AI在药物发现中的应用：是什么、进展如何与未来方向

事件核心：发生了什么

这篇发表于 Nature Reviews Drug Discovery 的观点文章（Perspective）由行业研究者撰写，系统回顾了AI在药物发现领域过去十年的进展。文章标题为“AI在药物发现中的应用：是什么、进展如何与未来方向”，核心判断是：尽管深度神经网络、生成式模型等已在靶点识别、分子生成、ADMET预测等环节大量应用，但“能够证明临床相关影响的证据，迄今为止少得令人失望”。

文章引用了一项2024年发表于 Drug Discovery Today 的早期分析：进入临床试验的AI发现药物中，整体成功率尚未显示出显著优于传统方法的结果。配合2024年FDA新药审批数据，作者指出，AI（尤其是深度学习）在计算机视觉和自然语言处理上的成功逻辑，并未在药物发现领域顺利复现。

作者将问题归为几类：模型开发阶段对临床转化目标关注不足、生命科学数据本身具有条件性和低可预测性、问题定义不充分导致计算模型在真实场景下“规格不足”。他们还指出，“技术推动”（technology push）而非“科学需求拉动”（science pull）是重要潜在原因，且技术能力转化为规模化、可及的内部系统需要大量时间。最终建议是：AI工具的基准测试应“从模型验证转向评估其改善决策的能力”。

为什么重要

这篇文章的重要性在于它提供了一个行业级的冷静框架。过去几年，AI制药赛道融资热度高、模型数量增长快，但临床转化始终是悬而未决的核心问题。文章没有否定AI的价值，而是明确指出了一个容易被忽视的中间环节：从“预测准确”到“决策改善”之间还隔着数据质量、工作流整合、组织采纳等多重阻碍。

对AI行业而言，这是又一次发生在高价值垂直领域的“技术祛魅”：基础模型能力不等于业务价值。它提醒从事药物研发、生命科学AI的公司，需要重新审视自己的评估指标——例如，与其在公共数据集上追逐SOTA分数，不如花力气验证模型在真实管线决策中是否能让研发人员更快做出“终止或推进”的判断。这种反思可能影响资本配置和模型研发的重心，也会促使更多团队将数据生成（而非单纯算法优化）视为核心瓶颈。

对用户/开发者/创作者的影响

对于在医药企业或AI制药初创公司从事算法开发的工程师、数据科学家来说，这篇文章意味着：模型开发不能只盯着分子性质预测精度，更应该与下游决策场景绑定。具体而言，与临床团队协作定义“上下文使用”（context of use）、提高数据质量标注投入，可能比堆算力、换更新模型更关键。这也意味着agent或工作流类AI工具（如辅助文献挖掘、临床试验设计决策支持）有机会获得更多重视——因为它们解决的是决策效率而非单一预测问题。

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。

了解 GamsGo AI

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。

对于科研用户和关注技术投资的人来说，这篇文章的价值是提供一个可核查的“期望管理”坐标：不是所有带“AI”标签的药物发现成果都具备临床级说服力，阅读论文时需关注其评估方式是内部模型验证，还是包含决策改进度量的真实流程测试。

值得关注的后续

一、行业是否会跟进提出统一的“决策影响”评估标准。文章明确批评现有基准测试过度关注模型验证，若未来出现面向药物发现场景的决策级benchmark（例如以终止无效靶点、预测临床试验成败为目标的度量体系），将是标志性变化。

二、AI辅助发现药物的临床数据更新。目前进入临床阶段的AI药物数量逐渐增加，但距离积累足够成功率统计还需数年；观察其II期推进率是否会高于行业历史平均水平，是更可靠的验证窗口。

三、企业与研究机构是否会调整评估模式。目前公开信息显示，已有大型药企将AI模型与内部决策流程做更深度绑定（如用于不可成药靶点评估或试验设计），这种“工作流级嵌入”的案例能否给出量化结果，值得持续追踪。

来源：Hacker News (黑客新闻)