# AI药物设计与AlphaFold应用 AI驱动的药物发现——AlphaFold结构预测、生成式化学与基于物理的虚拟筛选——将“靶点→候选”流程从数年压缩到数月。 Source: https://cn.bioecon.ru/technology/ai-drug-design-alphafold-applications/ Updated: 2026-08-18 ## 概述和价值链 标记： [EC: FDA AI/ML in Drug Development + EMA AI reflection paper | OECD: Bio-pharmaceuticals | Regulator: FDA (USA), EMA (EU), NMPA (China)] AI药物设计将先导化合物和候选物的发现从湿实验室的试错转向in silico预测。 从历史上看，开发一种疗法大约需要十年、投入数十亿美元，约90%的候选物 在临床试验中因有效性或毒性而失败；生成式AI与深度学习如今将发现阶段 从数年压缩到数月，并将早期成本降低约70-80%。该领域由三大支柱定义： AlphaFold类结构预测，以原子精度给出蛋白质3D模型，而AlphaFold 3进一步 覆盖蛋白质与RNA、DNA及配体的复合物；生成式化学，由GAN、VAE与扩散模型 从头设计小分子和抗体，优化结合亲和力、溶解度、低毒性与可合成性；以及 十亿级虚拟筛选（Enamine REAL类库），由基于物理的自由能微扰（FEP）排序。 机器人湿实验室反馈构成的lab-in-the-loop对模型进行再训练。该管线端到端 受FDA、EMA和NMPA监管，框架包括FDA的AI/ML in Drug Development指南和EMA 的AI反思文件。本投影中的六家机构涵盖结构预测（Isomorphic Labs、EMBL-EBI）、 生成式平台（Insilico Medicine、Exscientia、Recursion）和基于物理的建模 （Schrodinger）。 AI药物设计的主要方向： 1. **结构预测（AlphaFold 3）：** 原子精度的蛋白质及蛋白质-配体/RNA/DNA复合物结构，支持de novo靶点建模。 2. **生成式化学：** GAN与扩散模型从头生成分子，针对亲和力、ADMET特性和可合成性优化。 3. **十亿级虚拟筛选 + FEP：** AI筛选超大型“按需合成”库，基于物理的FEP对先导物按结合亲和力排序。 4. **Lab-in-the-loop / 主动学习：** 机器人表型筛选将实测生物学反馈用于模型再训练。 ### 行业价值链 ``` [靶点发现] ──> [生成式设计] ──> [虚拟筛选] ──> [CRO合成] │ （实测生物学反馈） │ ▼ [IND与试验] <─── [in vitro验证] <─────┘ ``` ### 价值链层级 | 层级 | 描述 | 关键输入/输出 | |:---|:---|:---| | **靶点发现** | 鉴定疾病蛋白并预测其3D结构 | **输入：** 基因组学、转录组学、序列。**输出：** 验证的3D靶点模型。 | | **生成式设计** | 针对靶点口袋从头生成分子 | **输入：** 3D靶点、生成化学软件。**输出：** SMILES库。 | | **虚拟筛选** | 对生成分子做ADMET与FEP过滤 | **输入：** SMILES库、ADMET模型。**输出：** 10-50个先导物。 | | **CRO合成** | 先导分子的合同化学合成 | **输入：** 先导结构、纯度规格。**输出：** 候选化合物。 | | **In vitro验证** | 结合亲和力测量（SPR、IC50） | **输入：** 候选物、重组蛋白。**输出：** 结合常数。 | | **IND与试验** | 临床前安全性及IND申报 | **输入：** 先导物、毒理数据、资料。**输出：** IND许可、I期。 | 该行业的跨领域技术： - **alphafold：** 深度学习3D结构预测（AlphaFold 3扩散模块）。 - **generative-chemistry：** GAN/VAE/扩散从头生成分子（Chemistry42）。 - **free-energy-perturbation：** 基于物理的结合亲和力排序（FEP+）。 --- ## 美国 美国在AI制药风险投资、基础模型开发和AI设计分子的临床转化方面领先。 ### AlphaFold联盟、表型筛选、物理建模、FDA - **Isomorphic Labs：** 从Google DeepMind剥离、商业化AlphaFold 3的公司；2026年5月扩大了与Eli Lilly和Novartis的药物发现联盟，价值约30亿美元。 - **Recursion Pharmaceuticals：** 运营最大规模的机器人表型筛选设施之一以生成lab-in-the-loop数据（Recursion OS）；2024年11月与Exscientia合并，组成端到端AI发现公司。 - **Schrodinger：** 大型制药企业广泛使用的基于物理的FEP+软件标准，用于结合亲和力预测和先导物优化。 - **FDA CDER AI/ML in Drug Development：** 在此监管框架下，首批完全由AI生成分子的临床试验被放行。 --- ## 中国 中国正围绕上海和北京的研究枢纽快速扩张AI制药基础设施，IT巨头进入 生物计算，并涌现出标志性AI来源临床资产。 ### 生成式AI制药、IT入局者、NMPA指南 - **Insilico Medicine（上海研发）：** Pharma.AI / Chemistry42平台；其由生成式AI发现的TNIK抑制剂ISM001-055（伦托塞替尼）用于特发性肺纤维化，报告了IIa期积极顶线结果（发表于Nature Medicine）并推进至关键试验，是旗舰级AI设计资产。 - **腾讯与百度：** 腾讯AI Lab的FineRx（蛋白质结构预测与虚拟筛选）以及百度的PaddleHelix生物计算平台。 - **NMPA指南与清华枢纽：** 关于AI/ML药物开发的国家指南，以及用于de novo抗体设计的大学加速器。 --- ## 欧盟 欧盟在基础结构生物信息学、开放的AlphaFold结构数据库以及牛津 anchored 生成式发现方面领先。 ### AlphaFold DB、牛津发现先驱、欧盟资助 - **EMBL-EBI（英国Hinxton）：** 与Google DeepMind共同托管AlphaFold Protein Structure Database，为超过2.14亿条蛋白质序列提供结构覆盖（开放获取）；与DeepMind的合作已续约，并于2026年新增了高置信度异二聚体预测。 - **Exscientia（英国牛津）：** Centaur Chemist平台；2020年率先将AI设计的药物（DSP-1181）推进至人体临床试验，自2024年11月起作为Recursion的一部分运营。 - **BenevolentAI与Horizon Europe：** 针对罕见疾病的预测性靶点发现平台，由欧盟“医疗AI”计划资助。 --- ## 领先公司和研究机构 | 公司 / 机构 | 国家 | 关键产品 / 平台 | 技术特点 | Status 2026 | |:---|:---|:---|:---|:---| | **Isomorphic Labs** | 🇬🇧 英国 | *AlphaFold 3平台* | 蛋白质/RNA/DNA/配体复合物预测 | operating | | **Insilico Medicine** | 🇨🇳 中国 | *Pharma.AI (Chemistry42)* | AI发现的ISM001-055进入II期 | operating | | **Exscientia** | 🇬🇧 英国 | *Centaur Chemist* | AI小分子设计（现属Recursion） | operating | | **Recursion Pharmaceuticals** | 🇺🇸 美国 | *Recursion OS* | 机器人表型筛选 + 与Exscientia合并 | operating | | **EMBL-EBI** | 🇬🇧 英国 | *AlphaFold DB* | 2.14亿+预测结构，开放获取 | operating | | **Schrodinger** | 🇺🇸 美国 | *FEP+* | 基于物理的结合亲和力预测 | commercial | --- ## 技术栈和创新 该技术栈结合了结构预测、生成式化学和基于物理的热力学，并由lab-in-the-loop 闭环。 1. **AlphaFold 3扩散架构：** - Pairformer模块对输入序列编码并构建原子关系的成对表示，随后扩散模块通过连续去噪步骤将随机原子云精修为最终3D坐标。 - 以接近实验的精度预测蛋白质与RNA、DNA及配体的复合物，支持de novo靶点建模（Isomorphic Labs）。 2. **带强化学习的生成式化学：** - 生成器（GAN或扩散）以SMILES字符串提出分子，而AI评批评它在可合成性、溶解度、ADMET特性和致突变性（Ames试验）上的得分。 - 奖励循环迭代数百万次，直到分子满足设计规范（Insilico的Chemistry42）。 3. **基于物理的自由能微扰（FEP）：** - 分子动力学热力学循环计算一次化学编辑（替换一个官能团）引起的结合自由能变化，以约1 kcal/mol的精度预测其是否改善结合。 - Schrodinger的FEP+在大型制药企业的先导物优化中替代昂贵的制备型合成。 --- ## 价值链和生产管线 ### AI设计激酶抑制剂的工业管线（FDA/IND-enabling） ``` ┌───────────────────────────┐ ┌───────────────────────────┐ │ 1. 靶点结构 │ ───> │ 2. 生成式设计 │ └───────────────────────────┘ └───────────────────────────┘ │ ▼ ┌───────────────────────────┐ ┌───────────────────────────┐ │ 4. CRO合成 │ <─── │ 3. ADMET + FEP先导挑选 │ └───────────────────────────┘ └───────────────────────────┘ │ ▼ ┌───────────────────────────┐ ┌───────────────────────────┐ │ 5. SPR IC50验证 │ ───> │ 6. IND申报与I期 │ └───────────────────────────┘ └───────────────────────────┘ ``` #### 阶段 1：靶点结构预测 将疾病靶点序列提交给AlphaFold 3，生成结合口袋的原子3D模型并导入发现LIMS。 #### 阶段 2：生成式设计 生成式化学引擎（如Chemistry42）设计与口袋形状互补、阻断底物结合的候选分子库。 #### 阶段 3：ADMET与FEP先导挑选 预测模型按溶解度、肝细胞稳定性和选择性过滤分子库，FEP按计算结合亲和力将顶级分子排序为短名单先导物。 #### 阶段 4：CRO合成 所选先导结构（SMILES）送至合同化学机构进行de novo合成，并以LC-MS验证纯度。 #### 阶段 5：SPR IC50验证 候选物通过表面等离子共振（SPR）针对固定化靶点筛选，测量结合动力学并按IC50排序确认先导物。 #### 阶段 6：IND申报与I期 先导物按cGMP放大，确立临床前安全性，并向FDA提交IND资料以启动首次人体I期试验。