ARTICLE DETAIL

资讯详情

深耕网站建设、视觉设计与SEO优化的一线实战洞察。

AI制药:哈萨比斯的第一次降维打击——从AlphaFold到数字仿真研发

AI制药:哈萨比斯的第一次降维打击——从AlphaFold到数字仿真研发

系列《哈萨比斯的AGI路线图》·第一篇 产业篇

【摘要】传统新药研发受10年周期、10亿美元投入的双十定律约束,临床中后期是主要死亡点,多数候选在此归零。AlphaFold 2输出约2亿个蛋白质预测结构,解决静态靶点解析问题;Isomorphic Labs依托AlphaFold 3攻坚动态构象与人体反应仿真,可拆解为8步数字预筛管线。本文拆解技术路径、工程取舍与失效边界,提出AI制药的降维打击本质是失败成本从临床后段前移至数字预筛,药企核心护城河从临床经验转向阴性样本闭环吞吐量。

核心关键词:AlphaFold|Isomorphic Labs|蛋白质折叠预测|AI药物发现|双十定律|新药研发周期压缩|内在无序蛋白|临床失败成本|AI for Science|数字仿真制药|降维打击|运通链达研究

引言

当下硅谷大模型公司的资源,大多集中在文案生成、图像创作、对话交互等C端应用赛道,大量算力与人才涌向聊天体验优化。Google DeepMind掌门人戴密斯·哈萨比斯走了一条完全不同的路径,把AI的攻坚战场放在了生命科学与人类疾病背后的分子机制之上。

新药研发被双十定律约束了半个世纪:平均10年周期、10亿美元起步投入,临床中后期淘汰率居高不下。当多数公司还在打磨对话交互的细腻度时,哈萨比斯已经用AI撬动了制药行业的底层逻辑。

AI制药的降维打击不是“更快算结构”,而是把药物发现的失败成本从临床后段前移到数字预筛,药企护城河从临床经验厚度转向阴性样本闭环的吞吐量;没有阴性样本闭环的平台,只是更快的结构浏览器。这是贯穿整条技术路线的核心逻辑,也是理解这场产业变革的关键。

一、传统药物研发的双十定律:信息缺失形成的高失败模式

医药行业的双十定律并非夸张的行业戏称:一款新药从立项到上市,平均耗时约10年、研发投入约10亿美元,且这只是进入临床前的起步成本。叠加临床中后期的高淘汰率,多数候选分子根本走不到上市环节。

传统创新药研发的高失败率,本质源于蛋白质三维折叠结构信息的缺失,而非化合物合成能力不足;失败成本集中在临床后端,构成了整个行业的底层商业逻辑。

人体是一套高度复杂的化学系统。癌症、阿尔茨海默症、各类罕见病,绝大多数疾病的发生,都与蛋白质功能异常直接相关。蛋白质由氨基酸链构成,其功能几乎完全取决于折叠形成的三维空间结构。药物分子发挥作用,遵循锁-钥匙匹配逻辑:精准嵌入蛋白质折叠形成的特定结合口袋,以此调节蛋白质活性。

在AlphaFold出现之前,解析蛋白质三维结构只能依靠冷冻电镜、X射线晶体学等实验手段,单个结构解析往往耗费科研团队数年时间,通量极低。靶点结构看不清,药物设计只能依赖海量化合物库逐个试错,这是双十定律的物理根源。

药企的商业模式建立在这种高失败率之上:一款靶向药上市后享受十几年专利红利,用来覆盖此前所有失败管线的沉没成本。整个行业的竞争围绕“资金储备”和“管线数量”展开,用足够多的试错对冲单个项目的高失败率。

维度

传统研发模式

AI 驱动研发的目标态

靶点结构获取

冷冻电镜/X射线,年级别

结构预测模型,小时到天级别

候选化合物筛选

湿实验逐轮试错

数字世界先跑吸收率与毒性

临床前验证

小白鼠、猴子实验

虚拟细胞与器官模型预筛

专利窗口逻辑

上市后十几年回收

靶点迭代速度决定窗口

失败成本分布

集中在临床二期、三期

前移到数字预筛阶段

Q:双十定律里的“10亿美元”是固定成本吗?

