AI制药走到病床边 癌症治疗真正难关才刚开始

AI 制药最容易被讲成一个速度故事：过去要十几年、十几亿美元，现在算法几个月就能筛出候选分子。这个说法不算错，但太浅。

真正值得追问的是另一个问题：当一个由 AI 参与设计的分子真的进入人体试验，它到底证明了什么？又没有证明什么？对于精准肿瘤学来说，这件事的意义不在于机器突然会造药，而在于药物研发的证据链正在被重新排列。

BJC Reports 这篇 Perspective 文章的核心判断很清楚：AI 驱动药物发现已经从单纯的计算辅助，走向早期临床转化；但它距离真正改变肿瘤治疗，还隔着临床验证、机制解释、数据公平和监管一致性这几道硬门槛。原文也提醒，传统新药研发通常超过十年，单个获批疗法投入常超过 10 亿美元；在肿瘤领域，这套流程还要面对肿瘤异质性、治疗耐药和狭窄治疗窗，因此失败率与成本压力更重。

这篇文章并不是发布一项新的临床试验，而是借一项已经发表的 AI 生成 TNIK 抑制剂 2a 期试验，讨论 AI 制药如何进入精准肿瘤学的现实世界。原文明确声明没有生成或分析新数据。

先说几个核心判断，我们把兴奋点放准：

文章开头选择的临床参照点，不是肿瘤，而是特发性肺纤维化，也就是 IPF。一款通过 de novo 生成式建模得到的 TNIK 抑制剂，在随机、安慰剂对照的 2a 期试验中进入人体评估。研究观察到安全性、耐受性和药效学靶点 engagement，并报告了肺功能下降减缓的趋势；但原文也明确说，这项研究没有足够统计效能来证明确定的临床疗效。

这几句话的边界非常重要。

它证明的不是 AI 设计的药一定有效，更不是 AI 已经能直接解决癌症。它证明的是：由 AI 辅助发现或生成的小分子，可以不只停留在论文里的虚拟分子、细胞实验或动物模型，而是进入人体，显示出可接受的安全性和可测量的生物学作用。

别小看这步，这可是一个关键的台阶。药物研发里最昂贵、最残酷的部分，往往不在于提出一个漂亮假说，而在于这个假说能不能穿过人体试验。计算模型可以给出成千上万种分子结构，但人体会用代谢、毒性、免疫反应、组织分布、疾病异质性和长期结局来逐层筛掉它们。TNIK 抑制剂试验的价值，就在于它让 AI 制药从计算空间向临床空间移动了一步。

那么，为什么一项肺纤维化试验，会被拿来谈精准肿瘤学？

原因在于 TNIK 并不只是一个肺纤维化靶点。原文指出，TNIK 是一种信号激酶，涉及 Wnt/β-catenin 相关通路，而这些通路也与肿瘤进展有关。因此，尽管这项试验发生在非肿瘤疾病场景，它在方法学上仍可作为肿瘤药物发现的参照。

这里真正值得看的不是疾病名称，而是路径：

从计算模型出发，生成候选分子；进入临床前验证；再走向早期人体试验；用安全性、耐受性、药效学信号和初步临床趋势来判断下一步。

这是一条从算法到患者的转化链。肿瘤学需要的正是这样的链条，只是难度更高。

癌症不是一个静态靶子。肿瘤内部有不同细胞克隆，同一个患者体内不同病灶可能不一样，同一个病灶治疗前后也会改变。今天被药物压住的克隆，明天可能让位给另一个耐药克隆。精准肿瘤学的难点不是找到一个平均意义上的靶点，而是持续识别一个正在演化的疾病系统。

这也是原文反复强调肿瘤异质性、克隆演化和治疗耐药的原因。

从 AI 辅助药物发现到早期临床评估，中间横亘着肿瘤异质性、克隆演化和治疗耐药；这张图适合作为全文主图，突出 AI 制药真正要穿越的是一条临床证据链，而不只是一次分子生成。

从 AI 辅助药物发现到早期临床评估，中间横亘着肿瘤异质性、克隆演化和治疗耐药；这张图适合作为全文主图，突出 AI 制药真正要穿越的是一条临床证据链，而不只是一次分子生成。

AI 制药改变的不是终点，而是搜索方式

传统小分子研发很像在黑暗房间里找钥匙。先猜一个靶点，再合成一批分子，再测试结合能力、活性、毒性、代谢稳定性，筛掉一轮又一轮。这个过程并非不理性，但它高度依赖实验迭代，成本巨大。

