Nat Rev Drug Discov (IF=91.2)｜AI制药的真正瓶颈在哪里？模型“刷榜”≠新药成功，未来应从模型验证转向临床决策验证！(哈利法大学等)

2026年8月7日，哈利法科技大学Andreas Bender团队联合剑桥大学、爱丁堡大学、哈佛医学院、阿斯利康、MRC Laboratory of Molecular Biology、EMBL-EBI等学术及产业机构，在药物研发领域权威期刊Nature Reviews Drug Discovery在线发表题为“Artificial intelligence in drug discovery — what it is, where we stand and the path forward”的Perspective文章。Andreas Bender为通讯作者，同时任职于哈利法科技大学、剑桥大学等机构。该文于2026年6月20日接收，8月7日正式在线发表。

过去十年，人工智能（artificial intelligence，AI）几乎渗透到药物研发的每一个环节，从靶点发现、蛋白结构预测、虚拟筛选和生成式分子设计，到ADME/PK预测、患者分层和临床试验设计。然而，与AI在图像识别、语音识别等领域产生的巨大实际影响相比，作者认为，目前能够证明AI真正提高新药临床成功率的证据仍然十分有限。虽然AI方法不断刷新各种基准数据集上的性能纪录，但这些数字能否转化为“更快地为患者带来更安全、更有效的新药”，仍是尚未解决的核心问题。

【摘 要】

代谢功能障碍相关脂肪性肝炎（metabolic dysfunction-associated steatohepatitis，MASH）是一种常见且可能危及生命的肝脏疾病，目前有效治疗手段仍较有限，因此亟需发现新的分子靶点和有效的药理学干预手段。

本研究鉴定出醛酮还原酶家族1成员B10（aldo-keto reductase family 1 member B10，AKR1B10）是MASH的重要特征分子。AKR1B10在患者肝组织和血清中的表达均升高，并与疾病严重程度密切相关。

在小鼠中遗传性敲除Akr1b10，可显著减轻高脂高胆固醇（high-fat/high-cholesterol，HFHC）饮食诱导的肝脂肪变、炎症和纤维化。

机制研究发现，三联基序蛋白29（tripartite motif protein 29，TRIM29）可作为E3泛素连接酶直接结合AKR1B10，促进其泛素化和蛋白酶体降解，从而减轻MASH进展。

进一步研究发现，天然化合物黄连碱（coptisine，COP）可通过变构作用促进TRIM29与AKR1B10之间的相互作用，加速AKR1B10降解，并在MASH小鼠中表现出良好的疾病改善作用。此外，过表达Trim29能够进一步增强COP介导的MASH改善效果。

综上，本研究揭示TRIM29/AKR1B10轴是一条具有潜在药物干预价值的信号通路，并提示黄连碱可能成为值得进一步研究的MASH候选干预化合物。

01

研究背景及科学问题

过去十年，人工智能（AI）在药物发现领域受到越来越广泛的关注。如今，有必要对这一领域的发展进行一次批判性审视：我们究竟在哪些方面取得了进展？在哪些方面仍然没有看到真正的影响？对于药物发现而言，最重要的目标始终是更快地为患者提供更加安全、有效的药物。

尽管目前已经开发、应用并基准测试了种类繁多的AI方法，但迄今能够证明这些方法产生临床相关影响的证据仍然令人失望地有限。

本文讨论了造成这一现象的多种可能原因，包括模型开发过程中过度忽视临床转化目标、AI算法难以有效处理具有高度条件依赖性的生命科学数据，以及现实应用场景中的问题定义不充分，由此造成计算模型“欠规格化”（underspecification）。

此外，与“科学需求牵引”（science pull）相比，目前领域内较为明显的“技术推动”（technology push）倾向可能也是重要原因之一。同时，将技术能力真正转化为具备足够规模、能够被实际用户方便使用的系统，本身也需要相当长的时间。

基于上述问题，作者提出了一系列促进AI药物发现提高转化相关性的建议。例如，未来针对AI药物发现工具的基准研究不应继续仅关注模型本身是否通过验证，而应更多评价这些工具是否真正改善药物研发过程中的决策质量。

