2025-03
在现代医学的发展进程中，药物研发一直是一项充满挑战的艰巨任务。传统的药物研发模式依赖研发人员的经验以及大量的试错实验，不仅耗费大量的时间和资金，而且成功率相对较低。随着人工智能（AI）技术的蓬勃发展，药物研发领域正迎来前所未有的变革与机遇。AI 在药物研发中所扮演的角色、发挥的作用，以及面临的挑战和未来发展趋势。AI 作为一项前沿技术，涵盖了图像识别、自然语言处理、计算机视觉等多个领域。由于大型语言模型的出现，更是为药物研发注入了新的活力，它们凭借强大的数据处理和分析能力，在药物研发的各个环节都展现出了巨大潜力，尤其是深度学习的应用，使得自动化的新结构识别成为可能，为药物研发带来了创新的设计思路。在深度学习驱动的从头设计中，常用化学语言或模型，为了引导设计朝着目标特征发展，通常会引入基于与已知活性分子相似性、预测生物活性等指标的评分函数，并结合强化学习进行迭代优化。
AI 在药物研发面临的挑战，在药物研发中的应用高度依赖高质量的数据，但目前诸多数据问题，如获取数据成本高昂，隐私法规的限制以及数据共享的不足，使得高质量数据难以收集。此外，现有数据常常存在信息缺失、错误和偏见等问题，药物发现实验结果的不一致性以及为节省成本导致的数据不完整，都降低了 AI 模型的可靠性，而且，数据中“无效”数据（如不成功的实验结果）的代表性不足，形成矛盾数据源，阻碍了对药物全面理解，产生AI幻觉与逻辑陷阱。
技术与资源瓶颈：算法和计算能力受限，许多用于药物研发的 AI 算法最初是为其他领域设计，可能并不完全适用于药物研发的复杂场景。AI 方法对计算资源的高要求也成为了限制其应用的障碍，特别是对于小型研究团队来说，计算资源的不足可能导致无法开展相关研究。与云服务提供商合作以及开发更高效的算法，是解决这些技术和资源瓶颈的有效途径。
一、人工智能在药物研发的未来方向
1. 突破数据困境：创新数据策略
解决数据稀缺问题是未来 AI 药物研发的首要任务。可以通过制定新的策略来加强数据共享，建立统一的数据标准，确保数据的质量和规范性。开发新的 AI 算法，多模态预训练模型整合文本和化学信息，在零样本学习场景中具有巨大潜力，有助于更充分地利用现有数据资源。
2. 多模态融合：挖掘数据深度价值
目前的药物研发方法往往侧重于单一数据类型，忽略不同系统之间的复杂相互关系需整合多模态数据，建立有效的多模态融合方法，能够从多样化的数据来源和格式中提取有价值的信息，推动药物研发的发展。随着大数据和 GPU 计算技术的发展，AI 可以处理包括文本、图像和视频在内的多种数据形式。基于组学数据的新兴模型，如深度学习药物分类模型，在预测药物疗效、识别作用机制和评估毒性方面展现出良好的前景，凸显了多模态 AI 在药物研发中的巨大潜力。
3. 融入物理定律：提升模型可靠性
当前许多 AI 模型纯粹基于数据驱动，由于高质量数据的相对匮乏，限制了其在药物研发中的有效性。药物研发遵循物理定律，将物理定律融入现有的数据驱动 AI 算法中，是未来的重要研究方向。这不仅可以减少模型对数据的依赖，还能提高模型的准确性和通用性，使 AI 模型在药物研发中更加可靠和有效。
4. 确保合规与可解释性：构建信任基础
尤其是大型语言模型，可以通过分析大量文档并跟踪最新法规要求，确保药物研发过程符合法规标准，提高研发效率，降低合规风险，避免药物审批延误。开发既准确又具有可解释性的 AI 模型至关重要，这有助于在药物开发者、监管机构、临床医生和患者之间建立信任，加速药物研发进程。
5. 医疗建模与模拟：引领变革
