阿斯利康加速AI生物药设计:从候选分子筛选到全新药物生成,构建自主发现引擎
摘要:MIT科技评论发布深度行业分析,聚焦阿斯利康如何将AI深度融入生物药研发。文章指出,AI已从辅助工具转变为药物发现的核心基础设施,通过“构建-测量-学习”闭环,大幅缩短研发周期。阿斯利康正投资“未来实验室”,结合AI与机器人自动化,构建自主发现引擎。其终极目标是实现“从头设计”(de novo)——让AI直接生成全新蛋白质序列,并预测其安全性。文章还强调了数据护城河、虚拟临床试验以及人机协作在推动这一变革中的关键作用。
概述
设计并开发一种新药是一项昂贵且容易失败的科研挑战。新药研发往往需要多年时间,投入巨大,但即便如此,大多数候选药物最终也无法惠及患者。对于生物药(由工程化蛋白质而非合成化学制成的疗法,常用于治疗大多数主要急慢性疾病)而言,其复杂性更甚。
科学家需要探索海量可能的分子,寻找极少数能与正确靶点结合、在人体内保持稳定且可规模化生产的候选物。如今,AI正在加速这一过程,并迅速成为制药研发基础设施的核心部分。
阿斯利康的AI驱动策略
阿斯利康正在积极建设其工程团队以推动这一进程。其研发生物制剂工程与肿瘤靶向发现高级副总裁Puja Sapra表示:“我们所做的一切,无论是设计、制造、测试还是分析,现在都得到了计算增强。周期时间在缩短,而生产力和创新在提升。”
阿斯利康的方法遵循“构建-测量-学习”循环:AI计算生成或优先排序候选分子,预测哪些设计最可能成功,科学家则将实验室资源集中在排名靠前的候选物上。这带来了更紧密的反馈循环,减少了死胡同,加快了迭代速度,并使得针对以往被认为无法用药的疾病靶点成为可能。
应对复杂药物设计难题
除了加速时间线,AI还被应用于发现全新类别的药物。传统生物药通常靶向单一疾病通路,而下一代药物可以同时作用于多个靶点,或将治疗载荷精准递送到特定细胞。这需要同时优化多个变量。展望未来,AI驱动模型可以帮助设计这些日益复杂的多特异性生物药。Sapra举例说:“例如,这类模型可以帮助根据基础生物学确定优先靶向哪两个或三个靶点,然后跨多个参数优化,以平衡分子的效力、稳定性、可制造性和安全性。”
“对不可成药靶点的用药正成为现实,”Sapra说,“这些技术最终将使我们能够开发针对曾经被认为不可能触及的靶点的药物。对患者的潜在益处是巨大的。”
数据护城河
麦肯锡估计,生成式AI与其他计算工具相结合,可将药物发现时间线缩短多达50%。但每个AI模型的质量取决于其训练数据。在药物发现中,这意味着需要大量高质量的生物数据。实验可以提供丰富的数据来源,无论成功与否,每次实验都会产生关于什么有效、什么无效的信号。
“数据是我们的差异化优势,”Sapra说。该公司的数据集是专有的、多模态的,包括分子结构、结合测量、安全概况和制造结果。“我们构建了一个跨多个疾病领域和药物类型的有意多样化的组合。所有这些数据使我们能够用更丰富、更具代表性的训练集来微调前沿AI模型。”此外,公司还投资于深度筛选技术,以生成持续优化和验证模型所需的大量数据集。
构建自主发现引擎
为了将所有数据整合在一起,阿斯利康正在马萨诸塞州剑桥的肯德尔广场建设一个“未来实验室”设施,AI和机器人自动化将形成一个连续的闭环发现系统。“自动驾驶汽车使用传感器和模型来导航环境,这个系统则使用AI进行预测,机器人系统执行实验,仪器生成数据,”Sapra解释说。这些数据直接反馈到模型中,加速每个后续循环。
“在整个过程中,科学家仍将是核心,提供监督、判断和战略方向,确保输出是可解释的、可容忍的,并指向潜在的患者获益,”她补充道。