02

重要发现及亮点

人工智能已经在图像识别和语音识别等领域产生深远影响，例如如今许多智能手机已经集成具有较高准确率的语音识别功能。按照某些定义，AI在药物研究与开发领域同样已有至少十年的应用历史，但其实际影响目前明显没有达到图像和语音领域的程度。

近期针对AI药物发现领域的综述表明，大部分“AI-first”药物发现公司的研发项目仍停留在临床前阶段。已有数十个项目进入临床Ⅰ期和Ⅱ期，但进入临床Ⅲ期的项目仍然很少。

这一现象不能完全归因于传统药物发现项目本身耗时较长，因为许多AI支持者此前一直强调AI有望显著缩短新药研发周期。

虽然近年来美国FDA的新药批准数量呈现一定上升趋势，但作者认为，这一变化存在多种其他解释。例如，具有相对更高临床成功率的生物制剂研发投入不断增加，罕见病药物审批数量也在增长。因此，目前尚不能简单把药物研发成功率的改善归因于AI。

针对AI是否已经真正转化为临床价值的问题，目前更准确的描述可能仍然是“缺乏证据”，而不是已经得到“没有效果”的证据。尤其是在真正获得药物批准，以及通过AI发现全新疾病生物学机制或真正由AI发现的新型治疗手段方面，现有证据仍然有限。

相比之下，AI本身的技术能力发展则令人更加鼓舞。如今，人们已经能够预测大量蛋白质结构、设计具有特定功能的蛋白质，同时单细胞组学、空间组学等新型测量技术也使研究人员能够产生前所未有的大规模生物数据。

然而，“更强的技术能力”和“更多的数据”并没有自动转化为整个药物研发流程中更好的决策，更没有被充分证明能够带来更好的临床结局。

药物发现和开发本质上由一系列连续决策构成，因此很难准确判断一个项目最终成功究竟应归功于哪个因素。是因为选对了靶点？还是因为筛选实验更加接近真实疾病生理？是筛选库中恰好存在正确的化合物？是药物化学家的经验发挥作用？还是恰好拥有合适的转化动物模型？

实践中，人们往往倾向于把失败归因于“运气不好”，却容易把成功归因于自己所使用的方法。这种归因偏差也会影响公众对于AI药物研发价值的判断。

因此，本文希望回答一个更加根本的问题：AI究竟应该应用在哪些药物研发环节，才能真正提高临床成功率？什么样的数据才值得用于AI建模？又应该如何评价一个AI模型是否真正产生了药物研发价值？

人工智能赋能药物研发全流程应用与工具实操

高级研修班 · 2026年8月28日-30日 北京+直播

政策与产业双重驱动，掌握AI药物研发全流程能力已成为医药研发人员的必备技能。工信部等七部门联合印发《医药工业数智化转型实施方案（2025—2030年）》， 明确支持搭建医药大模型创新平台，开展“人工智能赋能医药全产业链”应用试点。国家药监局持续推进人工智能技术落地药物临床研发领域， 推动国内药品研发监管规范与国际监管标准衔接。

如需报名或有疑问，请联系程老师：186 0064 3232或扫码报名

为帮助从业人员系统掌握AI药物研发核心技能，破解传统药物研发周期长、成本高、成功率低等痛点， 助力医药产业高效创新，中国科学院人才交流开发中心定于8月28日举办本次高级研修班。 特邀中国科学院相关研究所及国内知名医药科研机构专家，围绕AI技术在药物研究中的实际应用与实操技能开展专题授课。