在未来，AI 在医疗建模和模拟领域将发挥变革性作用。先进的 AI 模型能够创建更详细的虚拟人体模拟，帮助研究人员深入理解疾病机制、药物作用和个体生物学差异。通过模拟不同的场景，AI 可以优化临床试验设计和执行，选择最佳的筛选标准，加速患者招募，提高试验的代表性，提升整体质量。
随着制药行业的不断发展，拥抱科技智能技术进步就显得至关重要，只有这样才有助于解决药物开发过程中长期存在的挑战，并探索新的解决方案，提高药物的有效性和可及性。
二、人工智能药物设计
21世纪初，人工智能技术的发展推动人工智能药物设计。AI具有超高通量和流程化的特点，能够从大规模高质量标注数据中挖掘药物发现和设计的规律，因此大规模高质量标注数据的依赖成为瓶颈。科学的聚焦于提出高质量的问题和任务描述，充分发挥人类的智创造、经验和直觉。而智能体则通过高通量的文献阅读、海量实验数据分析、算法迭代与任务执行，成为最得力的助手。
根据架构图谱，最底层是“知识”，上面是大模型和工具，再往上就是智能体，通过调用大模型能力，完成立项决策、临床前药物发现、药物开发、临床试验以及其他企业私有任务的部署。
口服药用制剂因具有给药方便、易于大规模生产等优点，约84％的畅销药品均是口服制剂，占全球所有药物制剂市场份额的90％左右。口服制剂设计需要考虑的关键问题包括克服生物大分子药物的胃肠道物理屏障和生化屏障，提高水溶性差、渗透性差药物的口服吸收等。通过合适的制剂策略、优化制剂处方，可有效促进药物吸收，从而提高药物口服生物利用度。
尽管几十年来药剂学技术不断发展进步，但是药物处方设计仍然依赖于传统的试错试验，需要经过处方前研究、处方筛选、制剂工艺放大和体内外研究等过程，费时、费力、成本高且结果难以预测。此外，通过传统试错试验很难得到最优处方。因此，需开发一种高效、系统的处方设计和工艺优化方法。
人工智能已被用于药物研发的多个阶段，例如药物靶点的发现、活性药物成分的开发、先导化合物的合成和筛选、毒理学研究、制剂设计和临床研究。近10 年来，全球AI 辅助药物研发就已开始应用于辅助药物制剂的开发。可通过人工神经网络(artificial neural network，ANN) 成功预测了药物的释放参数、溶出度和半衰期。相较于传统的响应面法，ANN 分析能更精确地预测一系列验证试验的响应值。因此AI 在药物制剂上的应用更是“遍地开花”，包括预测制剂辅料对原料药溶解度的影响、确定蛋白质的化学和胶体稳定性、预测制剂的物理稳定性和载药率，以及预测药物从微粒和纳米粒中释放的速率等。在这些应用中，基于AI的高通量筛选实现了传统试验无法完成的工作量，彰显了AI 辅助药物制剂研发的重要意义。
随着深度神经网络(deep neural network，DNN)、集成学习、迁移学习等越来越多前沿算法的涌现，药物发现和开发过程中采用更高效、更系统的方法，辅助药物口服制剂开发的原理与方法，调节药物释放速率，提高药物的口服生物利用度，并通过处方工艺优化，提高制剂稳定性，保证制剂质量。
人工智能在制药行业广泛使用的六种药物制剂系统最全面的数据集，包括环糊精制剂、固体分散体、磷脂复合物、纳米晶体、自乳化和脂质体系统。然后，通过对不同 AI 算法和分子表示的系统研究和比较，对 6 个系统的 16 个重要特性进行智能预测和评估。最后，建立并验证高效的预测平台，只需输入药物和辅料的基本信息即可进行配方设计。传统的试错法药物研究，包括辅料相容性筛选，非常耗时，并且过度依赖研究人员的经验。作为制剂开发的关键早期阶段，药物-辅料相容性研究不应作为试错试验进行。根据药物QbD原理，在进行详细合理的实验设计之前，需要全面了解药物成分的理化性质，并进行相互作用风险评估。
