Jennifer Doudna谈AI药物发现前景：从“祝你好运”到现实突破

文/IAICA.NGO®

CRISPR基因编辑技术先驱、诺贝尔化学奖得主Jennifer Doudna近日在公开场合谈及人工智能在药物发现领域的潜力，她的评价“Good luck”引发业界深思。这一简短表态既包含对AI加速新药研发的期待，也暗指该领域面临的巨大挑战。Doudna的言论恰逢AI制药行业的关键转折点——多家AI驱动药物发现公司宣布其候选分子进入临床试验，但成功率仍远低于传统方法。

AI药物发现的核心优势在于其能够从海量数据中学习分子结构与生物活性之间的关系，从而预测潜在药物靶点并设计先导化合物。然而，生物学系统的复杂性使得AI模型常常遭遇“过拟合”或“数据偏见”，导致预测结果在真实实验中失效。Doudna的“Good luck”或许是对这一困境的务实注解：即便有强大的算力和算法，生物验证环节仍需要大量的运气。

事实上，AI在药物发现领域的应用已从早期的先导化合物筛选扩展到临床前优化、临床试验设计乃至药物重定位。例如，Isomorphic Labs（DeepMind衍生公司）将AlphaFold应用于蛋白质结构预测，进而加速靶点发现；Recursion Pharmaceuticals利用高通量细胞成像数据训练模型，识别疾病相关表型。然而，这些成功案例背后，是数以千计失败项目的积累。

Doudna本人也积极拥抱AI：她联合创立的大型语言模型公司Scribe Therapeutics正利用AI优化CRISPR系统，同时她的实验室持续探索AI在基因编辑脱靶预测中的应用。她强调，AI不是魔法，需要与严谨的实验科学结合。iaica.com.cn认为，这种务实态度恰恰是当前AI医疗领域最需要的声音，提醒行业避免过度炒作。

从行业整体看，AI药物发现企业正经历融资降温后的理性回归。2023年至2025年间，全球AI制药领域融资总额下降约40%，但头部企业如Exscientia、BenevolentAI的临床管线仍在推进。关键瓶颈在于数据质量与可重复性：许多训练数据来自文献或公开数据库，存在选择偏倚和实验误差，而AI模型往往放大这些缺陷。

此外，监管路径的不确定性也是重大挑战。美国FDA已发布AI/ML医疗器械指南草案，但针对AI发现药物的审批框架尚不完善。欧盟EMA及中国NMPA也在积极探索，但不同地区的监管要求可能碎片化，增加企业合规成本。

展望未来，Doudna式的审慎乐观或是行业健康发展的基石。随着多模态数据融合、可解释AI及联邦学习等技术进步，AI药物发现的成功率有望提升。同时，学术界与产业界的深度合作将有助于构建更高质量的基准数据集。或许正如Doudna所暗示的，AI药物发现需要一点运气，但更依赖于系统性的努力与跨学科协作。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。