一、主题、内容

（一）人工智能赋能生物医药前沿技术

• 人工智能赋能药物研发前沿技术与科学突破

• 人工智能药物研发中的核心应用场景

• 药物研发常用AI工具分类与优选方法

• AI驱动下创新药研发发展趋势与现存挑战

（二）人工智能的药物研发数据处理实践

• 药物研发核心数据获取与规范

• 药物研发原始数据清洗与标准化实操

• 药物研发结构化与非结构化数据融合处理

• AI驱动的药物数据特征工程与变量挖掘

• 药物研发数据建模与AI预测模型

• 药物研发专用AI智能体知识库搭建实操

（三）AI赋能靶向药物设计与虚拟筛选技术应用

• 人工智能赋能药物设计技术路径

• 人工智能技术辅助靶点的药物设计实战

• AI赋能基于表型的药物设计应用

• 生成式AI模型赋能药物设计实践

• 基于细胞图像的基因-化合物匹配用于虚拟筛选

• 跨尺度多组学融合及时空动态建模技术展望

（四）AI驱动小分子设计与优化创新技术实践

• 高通量虚拟筛选（HTVS）发现小分子苗头化合物

• 基于AI的全新小分子设计实战

• 多靶点药物分子的设计技术实践

• 生成式AI助力药物分子结构优化

• 分子动力学模拟与虚拟筛选平台

（五）AI技术在生物药设计与制备中的应用

• AI辅助蛋白与多肽药物设计与预测

• AI在抗体设计和抗体预测中的应用

• AI驱动的空间RNA组学整合分析与靶点发现

• AI驱动大分子成药性与关键属性优化

• 基于PK/PD模型的人体药效预测

• AI赋能大分子治疗候选物功能的预测

（六）AI辅助精准适应症筛选与成药性评估

• 成药性评估核心参数与ADMET性质预测

• AI驱动的疾病靶点与适应症挖掘技术

• 研发闭环动态优化及成药性评价优化策略

• 基于AI大模型共建一体化的干湿实验趋势

（七）临床前研究中的AI技术应用

• AI赋能毒性预测与脱靶效应与安全性评估

• AI在临床前药代动力学模拟中的应用

• AI赋能临床前候选药物验证

（八）AI赋能临床试验与智能化决策

• AI在临床方案设计中的应用

• 基于AI技术的患者筛选入组

• AI赋能临床剂量选择与模型引导的药物研发

• 临床试验数据集管理与分析的AI技术应用

• AI赋能的真实世界数据应用

• AI辅助临床终点预测、评估与分析

（九）AI智能体在药物研发中的应用实操

• AI智能体技术框架与主流平台分析

• 药物研发领域专用AI智能体的技术优势

• AI智能体在药物研发各环节深度应用

• 智能体赋能药物研发案例实操

二、参加人员

各科研院所、高等院校、医药生产企业、医疗及CRO/CDMO机构等生物医药单位的药物研发、科研技术人员； 信息技术、互联网、人工智能、科技成果转化等跨行业从业人员； 深耕药物研发领域的技术骨干、科研学者，以及对本课程感兴趣的相关行业人员。

三、授课专家

授课专家来自中国科学院研究所、国内重点高校、行业头部医药研发企业及医疗机构临床研究部门， 具备丰富的AI药物研发实操经验与前沿科研成果。

四、时间、地点

时间：2026年8月28日-8月30日（27日全天报到）

地点：北京市（详细信息报名后另行通知）

线上：课程同步网上直播（课程前2天发放直播码和链接）

五、参加费用

本次培训由中国科学院人才交流开发中心主办、北京中科创嘉人力资源咨询有限公司承办。

现场参训

3680元/人

包含培训、资料、证书等费用

食宿统一安排，费用自理

线上直播

6900元/单位

包含三人名额直播码、三张结业证书

⚡ 掌握AI制药核心技能 · 抢占数智化转型先机

扫码报名 · 获取日程

如需报名或有疑问，请联系程老师：186 0064 3232或扫码报名

【贡献】★★★★★

AI药物发现真正应该采用的成功指标，应当是那些对药物研发真正重要的数字，而不是为了发表论文而人为构建的代理性能指标。

归根结底，AI是否真正改变药物研发，需要看它能否提高药物的临床批准成功率，以及能否促进治疗模态和作用机制方面真正具有新颖性的药物产生。

作者希望，这篇Perspective能够帮助研究者更加现实地看待当前AI药物发现的发展状况，并进一步明确：只有满足什么样的条件，人工智能才能在未来产生真正、可验证的药物研发价值。

免责声明：本公众号尊重并倡导保护知识产权，本文所引述观点、言论、图片及其他信息仅供参考和资讯传播之目的，希望能给读者带来科研的灵感。文章素材来源于Nature reviews. Drug discovery官网原文编译，部分来源在线网站，如涉及版权，联系删除！

【中科院1区｜肝脏与胃肠病学TOP期刊】

【中科院1区｜Cell子刊】

【中科院1区｜材料学TOP期刊】