶点发现、药物再利用与临床验证环节。虽然临床试验与科研实证仍是最终决策的基础，但AI已经成为早期靶点假设生成、候选药物优先级排序的重要引擎。

场景二 智能药物分子设计与优化

生成式AI模型正从随机生成新分子，转向在结构约束、药效团、ADMET（药物吸收、分配、代谢、排泄和毒性）性质和临床可转化性多重约束下，提高候选分子的命中率。

英矽智能以纤维化疾病中的TNIK为靶点，整合多组学证据和文献数据对靶点优先排序，再在结构和药效团约束下，通过生成式AI模型生成并优化候选分子。代表性TNIK抑制剂Rentosertib已进入临床试验阶段。其2025年发表的随机、双盲、安慰剂对照Ⅱa期临床试验数据显示，Rentosertib在特发性肺纤维化患者中表现出可控的安全性和良好的耐受性。这一里程碑式成果，标志着AI驱动的药物分子设计已从局部辅助工具，进化为工程化研发平台。

场景三 超高通量化合物虚拟筛选

化合物高通量虚拟筛选已进入由生物分子基础模型驱动的新阶段。麻省理工学院和AI生物技术公司Recursion在2025年发布的Boltz-2，是这一方向的代表模型。该模型以蛋白序列、小分子结构、模板信息和距离约束为输入，在统一框架中学习蛋白、小分子及结合界面的空间表示，并联合预测复合物三维结构、结合亲和力和蛋白动力学相关指标。

Boltz-2的特点是，先预测小分子如何进入蛋白结合口袋、关键相互作用如何形成，再评估结合强度。公开资料显示，该模型在常见亲和力预测基准上的表现接近自由能扰动（FEP）方法，但计算速度快1000倍以上。因此，Boltz-2更像是数智化“筛选器”和结构假设生成器，可以把有限的合成、FEP计算和体外实验资源集中到更有潜力的分子上。与小分子生成模型联用时，可构建“生成—结构预测—亲和力排序—实验验证”闭环，使虚拟筛选从规则过滤升级为端到端的AI辅助研发系统。

场景四 动物毒理数据挖掘与虚拟动物试验

在非临床安全性评价领域，既往动物试验数据正被转化为可复用的预测资产。

AnimalGAN（生成对抗网络模型）使用了6442只大鼠的临床病理数据进行训练，在给定化合物和给药方案后，生成了多项临床病理终点的合成数据。随后，研究团队依托10万只“虚拟大鼠”开展肝毒性排序试验，发现该模型在肝毒性预测上优于12种传统QSAR（定量构效关系）方法。这类AI工具能够在药物研发的早期筛选阶段提供高通量、可量化的风险排序线索，使真实动物试验更多用于关键验证，同时结合类器官、器官芯片和体外系统，共同推动非临床安全性评价符合3R原则（替代、减少和优化动物试验）。此类模型的实际应用范围，取决于模型的验证水平、适用域、数据质量、偏倚控制，以及监管机构对具体使用情境的接受程度。

场景五 CMC研发数智化：从经验驱动到模型驱动

在药物CMC环节，AI技术的应用正从单点实验优化，扩展到模型驱动的工艺开发、规模放大和监管沟通。

勃林格殷格翰使用机理性层析模型，支持治疗性蛋白纯化工艺开发和申报，通过模拟识别关键工艺参数和经证明可接受的范围，在限定条件下减少部分实验研究。美国生物技术公司Moderna将RNA序列设计工具与标准化生产流程结合，形成了可跨项目复用的数据结构和分析方法。辉瑞在计算流体力学（CFD）仿真中积极应用GPU（图形处理器）算力，构建了两相搅拌生物反应器的数字孪生模型，用于模拟流体流动、传质和不同规模生物反应器差异。赛诺菲利用过程数字孪生技术，在虚拟空间中评估更多工艺条件以提前发现潜在问题，并在合作制造设施出现偏差时，辅助进行根本原因分析、评估解决方案。CMC数智化的关键，在于将处方、工艺、设备、质量属性和注册资料之间的关系模型化、结构化和可追溯化。

场景六 临床研究数智化：从风险管理到证据生成

AI正推动临床研究从“加速执行”走向“证据重构”。国际人用药品注册技术协调会（ICH）发布的E6(R3)药物临床试验质量管理规范，强调质量源于设计、关键质量因素和风险相称管理；美国FDA关于数字健康技术、去中心化临床试验和电子知情同意的指导原则，也为远程访视、居家采样、可穿戴设备和电子化数据流转提供了实施路径。

