用 AI 找药如果真能把研发周期缩短一半，药价能不能跟着降下来

以前研发一款新药得砸 20 亿美金、花 10 年时间，结果成功率还低得吓人，这就是典型的“赌博式”研发。现在把大模型和深度学习塞进药物发现流程，逻辑其实就变了：从原来的“在实验室里一个个试”变成了“在数字空间里先算一遍”。

现在的实操路径基本分这几步，我把目前的进展拆开来看：

• 靶点识别： 以前靠生物学家的经验去猜哪个蛋白质是致病关键，现在用知识图谱和 NLP 扫描数百万篇论文，直接把潜在靶点给筛出来。
• 分子生成： 这步最硬核。不再是从现有的化学库里挑，而是用生成式模型直接“画”出符合药理要求的分子结构，直接跳过大量的盲目合成。
• 亲和力预测： 用类似 AlphaFold 的技术预测蛋白质和药物分子的结合方式。如果模型能精准算出结合能，就能在进入临床前剔除掉 90% 没戏的候选药。

虽然听起来很美好，但实际部署到生产线时踩坑的地方也多。最核心的问题是“数据孤岛”，药企之间不愿分享失败的实验数据，而 AI 恰恰需要这些负样本来学习。而且即便模型预测出某个分子有效，在实际合成和体内代谢时，生物体的复杂程度远超目前的模拟精度。

如果想在相关领域做实操，可以关注一些开源的分子生成框架，比如基于扩散模型（Diffusion Model）的蛋白质设计方案。这种从零构建分子的逻辑，比传统的筛选要高效得多。