最终,自动化高通量系统将能够每周制造和评估数千种分子相互作用。“这将产生传统工作流程无法匹敌的AI就绪数据,”Sapra说,“机器人样品处理、自动化质量检查和集成数据管道也有望显著加速早期药物开发时间线。”
下一前沿:从头生成药物
最终,Sapra表示,AI在生物药发现中的终极愿景是所谓的“从头设计”(de novo)设计。为此,目标是让AI生成完全符合所需药物特性的全新蛋白质序列,包括设计结构、预测安全性、在体内的行为以及如何制造。
“该领域正在朝着完全由AI生成的生物药取得巨大进展,从零开始设计一直到临床候选药物,”Sapra说,“随着我们继续利用前沿模型并用正确的数据集进行微调,我们离这一现实越来越近。我相信它会到来,只是时间问题。”
然而,要达到这一点,需要几个关键要素:首先是行业范围内更丰富、更标准化的训练数据;其次是针对AI生成候选物的稳健评估基准;第三是懂得在机器学习和生物学交叉领域工作的团队。在所有先决条件中,安全性预测可能是最重要且最不被讨论的。
“从头设计中最难的问题之一是预测计算生成的分子在人体内是否安全,”Sapra解释说。阿斯利康正在通过所谓的虚拟临床试验来解决这个问题,这些是先进的细胞系统和微尺度器官模型,作为物理测试平台,并与从这些平台输出中学习的AI配对。
“这些系统有潜力在没有传统测试瓶颈的情况下产生增强的生物信号,它们是弥合AI生成设计与临床就绪候选药物之间闭环的关键缺失部分,”Sapra补充道。
当前正在发生的一个转变是转向代理式AI系统,这些系统可以同时生成分子候选物并预测其有效性和安全性。这些自主工作流可以将疾病层面的见解直接连接到分子设计,弥合了以前分离的数据孤岛。“生物学的复杂性与分子的设计相辅相成,”Sapra总结道。
人才解锁AI潜力
生物药领域的转型不仅仅是技术问题。“随着系统更加自主,人类监督仍然是这种方法的核心——确保可解释和道德的AI,以造福患者,”Sapra说。
对科学家来说,与AI合作是一个协作过程。“科学家将与这些模型系统携手合作,”她说,“将有一个世界,模型设计分子,然后科学家与系统合作测试这些分子并将所有数据整合在一起。”通过人类检查、平衡和判断,模型将不断演进和改进,最终有潜力造福患者。
对工程师来说,设计和构建有效的、适合人机协作的系统将意味着确保高水平的模型透明度和可解释性。据Sapra称,阿斯利康的工程团队包括数据科学家、自动化专家和AI工程师,他们正在开发作为“思考伙伴”而非黑盒的系统。“工程师正在设计能够快速生成、验证和学习的系统。这些问题确实很难:多模态数据融合、闭环优化、不确定性量化以及临床决策点的可解释性,”她补充道。
在应对这些技术挑战时,工程师和科学家有机会为许多疾病的潜在改变生命的治疗研究做出贡献,Sapra说:“我们今天能开发的生物药,以及我们明天将设计的药物,取决于将世界级的AI和工程人才与深厚的科学专业知识相结合。”
本文由阿斯利康发起并资助。Z4-85058,2026年7月。
本内容由MIT科技评论的定制内容部门Insights制作,并非由MIT科技评论编辑团队撰写。它由人类作家、编辑、分析师和插画师研究、设计和撰写,包括调查的撰写和调查数据的收集。可能使用的AI工具仅限于经过全面人工审查的次要生产流程。
—— 完 ——消息来源:MIT Tech Review AI (2026-07-23)
主题标签: #AI药物发现 #生物药 #AstraZeneca #从头设计 #智能体
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区