第一层级是运营效率型应用。诺华借助AI技术，大幅缩短心血管药物临床研究的中心筛选和启动评估时间；葛兰素史克利用数字和AI工具，优化哮喘晚期药物临床试验的受试者招募、落地执行与数据处理效率。第二层级是数字化数据采集。阿斯利康通过远程数据采集、居家肺功能检测、患者体验指数和算法辅助事件识别，改善患者体验，临床试验模式逐步由“中心驱动”转向“患者场景驱动”；其慢性阻塞性肺疾病相关研究也证实，数字工具有望减少现场访视频次、降低研发成本、缩短临床试验周期。第三层级是证据生成方式改变。赛诺菲基于定量系统药理学和既有临床数据，构建虚拟哮喘患者队列，以盲法预测Ⅰb期临床试验结果，与真实临床观测较为吻合；拜耳运用数字孪生技术，模拟抗凝药物最优给药剂量，并探索糖尿病虚拟患者孪生体与外部对照臂。

AI赋能临床研究的核心价值，在于让数据更连续、证据更可推演、过程更可审计。数字孪生和虚拟患者并不会替代关键性临床试验，而是整合历史研究数据、真实世界数据、远程采集数据和临床试验数据，前瞻性优化试验设计、药物剂量筛选与风险管控。

场景七 实验室数据集成管理

高质量数据资产是AI融入药物研发质量体系的基础。以赛默飞的SampleManager LIMS为例，其整合了实验室信息管理、科学数据管理、实验室执行系统及电子实验记录等功能，可连接企业基础系统、分析仪器和设备，支持数据追溯与合规管理，并与企业资源计划系统和制造执行系统等外部系统互联。

不过，只有建立结构化、标准化、可追溯的实验室数据，模型训练、工艺优化及申报材料的质量才能得到保障。因此，企业在推进AI项目时，需要同时治理数据结构、接口，完善数据的完整性、及时性和可审计性。

场景八 中医药经验数据挖掘与决策模型

中药研发的难点，在于将分散的临床经验和方剂规律转化为可验证的现代证据。

近年来，学术界利用电子病历、处方数据库和分子信息训练深度学习模型，以发现中药方剂与临床表型之间的关联。其中，FordNet模型尝试在统一框架下融入临床表型、方剂成分和分子作用信息，用于辅助方剂推荐和机制解释。这类研究仍处于探索阶段，其目的不是削弱中医的临床判断，而是将经验知识结构化，连接临床经验、药效物质基础和现代药理研究，形成更易验证和转化的研发依据。

场景九 医疗器械设计开发管理

医疗器械行业对计算模型和仿真技术的长期应用，为药物研发提供了有价值的参考。

以美敦力为例，其在支架移植物设计中，利用法国工业软件公司DassaultSystèmes的SIMULIA/Abaqus和Isight平台，开展结构仿真、临床试验设计和可靠性评估。双方共同的经验表明，仿真模型的价值不仅在于减少实验次数或加速迭代，更在于形成模型与实验之间的相互校验，并为研发决策提供可解释、可复核的证据。当模型结果能被实验数据支持、被研发流程采纳，并在关键决策中形成可审计的记录时，模型便不再只是辅助工具，而是研发体系的一部分。

综上，AI在药物研发中的价值已不只是提高局部效率，而是正在推动研发活动从单点工具应用走向多场景协同和证据链重构。这一趋势与我国医药工业数智化转型及智慧监管建设方向高度契合。相关政策已明确提出建设高质量数据集、医药大模型创新平台、数智化研发生产场景及质量安全保障能力，并强调“数智赋能、人工复核、全程留痕”。这意味着，未来AI医药研发的竞争重点，已不仅仅是算法模型本身，而是企业能否围绕真实的研发、生产、质量管理和监管场景，建立起高质量的数据资产、模型验证机制、跨部门协同流程和可审计的质量管理体系。AI不会取代科学判断、实验验证和临床证据，但将改变这些证据被发现、组织、验证和使用的方式。对我国医药产业来说，真正重要的，是从具体的研发问题出发，将AI能力转化为可验证、可复核、可应用的研发支撑能力，使其真正服务于创新药研发、质量管理、监管沟通和产业高质量发展。［作者为泓惠医药科技（北京）有限责任公司首席科学家］

(责任编辑：刘思慧)