A:不是固定值,它随靶点类型和临床失败次数浮动。行业统计通常将前期发现、临床前、三期临床和审批费用全部摊入,失败管线成本由成功药物承担。

Q:为什么说“看清结构”是整条研发链的卡点?

A:结构决定结合位点,结合位点决定候选分子的设计空间。结构未解析时,分子设计退化为百万级大规模盲目筛选;结构一旦准确给出,筛选空间会快速收窄到少数可解释的候选。

二、AlphaFold解决静态结构预测,未覆盖动态成药全链路

AlphaFold 2在国际结构预测竞赛CASP14中以显著优势拿下最高分,将蛋白质结构预测精度推到接近实验解析的水平。配套开放的蛋白质结构数据库随后覆盖人类已知及大量物种的蛋白质,输出约2亿个预测结构,把“解析单个结构”从数年实验压缩到数秒推理。

AlphaFold完成了静态结构的工具化,但只解决了药物研发的第一道信息瓶颈;没有动态构象与成药性评估的补充,它只是结构查询工具,不足以重构研发链路。

结构预测解决的是“靶点长什么样”,但真实成药的卡点在此之后。药物分子进入体内需要满足三个条件:找到目标靶点、卡进正确的结合口袋、不与非目标蛋白发生脱靶结合。AlphaFold输出的是相对稳定的静态构象,并不直接回答“分子靠近时会不会发生动态响应”。

真正的难点集中在内在无序蛋白(Intrinsically Disordered Proteins, IDPs)。这类蛋白没有固定三维形状,平时如同柔软的链条,只有遇到特定结合物或处于特定环境时才折叠出功能构象。部分癌症与神经退行性疾病的关键靶点都属于这类蛋白。

AlphaFold对结构稳定的蛋白质预测精度很高,面对这类随环境切换形态的动态蛋白仍显吃力。静态结构预测与动态成药之间存在完整的工程代差:结构预测可以离线批量跑,动态构象预测必须和化合物库联合搜索。

能力维度

AlphaFold(静态结构预测)

真实成药还需具备的能力

输入

氨基酸序列

序列 + 配体 + 环境条件

输出

单一稳定构象坐标

构象变化、结合口袋开合、结合自由能

对稳定蛋白

精度接近实验水平

技术已较成熟

对内在无序蛋白

预测能力有限

需动态构象集合建模

药代与毒性预测

不覆盖

需另行预测吸收率与毒副作用

Q:内在无序蛋白为什么特别难对付?

A:它没有单一稳定构象,形态随环境和结合对象改变。传统“一个序列对应一个结构”的预测范式,对这种一个序列对应一组构象的对象天然不适配,需要建模整条构象分布而非单个坐标。

三、Isomorphic Labs:构建数字预筛管线,将失败成本前置

Isomorphic Labs由DeepMind孵化,哈萨比斯在对谈中勾勒其技术方向:从静态预测推进到动态系统与人体反应仿真,把传统十几年的新药研发周期压缩到几个月,理想场景下缩短至几周甚至几天。这是技术愿景目标,并非已交付的产线能力。

数字预筛管线的核心价值,是把原本集中在临床后端的失败成本,前移到算力成本更低的数字仿真阶段;管线的效率上限不取决于单点模型精度,取决于阴性样本回流的闭环速度。

若把这套路线拆成可执行流程,可归纳为8个环节,每个环节都有明确的输入输出与校验标准:

