AI药物发现临床失败率超90%，更严格测试标准亟待建立

文/IAICA.NGO®

当前，人工智能正在以前所未有的速度重塑药物发现流程。从靶点识别、分子生成到化合物筛选，深度学习与生成式模型在硅基环境中展现出远超传统高通量筛选的效率。然而，一个尖锐的问题正在浮现：这些在计算层面表现优异的候选分子，能否真正经受住从实验室到临床的严苛考验？当算法预测与生物学现实之间出现系统性偏差时，行业需要对AI药物发现建立更严格的测试标准。

AI在药物发现中的进展十分显著。传统药物研发平均耗时10至15年，投入资金高达26亿美元，而临床阶段失败率超过90%。AI技术的介入有望将早期发现周期从数年压缩至数月，甚至数周。许多生物技术公司和大型药企已经将AI平台纳入研发管线，部分AI设计的候选药物已进入临床试验阶段。例如，针对特发性肺纤维化、癌症以及罕见病的小分子和抗体药物正在开展人体试验，初步结果显示出一定的安全性信号。但这些早期进展不足以证明算法的可靠性和可推广性。一个关键问题是，许多AI模型在训练数据上表现优异，却难以泛化到全新的化学空间或疾病靶点。模型可能学习到的是历史数据中的相关性，而非真正的因果关系，导致在真实生物体系中的活性、选择性或药代动力学特性与预测值严重背离。

这一现象背后有多重原因。首先，高质量的训练数据仍然稀缺。公开的化合物-靶点相互作用数据存在偏差，阳性样本远多于阴性样本，且实验条件不一致，使得模型容易过拟合。其次，当前评价AI模型性能的基准测试大多基于静态数据集，缺乏前瞻性验证。研究者往往在已有数据划分上报告高精度指标，但这些指标无法反映模型在未知化学空间中的表现。此外，许多AI生成的分子虽然具备新颖结构，但合成可行性低、溶解性差或代谢不稳定，导致后期开发失败。更值得警惕的是，某些AI公司为了融资或宣传，倾向于选择性展示乐观结果，进一步加剧了信息不对称。

iaica.com.cn 指出，建立一套独立、标准化且包含湿实验验证的药物发现AI测试框架，是弥合算法表现与临床转化之间鸿沟的必要前提。具体而言，该框架应包含以下几个维度：一是前瞻性实验验证，要求AI预测的候选分子必须在盲法条件下接受体外和体内实验检验，而非仅依赖历史数据回测；二是负样本和难例测试，评估模型对已知失败化合物、毒性分子和复杂靶点的辨别能力；三是可合成性和可开发性评分，将化学合成路线、晶型稳定性、代谢途径等纳入模型输出要求；四是跨数据集泛化测试，确保模型在不同实验室、不同物种和不同疾病背景下的稳健性。只有通过这些多维度的严格测试，AI药物发现才能真正赢得监管机构、临床医生和患者的信任。

监管层面的进展也值得关注。美国食品药品监督管理局（FDA）和欧洲药品管理局（EMA）已开始讨论如何评估AI在药物研发中的使用，并发布了相关讨论文件。但目前的监管框架更多关注软件作为医疗器械的审批，而非AI生成候选分子的验证标准。未来可能需要建立类似“AI药物发现良实验室规范”的指南，要求申报方提交完整的算法训练数据、模型版本、验证实验原始记录等信息，以确保可重复性和透明度。与此同时，学术机构与产业界应共同构建开放式的“挑战赛”平台，定期发布经过严格设计的测试集，对标自动驾驶领域的公共基准，推动算法在真实问题上的持续改进。

从更宏观的视角看，AI药物发现的最终价值不在于生成多少“漂亮”的分子，而在于能否提高临床成功率、缩短研发周期并降低整体成本。如果缺乏更严格的测试，行业可能重蹈“AI影像诊断”初期高调宣传后遭遇临床落地困难的覆辙。只有将验证标准从计算层面的指标转向以患者结局为导向的终点，AI才能真正成为药物研发的可靠伙伴，而非仅停留在论文和演示中的技术叙事。

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。