AI制药的反缩放定律：为什么模型越强，药物研发的管线越来越多？

过去两周，生物制药领域最受关注的事情莫过于在 2026 年美国临床肿瘤学会（ASCO）年会上公布的胰腺癌口服新药 daraxonrasib 的数据：经过治疗的晚期胰腺癌患者，死亡风险降低 60%，中位总生存期为 13.2 个月，整整翻了一倍。

在这之前，礼来的 VERVE-102 项目数据显示，仅需单次输注，即可对人体肝脏内的 DNA 进行活体编辑，使 PCSK9 蛋白水平降低高达 88%，低密度脂蛋白（LDL）降低高达 62%，且疗效维持一年以上。

作为生物技术领域的风险投资人、癌症生物学家，Liang Chang 对于这些进展同样倍感兴奋。他在哈佛大学获得癌症生物学博士学位，同时，Liang Chang 也是一名 AI 重度使用者，在过去短短两个月里，他消耗了价值高达 1.4 万美元的 Token。

在人工智能和科技领域，存在著名的“缩放定律（Scaling Law）”，即投入的算力、数据越多，模型的能力就越强，呈现指数级增长。

但在制药领域，他提出了一个反向判断：AI 在短期内可能更多是造成研发管线的拥挤，而不是直接大幅提高药物获批的最终成功率。他认为生物学与新药研发领域存在“反缩放定律”（Anti-Scaling Law），即第一个成功往往消耗了该领域最容易、最有价值的靶点，后续靶点会越来越难，没有复利，只有衰减。

（来源：Liang's AIxBIO foundry）

科技行业的缩放定律，为什么不能直接套到生物学

如果只看表面，daraxonrasib 和 VERVE-102 这两个项目的结果确实容易让人陷入乐观情绪：既然 RAS 和 PCSK9 这样的重大靶点都出现了突破，那么在 AI 加持下，未来药物研发岂不是能够取得更大的突破？未来 5-10 年，是不是会有一批类似成果不断涌现？

作者的回答很谨慎。他认为，这两个项目数据当然值得兴奋，但不能简单推导出 AI 会让药物研发像软件一样规模化。原因很直接：RAS 和 PCSK9 并不是 AI 刚刚发现的新靶点，它们是生物医药领域最古老、最明确、最被反复研究的靶点之一。

（来源：Liang's AIxBIO foundry）

科技行业的增长逻辑，通常建立在可复制性之上。一个产品模型被验证后，可以迅速扩展到更多用户、更多场景、更多国家。用户越多，数据越多；数据越多，模型越好；模型越好，又会吸引更多用户。这个循环可以复利式增长。

但药物研发不是这样。在生物学里，第一个被验证的靶点，往往不是随机选出来的。它之所以被最先验证，是因为它本来就有最强的人体遗传学证据、最清晰的疾病关联、最明确的商业价值，或者最值得长期投入的科学理由。

这就是作者所谓的“反缩放定律”：在生物学里，第一场胜利并不意味着后面也能胜利。相反，它可能意味着最明显、最强信号、最值得攻克的机会已经被消耗掉了。第二个靶点更难，后面会越来越难。

这与互联网行业的直觉完全相反。互联网里的一个成功产品可以复制到相邻场景，但药物研发里的一个成功靶点，并不意味着相邻靶点也同样有效。疾病机制、组织环境、患者差异、毒性窗口、给药路径、代谢特征，每一项都可能让看起来相近的问题变成完全不同的问题。

所以，AI 制药如果沿用科技行业的规模化想象，就很容易高估自己的能力。模型可以迁移，生物学不一定能迁移；工程经验可以复用，但人体内的因果机制不一定能复用。

真正稀缺的不是模型，而是可靠的生物学靶点

作者在文章中提出的一个重要判断是：好靶点极其稀缺。

人类大约有 2 万个蛋白编码基因，其中可能有 3,000 到 6,000 个在传统意义上具备一定成药性，而真正拥有获批对应药物的靶点，仅仅只有 700 个左右。每一个阶段的跨越，都伴随着数量级的锐减。

更重要的是，这些被留下来的靶点并不是随机样本，而是生物学证据最强、最容易被理解、最容易被验证的一批。2024 年，一项关于遗传优先级的实证研究发现，排名前 0.28% 的顶级靶点，从 Ⅰ 期临床试验一路过关斩将最终获批的概率，要比普通靶点高出近 9 倍。

（来源：Liang's AIxBIO foundry）

PCSK9 就是一个典型案例。它之所以重要，不是因为模型从文献里推理出了它，而是因为人类遗传学给出了非常清楚的说明：一些人生来就携带 PCSK9 功能缺失变异，这类人群的 LDL 水平更低，冠心病风险也显著下降。

AI 抬高了研发下限，却尚未突破成功率上限

事实上，作者明确承认 AI 在药物研发中有巨大价值。

从一个靶点到一款药物，中间有大量工程环节：寻找苗头化合物，优化分子结构，预测蛋白结构，设计抗体或小分子，改善成药性，评估药物代谢动力学，设计实验，优化生产工艺，筛选适应症，设计临床试验，提高运营效率。这些环节中，AI 都可能显著提高效率。