环节

输入

输出

校验方式

靶点蛋白序列输入

疾病关联分析结果、突变位点、组织表达谱

标注完整的目标蛋白氨基酸序列

与公开数据库序列比对一致性

静态结构预测

目标蛋白氨基酸序列

基线三维构象与置信度分区

与已知实验结构做偏差对照

动态构象集合生成

基线构象、环境参数

不同结合状态下的构象集合

口袋区域采样覆盖率校验

化合物库虚拟筛选

构象集合、候选化合物库

按结合能排序的候选分子清单

结合能阈值与假阳性率校验

结合口袋开合预测

高排名候选分子、靶点构象

口袋诱导开合结果与结合模式

与已知配体诱导构象对照

吸收、分布、代谢、排泄与毒性(ADMET)预筛

候选化合物结构

吸收率、代谢稳定性、毒性终点评分

与已知化合物ADMET数据对照

湿实验验证

通过数字预筛的候选分子

体外活性与毒性实验结果

实验值与预测值偏差计算

模型迭代校准

湿实验正负结果、失败原因编码

分层校准后的模型权重

分层精确率与召回率复测

工程取舍集中在4组矛盾上,没有全局最优解,只能按管线阶段与靶点类型设定阈值:

  • 动态构象采样密度与算力成本:采样越密,潜在口袋覆盖越全,但单靶点计算成本线性上升。全新靶点通常调高采样密度,成熟靶点则降低密度控制成本。

  • 化合物库覆盖度与筛选通量:库越大,命中概率越高,但排序与对接时间同步增长。广谱筛选用大容量库,靶点明确的优化用聚焦库。

  • 数字预筛召回率与湿实验负荷:召回率调高会放过更多假阳性,湿实验负担加重;调低则可能漏掉真候选。早期探索阶段偏召回率,后期优化阶段偏精确率。

  • ADMET模型泛化与靶点特异性:通用模型跨靶点泛化好,但对特定靶点家族的毒性信号不敏感,需要分层校准。通用初筛用泛化模型,特定靶点用微调模型。

研发阶段

传统周期

数字预筛介入后的目标周期

关键依赖

靶点结构获取

数月至数年

小时至天

结构预测模型精度

候选化合物初筛

数月至一年

天至周

动态构象预测与化合物生成

ADMET预判

动物实验,数月

数字预筛,天

虚拟细胞与ADMET模型

临床前验证

1至2年

压缩至候选名单验证

湿实验与数字结果一致性

目前Isomorphic Labs已与诺华、礼来等多家跨国药企达成研发合作,在特定靶点家族验证数字预筛管线的筛选效率与一致性,这也是行业首次大规模验证AI驱动药物发现的端到端价值。

Q:AlphaFold 3相比AlphaFold 2在制药上的关键差异是什么?

A:AlphaFold 3把建模对象从单一蛋白质扩展到蛋白质与小分子、配体等的复合物,使“药物分子靠近时靶点如何响应”成为可预测对象。这是从静态结构向动态结合关系迈进的一步,但仍不等同于端到端的成药预测。

Q:数字预筛能完全替代动物实验吗?

A:短期不能。数字预筛的价值在于减少进入动物实验的化合物数量,把湿实验资源集中到最可能成功的候选上。吸收率、毒副作用预测的精度边界需要湿实验持续校准,二者是筛选漏斗的上下游关系。

四、对药企的降维打击:竞争维度的底层切换

如果数字仿真路线跑通,传统制药巨头面临的不是“效率优化”,而是行业竞争规则被彻底改写。

这不是把同一场“谁砸钱多、谁耗时长”的战争打得更快,而是把战场从“资金与时间”这一维,切换到了“模型精度 + 高质量数据闭环 + 算力”这一维——跟随者在旧维度上的全部积累,在新维度上不计分。这才是“降维打击”的核心内涵。

冲击沿四条核心路径传导,最终重构整个行业的商业逻辑:

  1. 研发周期重构:结构获取与初步筛选大幅提速,立项到IND(新药临床试验申请)的时间被压缩,但临床试验审批流程仍受监管与伦理约束,不会同步压缩。

  2. 专利窗口逻辑改变:分子迭代速度加快,新药专利的竞争从“做出来”变成“更快设计、更快验证、更快申报”,先发现者抢占窗口,慢一步的对手面对已被占位的靶点。

  3. 候选化合物筛选范式切换:告别百万级化合物盲筛,AI直接生成并评估分子,候选池规模收缩,资源集中到少数高潜力分子。

  4. 临床沉没成本下降:大量高风险项目在数字仿真阶段被淘汰,不用持续烧钱推进到临床Ⅱ、Ⅲ期。失败成本的分布从“后端集中”转向“前端分散”,单次失败成本大幅降低。

药企的财务模型需要同步重构。传统模式下,研发预算大头投向临床中后期,用少数成功项目的高额回报覆盖大量失败项目的沉没成本;数字预筛模式下,研发预算需要向前端倾斜,投入模型建设、数据管线与算力基础设施。