例1：在药物-辅料相容性评价中，药物剂型由药理活性成分和添加的赋形剂组成，以协助配制和制造药品，以便更安全、更有效地给患者给药。理想情况下，药用辅料应该是无活性的，这意味着它们不应对活性成分的稳定性或治疗效果产生任何影响。然而，越来越多的研究表明，一些辅料只是“所谓的无活性” 一些辅料通过影响药物的吸收、分布、代谢或排泄过程 （ADME）来影响药物疗效，除了对药物治疗效果的影响外，药物辅料配伍不相容更常见的情况是通过化学或物理相互作用对药物稳定性的影响。据我们所知，一系列出版物报道了药物与辅料之间不相容的情况。一些综述文章还总结和分析了药物辅料不相容性问题。
辅料影响药物稳定性的常见方式是改变制剂的水或微环境pH值，充当广义酸碱催化剂，或直接与药物反应。赋形剂中的杂质可以与药物反应或充当催化剂。辅料还可以通过离子交换、氢键相互作用、多晶性转化、共晶或固溶体的形成来改变药物的物理和化学形态，这也会影响药物的稳定性。辅料与药物的接触是直接而持久的，药物-辅料不相容的机制多种多样。因此，药物-辅料相容性研究对于确保药品的安全性、有效性和质量控制至关重要，这表明应该更加重视相容性研究。
例2:溶解度/生物利用度较低给处方开发带来了很多挑战，据称，70% 至 90%的新化学实体（NEC）存在溶解度问题，如果某处方不能有效提高溶解度和生物利用度，且患者的接受度较低，那么该处方无法充分发挥出治疗潜力。因此，对于药物开发，最大的挑战是要妥善处理这几个方面，开发处方不仅要优化药物递送，还要满足确保患者疗效良好所需的多重标准。
目前开发处方所使用的方法通常速度较慢，不利于药物处方的快速开发和优化，而这些处方又对克服溶解度问题至关重要。事实上，通常情况下对于生物利用度低的原料药来说，其溶解度较低，药物的有效性也会受到影响，这就导致从药物发现到临床试验的一系列连锁反应；分子特性、赋形剂和制剂特性的因素，这些因素决定原料药的溶解度和生物利用度。出于以上原因，确定最有效的药物和赋形剂组合是一个复杂且耗费资源的过程，需要进行严格的实验、数据收集和分析工作。
在处方开发中使用人工智能，不仅能预测最有效的增溶技术和赋形剂组合，还能更好的了解分子的复杂性，提高处方开发的准确性。这些新技术能够在整个药物发现和开发过程中提供高质量的数据和深刻的洞察，能够更合理、高效地分析、缩短开发进度并节约资源。特别是对于溶解度较低的原料药，使用此技术有助于选择更先进的增溶技术和性能更好的赋形剂，同时提高工艺流程的效率和可持续性。
在文献与数据挖掘方面，借助 DeepSeek 的自然语言处理技术，快速检索和分析海量的文献资料、化合物数据、靶点数据、专利数据、临床试验数据、真实世界数据、药品审评审批数据、市场销售数据等，及时了解行业最新动态。
随着DeepSeek等先进AI技术的广泛应用，各企业正积极探索，大步迈入AI新药研发的新时代，为全球医药创新注入强大动力。
而最有代表性的中国医学科学院药物研究所作为我国主要的创新药物研究机构，率先在这场AI新药研发变革中发力，在其精心打造的药物所人工智能药物研发平台上，成功完成了DeepSeek-R1模型的本地部署与上线工作。自2025年2月11日起，平台便开启了DeepSeek部署的内测工作，研究团队对模型的各项性能和参数进行了细致入微的测试与调整。经内测，于2月17日正式推出包含 80亿参数和320亿参数的双版本大模型。凭借更强的推理能力，适用于药物研发中的复杂问题和难点任务的深度解析。此外，模型支持动态调整上下文长度、批处理大小等参数，确保在有限资源下实现最优性能。
