从几十年到几年——人工智能可以加速寻找隐藏在视线中的大脑药物
一句话看懂：英国 Dementia 研究所的科学家利用 AI 分析患者语音记录、眼部扫描和实验室培养的脑细胞，试图将现有药物重新用于治疗运动神经元病（MND）等神经系统疾病，目标是让治疗方案的发现时间从“几十年缩短到几年”。
事件核心：发生了什么
这项由英国 Dementia 研究所主导的研究，核心是利用机器学习算法分析海量患者数据。科学家首先通过收集患者的虹膜扫描、语音记录以及血液样本，并将血细胞转化为干细胞，再培养成脑细胞（神经元）。随后，研究人员使用配备了专门算法的高通量机器人系统，将已有药物（目前全球约1500种已获批药物）在这些神经元上进行测试。AI 的目标是从这些测试结果中识别出能将“疾病信号”转变为“健康信号”的药物。项目负责人、研究所首席执行官 Siddarthan Chandran 教授表示，此前受限于大脑的复杂性，研究方法比较原始，而“AI 与新技术的结合使我们现在能做到我当年在医学院时无法想象的事情”。其中一项名为 MND-SMART 的临床试验同时测试多种药物，而不是传统的单一药物对照实验。10 年前被诊断为 MND 的参与者 Steven Barrett 称，这类试验是“黑暗中的一束光”。项目已建立帕金森、痴呆症和 MND 患者数据库。
为什么重要
目前治疗神经系统退行性疾病（如阿尔茨海默病、帕金森病和 MND）的药物研发周期极长，从新分子发现到获批上市需要超过 10 年。利用 AI 进行“药物重定位”直接绕过了早期药物开发最昂贵的部分——新化合物的发现、毒性测试和一期安全性试验。这为医药研发路线提供了一条更具成本效益的路径。值得注意的是，该方法并非凭空创造新药，而是试图从已有的“旧药”中挖掘新用途，这意味着如果成功，药物定价和可及性可能比全创新药更低。不过，该领域也存在失败案例：近期对阿尔茨海默病药物 lecanemab 和 donanemab 的回顾性研究发现，它们虽然延缓了疾病进程，但改善幅度不足以给患者带来有意义的临床变化，这提示 AI 筛选后的药物仍需大规模临床验证。
对用户/开发者/创作者的影响
对一般用户：这项技术直接关系到数百万神经退行性疾病患者的治疗前景。MND 患者 Steven Barrett 的案例表明，现有患者已经可以通过参与此类 AI 驱动的试验平台，以更快的速度接触到潜在治疗选项。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对 AI 开发者：这证明了“小数据+高质量标注+封闭场景”的 AI 应用路径在医疗领域的价值。算法聚焦于将高维度的生物数据（语音、眼部扫描、神经元图像）转化为可预测的“药物指纹”，这对构建专用的小型生物医学模型有启示意义。
对医疗和生物技术研究者：研究所使用的“机器人+传统实验+AI 算法”的组合式工作流，展示了如何在不依赖大语言模型或通用 AI 的情况下，将机器学习有效整合进湿实验流程。这种模式可能被推广到其他难治性疾病的药物筛选。
值得关注的后续
1. 算法生成的候选药物是否真正进入人体临床：目前项目尚处于 AI 筛选、实验室验证和早期临床试验阶段（如 MND-SMART），需要跟踪 AI 推荐的“现有药物”是否在更大样本的人体试验中重现实验室中的效果。
2. 数据集的扩展与共享：研究所正在建设涵盖帕金森、痴呆症和 MND 的患者数据库，这类数据集的质量和规模将直接决定模型的泛化能力。其他研究机构是否会加入并开放类似生物特征数据是一个关键变量。
3. 监管路径的适应性：AI 辅助的药物重定位面临独特的监管挑战——如果药物已被批准用于其他适应症，但新适应症的疗效证据完全由 AI 生成而非传统临床试验支撑，审评机构是否会接受这种证据链，将影响该技术的商业化速度。
来源：BBC News