AlphaFold 对蛋白结构预测的推动，就是一个典型例子。今天，大量公司正在尝试使用 AI 预测抗体结合、优化成药性特征、生成新分子结构、提高筛选效率。

但作者提醒道：药物研发里有一层绝非工程学所能解决的，那就是为正确疾病选择正确靶点。新药研发真正的考验往往是针对患者开展的 Ⅱ 期临床概念验证（Phase 2 PoC）试验，到了这个阶段，药物必须面对真实患者、真实疾病、真实人体复杂性。

（来源：Liang's AIxBIO foundry）

而这一阶段的数据多年来几乎毫无起色：一款药物从步入临床试验到最终获批上市的成功率，在 2014 年大约是 10%，而到了 2020 年这一数字甚至降到了接近 8%。在此期间，基因组学、CRISPR、机器学习等工具快速发展，但却始终未能提高这一阶段的胜率。

归根结底，AI 抬高了工程执行的下限，但它尚未突破生物学规律的上限。

当 AI 成为标配，热门靶点会更加拥挤

文章里最值得关注的一部分内容是关于“拥挤”的判断。

如果 AI 让药物研发的工程层变得更便宜、更快，但没有同步扩大经过验证的靶点池，那么资本和创业团队会往哪里去？答案很可能是：更加集中地涌向已验证靶点。

原因并不复杂。AI 平台本身已经带有技术风险。如果一个团队还同时押注一个完全未经验证的新靶点，风险就会叠加。为了让融资故事更容易被理解，让早期结果更容易被市场接受，理性的选择往往是把新技术用在老靶点上。靶点越成熟，投资人越容易理解；已有数据越多，AI 越容易训练；临床路径越清楚，项目越容易推进。

于是，AI 反而可能把行业推向同一个方向。就 PCSK9 这一个靶点而言，目前已有至少 15 款抗体、10 款 siRNA、4 款 ASO（反义寡核苷酸），以及 5 款口服小分子/环肽药物获得了批准或已步入临床阶段；而针对 CD19 靶点，更是有超过 300 个不同临床项目在研：自体 CAR-T、异体 CAR-T、CAR-NK、单抗、T 细胞衔接器（T-cell engagers）……

（来源：Liang's AIxBIO foundry）

作者认为，当 AI 成为唾手可得的工具，而可用靶点却依然屈指可数时，短期内的必然结果，就是引发一场针对同一批已验证靶点的惨烈价格战。

如何寻找同类首创的全新靶点？

如果 AI 不能凭空变出真正的新靶点，那 first-in-class（同类首创）靶点到底从哪里来？

作者的答案很明确：最重要的来源是人类遗传学，但人类遗传学不是坐在电脑前做推理。

你不能靠一个最先进的 AI 模型，在已有知识库上更努力地推理，就找到下一个 PCSK9；也不能单靠所谓虚拟细胞扰动，在模拟环境里推出一个足够可靠的新靶点；必须去真实世界中测序大量真实的人，然后做漫长的湿实验，弄清楚这个遗传信号到底意味着什么。

（来源：Liang's AIxBIO foundry）

再生元制药（Regeneron）的 GPR75 就是一个典型案例。为了找到 GPR75 这个靶点（其保护性突变与更轻的体重相关，能将肥胖概率降低 54%），他们测序了大约 64 万个人类外显子组（exomes）。结果发现，这种保护性突变在每万名受试者中仅出现约 4 例——如此微弱的信号，只有在这样庞大的数据规模下才有可能被捕捉到。

GPR75 是 2021 年被提出的重要肥胖相关靶点。但五年后，即使已有 3 个平行项目推进，仍然还没有 GPR75 药物进入人体临床。

治疗代谢相关脂肪性肝炎（MASH）的靶点 HSD17B13 也是，这个靶点和代谢相关脂肪性肝炎相关。它同样来自人类遗传学发现，目前还没有获批药物，但已经有 5 个临床阶段项目和更多临床前项目。

因此，作者认为，靶点的发现绝非终点线，它仅仅是打响了又一个长达十年的物理世界艰苦鏖战的发令枪。

这也是 AI 无法逾越和走捷径的鸿沟，因为绝大多数同类首创靶点，根本还未曾存在于任何 AI 的训练数据之中。它们依然深藏在真实的临床队列里、在实验室的试管检测中，以及无数科学家在现实物理世界里，用岁月和心血筑就的坚守之中。

归根结底，作者的核心论点是：在科技领域，概念验证（PoC）意味着大功告成；但在生物学中，概念验证往往意味着九死一生。

他建议保持足够的谦逊，继续扎扎实实地去测序、去寻找，并在任何人能够证明其可行性之前，依然选择去押注那些看似不露锋芒、胜算未卜的冷门尝试。

1.https://liangchang.substack.com/p/the-anti-scaling-law-in-biology-and

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成