据悉，中国医学科学院药物研究所为抓住人工智能时代给科研工作带来的新机遇，早在2020年，药物所便开始搭建计算平台，药物所精准对接科研人员在药物设计计算领域的实际需求，于2024年初步搭建完成人工智能药物研发平台。平台部署有药物所自主研发的基于深度生成模型和自动机器学习的小分子药物设计软件、基于人工智能深度学习框架建立的化合物碳谱结构解析系统、大分子三维结构预测软件、基于深度学习虚拟筛选软件、量化计算软件和分子动力学软件等，服务范围涵盖全新药物分子设计、化合物图谱解析、蛋白结构预测、机器学习、高通量虚拟筛选、量子化学计算和生物大分子动力学模拟等关键技术领域。
通过接入DeepSeek-R1模型，平台的能力得到了显著提升，将加速从基础研究到新药转化的全链条创新进程。该模型的可定制化特性适用于药物研发中涉及长周期、多变量的复杂任务，为突破“卡脖子”技术难题提供了新的工具和解决方案。多技术融合（如AI+机器人自动化）和政策支持（《卫生健康行业人工智能应用场景参考指引》），其应用将进一步深化，推动制药行业从“试错时代”迈向“预测科学”的新纪元。
当然，带着科技的光环，Deepseek并不是万能的。在实际操作中，AI输出的结果需要专业人员进行评估和验证，才能确保药物的安全性和有效性。此外，技术升级也需要与时俱进，避免被行业的发展所淘汰。
三、总结展望
人工智能技术的飞速发展为药物研发带来了诸多机遇，在靶点识别、药物设计、临床试验等各个环节都展现出了巨大的优势，极大地提高了药物研发的效率和成功率，降低了研发成本。然而，我们也必须清醒地认识到，在药物研发中仍面临着诸多挑战，如数据质量、模型可解释性、技术适配性等问题。但随着技术的不断进步和研究的深入，这些问题有望逐步得到解决。
未来，人工智能与药物研发的融合将更加深入，我们有理由相信，在药物研发领域发挥更为重要的作用，加速新药的研发进程，为人类健康事业带来更多的福祉。让我们共同期待其赋能药物研发的美好未来，展示如何在医药研发中降本增效，见证医学领域的更多奇迹。
尽管其技术在药物开发中取得了显著进展，但并非万能。其优势在于处理大数据和辅助快速决策，以补充人类功能并增强人类能力，而不是完全取代人类智慧，且要想在每天都在迅速变化的科技浪潮中立于不败之地，需要不断更新知识，采用更先进的技术。AI设计的药物和预测的特性仍需通过实验验证，人类的输入对于确定AI研究的方向至关重要。随着AI能力的不断提升和大型模型的开源，我们可以对AI在加速药物开发和改善人类健康方面的潜力持谨慎乐观的态度。
总而言之，人工智能在药物研发中的应用展现出巨大的潜力和前景。虽然前路依然荆棘密布，通过深化研究与实践，力求在这场技术革新中更好展现科技资源带来的技术迭代，更是对人类生命科学认知范式的根本性突破。
四、参考资料
[1]智能助力口服制剂开发的研究进展，赵璐卓，王建新，盛剑勇*. 中国医药工业杂志, 2024, (6) : 761-819.
[2] AI-directed formulation strategy design initiates rational drug development,《Journal of Controlled Release》期刊2025年第378期
[3] 难溶性药物制剂技术（原著第三版）.化学工业出版社
[4] Exploring Computational Pharmaceutics -AI and Modeling in Pharma 4.0（探索计算药剂学-制药 4.0 中的AI和建模），约翰威立（John Wiley & Sons, Inc）出版