AI 的介入，不是把实验消灭，而是把一部分试错提前到计算空间。

原文列出三类已经显现的转化优势：早期研发时间线可能从多年压缩到数月；候选分子的脱靶效应、代谢不稳定性和潜在毒性可以在合成前进行预测，从而更早排除高风险分子；在后期开发中，AI 还可用于靶点验证和患者分层，提高临床成功及获批概率。

这背后的逻辑可以拆开看。

第一，AI 帮助研究者更快地找到可能值得做的靶点。第二，AI 根据靶点结构和化学空间生成或筛选候选分子。第三，AI 预测这些分子的 ADMET 性质，即吸收、分布、代谢、排泄和毒性。第四，实验体系验证这些预测，失败结果再反过来校准模型。第五，进入临床后，真实患者数据继续反馈，影响后续试验设计和药物优化。

这不是一条笔直流水线，而是一个闭环。速度来自减少盲试，而不是绕过验证。

三个技术支点：结构、表示、协作

原文把 AI 到临床转化的技术推动力，概括为三类互相咬合的进展：结构预测、自监督学习和联邦学习。

结构预测：先看清锁孔，再设计钥匙

AlphaFold 3 的意义，不只是预测一个蛋白质长什么样。原文强调，它把高精度建模从静态蛋白结构扩展到蛋白—配体—RNA 等复合物，接近原子级分辨率，为基于结构的药物设计提供了更可靠基础。

药物和靶点不是两块死物的机械拼接。蛋白会变构，配体会诱导构象变化，细胞内还存在复杂的分子环境。结构预测越准确，早期就越有可能判断一个候选分子是否具有合理结合构象，从而在真正合成之前进行优先级排序。原文也指出，这有助于在化学合成前优先选择具有有利结合构象的候选物。

自监督学习：从大量未标注数据里学出规律

肿瘤数据的一个悖论是：数据很多，但高质量标签很少。

基因组、转录组、蛋白组、病理图像、药敏数据、临床结局，各自都很复杂。真正带有长期随访、明确疗效、标准化治疗背景的数据更稀缺。自监督学习的价值在于，它可以不完全依赖人工标签，而是从大规模未标注的化学和多组学数据中学习高维表示。原文认为，这有助于靶点识别和先导化合物生成，尤其适合标注数据有限的场景。

换句话说，自监督学习像是在大量嘈杂材料中先学会语法，再去做具体题目。它不直接告诉研究者某个药一定有效，但能让模型在进入具体任务前已经理解一部分化学结构、分子网络和疾病表型之间的隐含关系。

联邦学习：数据不出院，模型跨中心学习

精准肿瘤学尤其依赖多中心数据。单家医院的数据很容易带有本地偏差：患者来源、检测平台、治疗习惯、病理流程都可能影响模型表现。把数据集中到一个地方，又会遇到隐私、合规和数据治理问题。

联邦学习提供的是另一种路线：各机构不共享原始患者数据，而是在本地保留数据的前提下协同训练模型。原文指出，这种分布式训练可以在保护隐私的同时提高模型泛化能力，使模型接触到更广泛的人群和疾病差异。

这对于肿瘤学很关键。一个只在单中心数据中表现优异的模型，可能只是学会了某家医院的检测习惯；一个经多中心验证仍然稳健的模型，才更接近临床工具。

现在已有的 AI 药物案例，说明了什么？

原文列举了几个代表性案例：Insilico Medicine 的 INS018_055 进入 IPF 2 期临床；Exscientia 的 EXS21546 是用于免疫肿瘤方向的选择性 A2a 受体拮抗剂，已完成 1 期临床评估并面向生物标志物引导的疗效试验；BenevolentAI 则通过知识图谱分析推动 Baricitinib 在 COVID-19 场景中的再定位，随后随机临床试验确认疗效并获得 FDA 紧急使用授权。

这些案例说明，AI 在药物研发中的位置并不单一。

它可以做 de novo 分子设计，即从头生成候选分子。它可以做适应证扩展，把已有药物放到新的疾病机制中重新评估。它也可以做药物再定位，用知识图谱和疾病网络寻找旧药新用的机会。

