AI驱动药物研发中的数据闭环难题

AI成为药企降本提效的核心希望

药物研发长期面临高成本、高失败率困境：自1950年代起，新药开发成本约每9年翻倍（即‘Eroom定律’）；如今平均耗时10–15年，花费10亿至25亿美元，临床前及临床阶段失败率超90%。全球生命科学公司Cytiva蛋白质研究战略总监Paul Belcher指出：‘临床阶段仍是最大成本来源，因此提升该阶段成功率意义重大。AI不仅是压缩时间的工具，更有望将更高品质的候选分子送入临床。’

从大规模筛选转向AI驱动的从头设计

AI在早期药物发现中最受关注的应用之一是苗头化合物（hit）识别——即在分子库中筛选能与疾病靶点（如特定蛋白）结合的分子。传统方式依赖高通量物理筛选，而Belcher观察到行业正转向AI辅助的预测性设计：不再仅筛选已有分子，而是由AI从零设计候选结构，并预先模拟其与靶点的相互作用，大幅拓展起点范围。‘AI打破了物理筛选的容量限制，还能在合成或测试前剔除低质量候选物，节省大量资源。’

然而，AI尚无法可靠预测化合物的动力学行为（如结合/解离速率）或成药性（developability），所有AI生成分子仍需实验验证。传统筛选流程专为海量‘是/否’式初筛设计，难以支撑对日益增多、结构更复杂的AI候选物进行深度表征——包括结合强度、选择性、稳定性及可合成性等多维参数。

‘数据墙’：公开数据集的结构性缺陷

AI加速暴露了制药数据生态的根本短板。早期模型多基于公开数据库训练，现已触达‘数据墙’：数据同质化导致模型收敛于相似结论，边际效益递减。更关键的是，这些数据集并非为AI训练构建——缺乏标准化标注、结构化元数据与足够多样性，易引入偏差。出版偏倚加剧问题：‘几乎所有公开数据和论文只报告成功案例，失败数据几乎从不共享，’Belcher坦言，‘这就像被捆住一只手。模型能识别成功模式，却缺乏对失败机制的理解，预测可靠性大打折扣。’

他强调，真正能提升模型性能的数据——那些未结合的化合物、中途终止的实验、无效的构效关系——恰恰最难获取。‘我们常开玩笑说该办一本《阴性数据期刊》，’他说，‘这些信息大多锁在实验室笔记本里，从未用于指导后续研发。’

数据完整性危机延伸至科研诚信

数据匮乏还放大了AI时代的新风险：数据伪造变得更容易。以Western blot（蛋白质印迹）为例，这一常规蛋白检测技术已成为学术不端高发区。当AI可快速生成逼真图像或补全缺失条带时，若缺乏原始数据溯源与过程记录，结果可信度将严重受损。Belcher指出：‘所有机器学习应用的性能，根本上取决于训练数据的质量与覆盖广度。’

编者观点：对中国药企而言，突破AI药物研发瓶颈的关键不在算力或算法，而在构建覆盖‘全周期、全结果’（含失败数据）的内部数据资产，并推动实验室信息系统（LIMS）、电子实验记录本（ELN）与AI平台深度集成——数据闭环能力，正成为下一代研发竞争力的核心基础设施。