管线组合的风险结构也会变化,从“少数大赌注”转向“高频小批量筛选 + 少量湿实验验证”。用更多的早期筛选对冲单个候选的失败风险,整体投入产出比更可控。

监管路径是另一个关键变量。数字预筛结果能否作为临床试验申报的支持材料,取决于监管机构对模型可解释性与验证数据的要求。目前多数监管框架仍以湿实验和临床数据为主要证据来源,数字预筛更多扮演内部决策辅助角色。

监管规则的调整速度,决定了AI制药从“降本工具”升级为“研发主链路”的时间表。哈萨比斯在对谈中认为,解决所有人类疾病离人类比想象中近得多。这是他的判断,并非既成时间表。

商业之外,这套技术对人类健康的核心意义在于:罕见病与靶点不明疾病的候选药可能更早进入验证。过去这些方向因“结构看不清、市场规模小”而被搁置,靶点结构获取的门槛降低,让中小团队与罕见病赛道的早期研发成本显著下降。

Q:AI制药平台真能跑通,最先被淘汰的是哪一类药企?

A:最先承压的是把护城河建在“更早拿到结构、更早筛出候选”上的跟随型管线。一旦结构获取被工具化,这类靠信息差取胜的环节会快速贬值,拥有独有临床数据与转化医学能力的企业相对更稳。

Q:专利红利缩短对患者意味着什么?

A:靶点迭代速度加快可能让更多变异靶点被覆盖,但专利窗口缩短会影响药企回收研发投入的预期。定价策略与支付体系需要同步调整,否则研发激励和可及性之间会出现新的张力。

五、为什么是哈萨比斯,为什么首选制药

哈萨比斯的职业路径与硅谷主流技术创始人存在明显区别。他少年时期是国际象棋冠军,具备极强的战略推演能力;后来进入电子游戏行业,主导过模拟经营类作品,本质是在机器里搭建规则驱动的世界;再往后攻读神经科学博士,专门研究人类大脑的海马体。

跨国际象棋、游戏设计、神经科学的复合知识背景,让他优先选择“AI作为科学仪器”的路径,而非消费级产品变现;制药是这条路径上第一个同时满足可建模、高价值、快反馈的落点。

不同于纯粹软件极客或者资本操盘手,他习惯将AI当成解析复杂现实系统的工具。AI制药,是“AI for Science”思路落地的第一个重量级战场。他没有将AlphaFold和Isomorphic Labs当作短期变现的产品项目,而是当作验证AI能否处理现实世界高度混沌复杂系统的试验台。

制药之所以成为首选落点,同时满足三个核心条件: 第一,靶点结构是确定性物理问题,可被AI精确建模,有明确的实验结果可以验证模型精度,属于硬科学范畴。 第二,传统研发的失败成本极高,每提升一步筛选效率都能对应巨额的成本节约,技术改进的商业价值与社会价值都足够大。 第三,数据与反馈闭环短,湿实验能在几周至几个月内验证模型预测,快速形成“预测—验证—校准”的迭代循环,支撑模型持续进化。

这三个条件同时成立,让制药成为AI for Science最容易落地、也最容易验证价值的入口。

Q:神经科学背景对做AI制药有什么实际帮助?

A:神经科学训练提供的是对复杂系统的建模直觉——大脑和细胞都是多尺度、强耦合的系统,简化假设的边界在哪里需要经验判断。这种直觉不直接转化为模型精度,但影响问题拆解方式。

Q:AI for Science和通用大模型的能力边界怎么区分?

