生物与新医药
创新药 2026:AI 制药如何改变研发范式
梳理 AI 在靶点发现、分子设计与临床试验设计中的真实作用,说明「创新药」被列入新赛道后的产业关注点。
时间背景2026 年
应用环节靶点 / 分子 / 临床
关键前提湿实验验证
AI 进入药物研发后,最常被夸大的说法是「把研发周期从数年压缩到几十秒」。更准确的表述是:计算侧可以在极短时间内完成海量候选的筛选与排序,但这些结果仍须经过湿实验、动物与临床的层层验证。真正改变的是候选空间的探索方式,而不是验证链条本身。
AI 具体介入哪几步
- 靶点发现:整合多组学、文献与真实世界数据,提出可验证的疾病机制假设;
- 分子生成与设计:在更大的化学空间里搜索候选结构,同时预测活性、成药性与毒性;
- 蛋白结构与相互作用预测:辅助理解结合位点与构象变化;
- 临床试验设计:优化入组标准、终点选择与患者分层,减少无效暴露;
- 生产与质控:在工艺放大、杂质谱分析与批次一致性上提供模型支持。
「创新药」为何成为新赛道
2026 年国家高新区重点培育方向中,创新药与生物制造、脑机接口等一同被列入。产业侧的关注点从「能不能做出分子」转向「有没有临床价值与可及性」:差异化机制、未满足临床需求、全球同步开发能力,以及支付与准入环境,都影响一条管线最终能否成立。
被反复提及的几类技术
基因编辑与先导编辑在降低脱靶风险上持续推进,个性化基因药进入更多早期临床;细胞与基因治疗在血液病、罕见病与部分实体瘤方向开展探索;GLP-1 类药物的适应症拓展带动代谢与神经领域研究;工程菌与响应型生物制剂则把「按体内信号动态给药」变成可验证的方向。这些进展阶段差异很大,不能一概而论。
边界与风险
- 计算预测不等于生物结论,任何候选都必须有独立实验验证;
- 训练数据偏倚会直接传导到候选偏好,数据质量与来源可追溯性很重要;
- 临床阶段的时间与成本占比仍最高,算法优化很难线性缩短整体周期;
- 涉及人体数据与样本时,合规、伦理与知情同意是不可跳过的环节。
AI 让「值得试的假设」变多了,但药能不能成,仍然由实验与临床说了算;把计算与验证的边界写清楚,是对这个领域最基本的尊重。
