药物开发是一个复杂且资源密集的过程，涉及从靶点识别到临床试验、审批和上市后的多个阶段。尽管如此，传统的药物开发面临高成本、长周期和低成功率等挑战。每年开发新药需要投入约26亿美元，且平均需要12至15年才能完成。为了解决这些问题，科研人员开始探索新的技术，其中人工智能（AI）在药物开发中的应用正变得越来越重要。
近年来，AI技术，特别是大型语言模型和生成式AI的出现，已在多个环节取得突破。例如，AI可以加速靶点识别、药物筛选、药物-靶点相互作用模拟以及临床试验优化等。通过加快这些过程，AI有望大幅提高药物开发的效率和成功率，减少研发成本。
2025年1月20日，
四川大学华西医院
杨胜勇教授
课题组和
温州医科大学
张康教授
等人合作，在
Nature Medicine
期刊上发表了一篇名为：Artificial intelligence in drug development的综述。
该综述介绍了自2019年以来，AI在药物开发中的最新应用，涵盖靶点识别、药物发现、临床研究等方面，并讨论当前面临的挑战与未来的发展方向。
图1 ：药物开发流程中的AI应用概述。药物开发流程包括几个关键阶段，包括靶点识别、药物发现、临床前研究、临床试验、监管机构审查和上市后监督。AI技术在几乎所有这些阶段都具有潜在应用。
近年来，人工智能（AI）在药物发现中的应用取得了显著进展，特别是在靶点识别、虚拟筛选、去新药设计（de novo design）、ADMET预测和合成规划等方面。
图2展示了去新药设计的核心过程，AI通过深度学习模型，自动识别满足特定分子特征的结构，绕过传统专家设计，显著提高了药物发现效率。化学语言模型（如SMILES字符串）和基于图的模型被用于分子生成，尽管在学习全局序列特征和生成化学上可行的分子时仍面临挑战，强化学习和优化机制可以进一步提升模型性能。
图3则展示了化学合成的规划与自动化。计算辅助合成规划（CASP）利用AI进行逆合成分析，帮助化学家确定反应路线。早期的CASP程序多为基于规则的，而近年来，深度学习和变换器模型的引入提高了小分子和天然产物的合成规划能力。此外，AI驱动的自动化合成平台（如自动化流动化学和固相合成）正在成为药物发现的前沿，利用设计-合成-测试-分析（DMTA）循环，加速药物候选化合物的发现和验证。虽然这些技术前景广阔，但仍面临技术挑战，如固体形成、溶解度预测和多步骤反应优化等。
AI在临床试验和现实世界应用中的潜力不断增加，尤其在提高试验效率和预测治疗结果方面。AI可以优化试验设计、筛选患者、预测患者反应，从而提高试验成功率并降低成本。
图4：利用高通量筛选和多组学数据进行AI驱动的作用机制预测
图4展示了AI在药物重定位中的应用，通过深度学习模型（如MitoReID）分析线粒体表型来识别药物的作用机制。该模型通过分析大量细胞图像，在FDA批准的药物中取得了76.32%的准确率，从而为药物发现和重定位提供了高效且低成本的解决方案。
图5：利用AI能力提升临床试验过程和真实世界医学实践
图5则展示了AI如何使用来自电子健康记录（EHR）、保险数据和可穿戴设备的数据分析药物的有效性和安全性。图5a描述了训练过程，使用多种临床和试验数据（包括电子健康记录、可穿戴设备数据、基因组学、影像学等）通过多模态嵌入和生成AI开发AI-LLM模型，该模型用于评估药物疗效、优化试验方案，并推动智能化的临床前和临床研究。图5b则说明了验证和预测过程，AI-LLM通过现实世界和临床试验数据进行验证，并根据治疗结果和不良事件进行微调，预测药物疗效、评估方案可行性并优化试验，推动药物开发加速。
在一个针对晚期肺癌的研究中，AI通过模拟不同的试验结果，表明放宽试验标准可以使更多患者符合条件，从而改善生存结果，并且这一方法已在多种癌症中得到验证。通过这些技术，AI不仅能优化临床试验，还能在药物开发中提高效率并加速创新。
尽管AI在药物开发中取得了进展，但仍面临许多挑战，特别是在数据质量、算法适应性、计算资源和临床试验中的应用问题。AI药物研发面临的关键挑战包括数据稀缺、隐私限制、数据偏差、以及“难以治疗”的靶点，如某些失序蛋白和转录因子。此外，现有的分子表示方法和生成模型在合成可行性、模型可解释性等方面仍存在难题。
未来的研究应集中于解决数据稀缺问题，开发稀疏AI方法和多模态融合技术，整合不同类型的生物数据，提升药物重定位和毒性评估的效果。同时，结合物理法则和生物学原理的AI算法，能够减少对大量高质量数据的依赖，提高模型的准确性和通用性。尽管AI在药物研发中具有巨大的潜力，但其仍需通过实验验证，并依赖于人类的智慧和决策，AI的角色是辅助而非替代人类。
