AI 加速生物药研发：阿斯利康如何用模型重塑药物设计

AI 正在成为生物药研发的基础设施，而不再只是辅助工具。MIT Technology Review 近日以阿斯利康生物药研发高级副总裁 Puja Sapra 的访谈为线索，梳理了这家跨国药企如何把 AI 嵌入「设计—制造—测试—分析」的全链条，并借助机器人和自动化构建一个闭环式的「未来实验室」。

AI 进入药物设计的核心环节

在传统生物药研发中，科学家需要在海量候选分子中寻找能与目标靶点结合、在人体内保持稳定且可大规模生产的那一小部分，整个过程耗时漫长且失败率高。阿斯利康的做法是引入「构建—测量—学习」的循环：先用 AI 在计算机层面生成或排序候选分子，预测哪些设计最可能成功，再让实验室把资源集中在排名靠前的少数分子上，由此缩短反馈周期、减少无效探索。

Sapra 援引麦肯锡的估算指出，生成式 AI 叠加其他计算工具，理论上可以把药物发现的时间线缩短最多 50%。她表示，阿斯利康的内部数据集是公司的「差异化壁垒」，覆盖分子结构、结合度、安全性、生产结果等多模态信息，并已投入深度筛选技术持续扩充训练样本，用于对前沿基础模型进行微调。

从单靶点到「多特异性」分子

下一代生物药的目标不再是单一通路，而是同时作用于多个靶点，或将药物精准递送到特定细胞。这种多变量优化远超传统经验所能覆盖的范围。Sapra 认为，AI 模型可以先基于生物学机制决定优先攻克的 2–3 个靶点，再在效力、稳定性、可生产性和安全性之间做平衡。她援引行业说法称之为「把不可成药的靶点变成可成药」，并认为这是 AI 真正能扩大治疗边界的方向。

「未来实验室」：机器人与 AI 的闭环

为了让数据反哺模型，阿斯利康正在剑桥 Kendall Square 建设一座被内部称为「未来实验室」的设施，把 AI 的预测能力、机器人系统的执行能力以及仪器产生的数据串成一个连续的闭环。Sapra 形容，这一系统就像自动驾驶汽车用传感器和模型感知环境——AI 负责预测，机器人负责做实验，仪器负责产出新数据，再回流给模型。

她强调，科学家在整个过程中仍然居于核心位置，负责监督、判断和战略方向，确保模型输出可解释、可被监管接受，并真正服务于患者。建成后，自动化高通量系统有望以周为单位生成并评估数千个分子相互作用，产生传统流程无法匹敌的「AI 就绪」数据量。

终极愿景：从零生成蛋白药物

对于更长远的「de novo」设计，Sapra 认为行业的目标已经很清晰：让 AI 直接生成全新的蛋白序列，同时满足结构、预测安全性、体内行为和可生产性等多重要素。她判断，完全由 AI 设计并推进到临床候选阶段的生物药「正在快速接近现实，只是时间问题」。

需要指出的是，本文属于应用层面的进展梳理，并非新的基础模型或开源权重发布。文中给出的 50% 时间线缩短来自麦肯锡的估算，并非阿斯利康内部的实测结果；而「未来实验室」的产出规模和实际效果仍有待在后续运营中验证。