A:通用大模型擅长语言与知识重组,AI for Science工具需要在特定科学领域内做可验证的预测。蛋白质结构预测的精度可以用实验结构对照,经济模拟的精度无法用对照实验验证——前者是科学工具,后者更接近决策辅助。边界在可验证性。

六、常见误区与工程边界

AI制药的讨论中存在四类典型误判,直接影响投资决策与管线规划。

AI制药的失效边界集中在三个位置——动态构象预测与湿实验的一致性、阴性样本稀缺导致ADMET模型精度波动、临床失败模式中安全性信号的可预测性低于疗效信号。

误判1:把“结构预测完成”当成“药物发现完成”。结构预测只回答靶点长什么样,距离“分子会不会结合、在体内是否安全有效”还隔着动态结合、药代动力学与毒性三道关。把数据库里约2亿个预测结构误读为约2亿款可用药靶点,是最常见的越级推论。

误判2:把AlphaFold当成端到端成药工具。它交付的是结构坐标,对内在无序蛋白这类动态对象能力有限,也不输出吸收率与毒副作用。指望它一步给出“能吃的新药”,混淆了工具能力和系统能力。

误判3:把“几天合成候选”当成已实现事实。周期压缩到几周、几天是哈萨比斯对谈中的目标与愿景表述。把它当作当前产线现状,会系统性高估落地进度,误导投资与立项判断。

误判4:把公开基准上的泛化表现直接当作真实靶点上的可用性。跨靶点家族的精度衰减往往被低估,通用模型在特定靶点上的表现需要单独验证。

排障的核心抓手是建立阴性样本的标准化闭环。可复用的阴性样本标注口径检查清单包括四项:

  • 按靶点家族分层归档,不同家族的失败数据不混合训练

  • 失败原因编码,区分疗效不足、毒性问题、脱靶问题等不同类别

  • 湿实验条件与预筛条件对应记录,保证对照变量一致

  • 时间窗口统一,避免不同实验周期的数据交叉污染

当前行业多数AI制药平台的精度瓶颈,并非来自模型架构本身,而是来自训练数据中阴性样本占比过低、标注口径不统一。公开数据几乎全是成功案例,药企内部的失败数据才是数字预筛的核心燃料。

Q:AI制药当前最被高估的能力是什么?

A:把静态结构预测的精度直接外推到动态构象和ADMET预测。结构预测有明确的基准和实验对照,ADMET预测的公开基准覆盖的化学空间有限,真实靶点上的泛化能力需要逐类验证。

Q:药企在评估AI制药平台时应该看什么指标?

A:看数字预筛结果与自家湿实验历史数据的一致性,而不是看平台在公开基准上的排名。一致性指标包括:预筛淘汰的化合物中有多少在湿实验中确实失败、预筛保留的候选中有多少通过湿实验验证。

结论

AlphaFold将蛋白质结构预测从数年实验压缩到秒级,输出约2亿个预测结构,撬开了新药研发“看不清靶点”的第一道信息瓶颈;Isomorphic Labs试图把口袋开合、吸收率与毒性判断这类活体试错前置到数字仿真,构建完整的数字预筛管线,瞄准临床二三期的高额沉没成本。

AI制药的降维打击不是“更快算结构”,而是把药物发现的失败成本从临床后段前移到数字预筛,药企护城河从临床经验厚度转向阴性样本闭环的吞吐量;没有阴性样本闭环的平台,只是更快的结构浏览器。

这条路线的边界同样清晰:静态结构预测已成熟落地,动态成药与人体反应仿真仍是技术愿景;“几天造药”是目标而非交付。

制药只是哈萨比斯的第一步。他真正想要的,不是一个会写文案的模型,而是一个能独立创造知识、通过“爱因斯坦测试”的AGI。下一篇《真正的AGI必须学会睡觉:爱因斯坦测试与记忆革命》,将回答现有主流大模型为什么距离真正通用智能仍存在巨大鸿沟。

【链达锐评】

AI制药的胜负手不在模型精度,在阴性样本闭环;失败成本前移是降维打击的实质,专利窗口压缩是它的商业结果。没有阴性样本回流管线的AI制药平台,只是把结构浏览器包装成了新药发现工具。

返回列表