但这些案例同样说明，AI 制药不是一个同质化赛道。AI 设计一个全新小分子、AI 优化一个免疫肿瘤候选物、AI 重新发现一个已上市药的用途，三者的证据要求不同，风险结构不同，监管路径也不同。

把它们都笼统称为 AI 制药，容易制造过度乐观。真正严谨的看法应当区分：AI 在哪一环节发挥作用？它输出的是靶点、分子、适应证、患者分层，还是临床试验设计？后续验证到了哪一层？

对肿瘤治疗来说，真正的战场在动态反馈

如果 AI 制药只是更快找到一个分子，它对肿瘤学的帮助仍然有限。因为很多癌症治疗失败，不是由于一开始没有命中靶点，而是因为肿瘤后来变了。

原文提出的方向，是把基因组、转录组、蛋白组、代谢组、空间数据与结构建模结合起来，细化疾病分类并指导肿瘤治疗设计；再配合联邦验证和适应性试验模型，形成可扩展的精准医学路径。

这段话里最重要的是动态二字。

传统抗癌药开发常常像修一条单行铁路：确定靶点，开发药物，设计试验，等待终点。可肿瘤更像一条不断改道的河。某个治疗方案施加选择压力后，肿瘤细胞群会重新分布，耐药克隆可能扩张，微环境也会改变。精准肿瘤学要做的不是一次性给出答案，而是不断更新答案。

原文进一步指出，整合空间转录组、免疫基因组和纵向临床数据的 AI 平台，可能支持更精细的患者分层、预测耐药路径，并指导适应性治疗方案设计；结合液体活检数据，尤其是循环肿瘤 DNA，即 ctDNA，还可以实时监测微小残留病灶 MRD 和早期耐药突变，为 AI 优化的治疗切换提供窗口。

这就是 AI 在精准肿瘤学中更有想象力的位置：不是一次性给患者贴上某个分子标签，而是在治疗过程中持续读取肿瘤变化，并把这些变化反馈给药物设计、联合用药和临床试验。

但 in silico 不能被误读成免检通道

原文对 AI 的态度并不盲目。它承认计算筛选、多目标分子优化和 in silico ADMET 建模，确实有机会在早期阶段优先筛出更有利药代和药效特征的化合物；类似患者特异性数字孪生的计算模型，也可能用于模拟个体化生物反应，帮助在纯计算环境中迭代治疗假说。

这意味着，AI 可能减少部分临床前失败、降低对动物实验的依赖，并回应早期研发中的伦理问题。

但原文紧接着踩下刹车：这些系统的可靠性仍然取决于经验验证。计算预测会受到算法偏倚、过拟合和虚假相关的影响。最稳妥的转化策略，是把 in silico 筛出的候选物放入快速实验确认，再用实验结果反向校准模型，随后进行有针对性的体内测试。

这句话几乎可以视为全文最重要的底线。

AI 不应该成为实验的替代神话，而应该成为实验的导航系统。导航可以告诉你哪条路更可能通，但不能替你到达目的地。药物是否安全、是否有效、是否能跨人群稳定获益，最终仍要由实验和临床结果回答。

四道硬门槛：泛化、解释、公平、监管

AI 制药走向肿瘤临床，最难的部分往往不是模型本身，而是模型进入真实医疗系统后还能不能站住。

第一道门槛是泛化。原文指出，计算模型必须在不同人口学和临床异质人群中证明稳健性；诊断仪器、实验室方法和标准治疗路径的差异都会影响模型表现。没有前瞻性、多中心验证，在开发数据中优化出的候选物，可能无法在更广泛临床环境中产生一致的疗效或安全性结果。

第二道门槛是解释性。监管和临床接受 AI 衍生疗法，需要生物学上合理、机制上能自洽的决策过程。尤其是高风险治疗场景，医生和患者不能只接受一个黑箱结论。原文强调，可追溯的算法逻辑和可理解的治疗理由，是安全监管和利益相关方信任的前提。

第三道门槛是公平性。训练数据中少数族群代表性不足，会把既有医疗不平等继续写进模型。原文特别提到，肿瘤学中少数族群在基因组训练数据中显著不足，可能导致模型忽略人群特异的药物代谢酶差异，例如 CYP450 亚型差异，或影响治疗反应的肿瘤突变负荷差异。

第四道门槛是监管协调。不同地区对模型验证、可重复性评估和数据互操作的要求不一致，会降低国际开发和部署效率。原文认为，需要在计算验证指标、数据共享实践和上市后监测方面建立更协调的全球标准。

