人工智能正迅速成为生物药研发的重要基础设施，并重塑候选药物的发现与验证方式。

据MIT Technology Review 23日（当地时间）报道，英国制药与生物技术公司AstraZeneca高级副总裁、研发部门生物药工程与肿瘤靶点发现负责人Puja Sapra表示，从分子设计、制备到验证和分析，生物药研发的各个环节正越来越多地由计算能力驱动，这一变化正在缩短开发周期，并提升研发效率和创新能力。

与依赖合成化学的小分子药物相比，生物药设计复杂得多。相关分子不仅需要与目标靶点有效结合，还要在人体内保持稳定，并具备规模化生产的可行性。尽管可供选择的分子组合极为庞大，但最终能够推进为临床候选物的仍只是少数。

在这一过程中，AstraZeneca采用“构建—测量—学习”的闭环研发模式。AI先对候选分子进行预测和优先级排序，研究团队再将实验资源集中投入到更有潜力的候选分子上。Puja Sapra表示，这一流程有助于减少试错、加快迭代，也让过去被认为较难成药的靶点出现了新的研发机会。

AI带来的变化不只是研发提速，也在改变生物药的设计逻辑。下一代生物药不再局限于单一路径，而是可能同时作用于多个靶点，或将治疗分子更精准地递送至特定细胞。Puja Sapra认为，在多靶点优先级排序，以及在疗效、安全性和可制造性之间寻找平衡方面，AI正发挥关键作用；一些过去被视为“不可成药”或“难以治疗”的靶点，也因此开始进入可开发范围。

数据能力被视为AI竞争力的核心。McKinsey估算，生成式AI与其他计算工具结合，最多可将新药发现周期缩短50%。不过，AI模型的能力高度依赖训练数据的规模与质量。Puja Sapra表示，AstraZeneca的优势之一在于其自建多模态数据体系，覆盖分子结构、结合测量数据、安全性特征以及生产表现等信息，并横跨多种疾病领域和药物类型。与此同时，公司也在持续投入高精度筛选技术，用于微调最新AI模型并进行持续验证。

AstraZeneca目前正在美国马萨诸塞州剑桥市肯德尔广场建设“未来实验室”，将AI与机器人自动化整合进同一闭环体系。其运行逻辑是：由AI提出实验预测，机器人执行实验，设备生成数据，再将数据回流用于模型训练。Puja Sapra预计，未来自动化高通量系统每周可生成并评估数千组分子相互作用数据。

不过，Puja Sapra也强调，即便自动化程度持续提高，科学家仍将处于研发体系的核心。AI结果是否具备可解释性、可信度是否足够，以及最终能否真正转化为对患者有价值的疗法，仍离不开人的监督、判断和策略制定。

在AstraZeneca看来，最终目标是实现de novo设计，即由AI围绕目标药物特征直接设计全新的蛋白质序列，并同步优化其结构、安全性、体内作用特征和可制造性。Puja Sapra表示，整个行业正朝着“从设计到临床候选物确定”由AI贯穿和驱动的生物药开发模式迈进。

但要实现这一目标，行业仍面临多项现实挑战，包括更丰富且标准化的训练数据、用于评估AI设计候选物的稳健基准体系，以及同时理解机器学习与生物学的复合型人才。其中，最困难的问题之一，是如何准确预测计算机生成分子在人体内的真实安全性。

为缩小AI设计结果与真实临床表现之间的差距，AstraZeneca正探索一条近似“虚拟临床试验”的技术路径，即利用高级细胞系统和微型器官模型获取数据，并将这些数据进一步回用于AI训练。

Puja Sapra预计，未来能够在生成候选分子的同时预测疗效与安全性的Agent型AI系统将加快普及。与此同时，系统自主性越强，对人工监督的要求也越高。未来科学家将更多以协作方式与AI共同工作，承担结果验证和综合研判等职责。

Puja Sapra还透露，AstraZeneca工程团队正致力于开发将AI定位为“思考伙伴”而非黑箱工具的系统。团队目前正围绕多模态数据融合、闭环优化、不确定性量化以及临床决策阶段的可解释性等问题展开系统设计，并认为AI技术与科学专业能力的深度结合，将成为下一代生物药研发的关键。