这些问题听起来不像科学突破，却决定科学突破能否进入临床。一个在单中心数据里表现惊艳、却无法解释、无法复现、无法覆盖少数人群、无法被监管审查的模型，对患者而言不是创新，而是风险。

精准肿瘤学需要的不是更快的一次性答案，而是闭环

原文结论部分给出的方向很务实：未来管线应采用混合转化结构，把计算生成、定向实验验证和分布式临床学习结合起来，使模型预测与患者层面的变异相互对齐。

这句话可以进一步展开成一个更真实的精准肿瘤学研发闭环。

先用多组学和临床数据识别疾病亚型、耐药通路和潜在靶点；再用结构模型和生成模型设计候选分子；接着用细胞、类器官、动物模型或芯片系统快速验证；进入临床后，通过患者分层、联邦验证和适应性试验不断修正假设；治疗过程中，再用 ctDNA、影像、空间组学和纵向结局捕捉新的耐药信号。

原文也提出，肿瘤研究和护理中大规模分子谱与实时临床数据流的整合，已经为迭代式精准治疗开发奠定基础；候选化合物可以根据不断变化的生物标志物、临床结局或耐药特征进行迭代优化，传统线性抗癌药开发模式正在被反馈驱动策略补充。

这可能是 AI 对肿瘤药物研发最深的改变：它不是单点翻跟斗，而是协调框架。如果说过去的新药研发像接力赛，一棒交给一棒，中间信息损耗很大；那么 AI 参与后的理想状态，更像一个持续更新的控制系统。基础研究、分子设计、临床前实验、临床试验、真实世界数据和监管反馈，不再是彼此割裂的阶段，而是互相校正的证据网络。

速度不是最终答案，证据才是

这篇文章最值得保留的判断，是它没有把 AI 制药写成单纯的效率革命。

原文指出，计算指导药物发现的广泛影响，不仅取决于加速时间线，还取决于严格的方法学框架。候选物需要嵌入混合验证管线，计算预测要通过结构化临床前测试和前瞻性临床评估反复校正；解释性、可重复性和模型透明度的标准化指标，也将是监管者、临床人员和患者建立信任的基础。

更直白地说，AI 可以让药物设计跑得更快，但不能让证据标准降低。如果技术速度超过证据标准，结果可能不是创新扩散，而是临床风险扩散。原文也用类似逻辑提醒：如果缺少这些考虑，计算设计的技术速度可能超过安全和可泛化实施所需的证据标准。

这句话对于当前 AI 医药热尤其重要。资本市场喜欢速度，媒体喜欢奇迹，研发团队喜欢平台叙事。但患者最终需要的不是算法生成了多少分子，而是某个分子在某类患者中是否安全、有效、可解释、可获得，并且在疾病演化时仍有应对策略。

最后的判断：真正的拐点还没有到，但地基正在铺

这篇文章给出的图景并不悲观。它认为，如果整合得当，AI 平台可能从辅助工具演变为整合性协调框架，连接多组学数据、实时临床反馈和适应性治疗优化；在肿瘤药物开发中，这种框架尤其可能用于应对异质性、克隆演化和获得性耐药。

但这里的关键词是“如果整合得当”。AI 制药的下一步，不是再造一个更大的模型，也不是再讲一次更快的筛选速度，而是把模型放进临床证据系统里接受检验：跨中心、跨人群、跨平台、跨时间，仍然能解释，仍然能复现，仍然能带来患者获益。

真正的拐点可能不会以一条爆炸性新闻出现。它更可能表现为一些不那么戏剧化的变化：早期候选物失败得更早，真正有希望的分子进入临床更快；患者分层更准确，临床试验不再把差异巨大的患者粗暴平均；耐药信号被更早捕捉，治疗切换更及时；新一代候选药物根据真实患者数据持续修正。

到那时，AI 不再是药物研发的噱头，而会变成研发系统的一部分。它不替代科学判断，不替代临床试验，也不替代监管审查。它真正的价值，是把分散在化学、结构生物学、多组学、临床试验和真实世界医疗中的信号，组织成一条更快但仍然严谨的证据链。

参考文献

Wonbeak Yoo，Precision oncology in the age of AI: lessons from AI-driven drug discovery and clinical translation，BJC Reports，DOI：10.1038/s44276-026-00221-1