药物研发的漫长流程
一款新药从发现到上市，通常耗时 10–15 年，成本以十亿美元计，且失败率极高。
主要阶段：
一、靶点发现：找到与疾病相关的生物学靶点（通常是某个蛋白质）。
二、先导化合物筛选：从海量化合物中找到能与靶点结合、且具有活性的分子。这个阶段可能需要筛选数十万到数百万个化合物。
三、先导优化：对筛选出的分子进行结构改造，改善活性、选择性、药代动力学性质（吸收、分布、代谢、排泄）和毒性特征。
四、临床前研究：细胞实验、动物实验。
五、临床试验：I/II/III 期，验证安全性与有效性。
六、审批上市。
AI 能加速的环节
一、靶点发现
从海量的生物医学文献、基因组学数据、蛋白质组学数据中，发现疾病与潜在靶点的关联。
AI 擅长从高维、异构的数据中发现人类难以察觉的模式。
二、虚拟筛选
用模型预测化合物与靶点的结合能力，在计算机上"筛"掉绝大多数不可能的候选，只把最有希望的送去实验验证。
如果预测足够准确，可以大幅减少实验量。
三、分子生成（de novo design）
不只是筛选已有的化合物库，而是直接生成符合多重要求的新分子：
- 对靶点有高活性；
- 选择性（不误伤其他蛋白）；
- 合适的理化性质（溶解度、透膜性）；
- 可合成性；
- 低毒性。
这是一个多目标优化问题，生成模型（包括扩散模型、强化学习方法）正在被用于这个场景。
四、蛋白质结构预测
前文提到的 AlphaFold 一类工具，为基于结构的药物设计提供了基础。
五、临床试验优化
- 患者分层（找出最可能获益的亚群）；
- 试验方案优化；
- 真实世界数据分析。
现实：加速了多少
要诚实看待：目前 AI 药物研发尚未有公认的、通过完整三期临床并上市的代表性成果被广泛确认。
进入临床阶段的 AI 辅助发现分子确实存在，但数量有限，且"进入临床"距离"上市"还有很长的路——历史上进入 I 期的药物，最终上市的比例不足 10%。
AI 目前带来的改善，主要体现在早期阶段的速度上：把靶点发现和先导优化的时间从数年压缩到数月到一至两年。
但临床试验阶段的时间（通常占整个周期的一半以上）几乎没有被压缩——因为这涉及人体试验的伦理和安全要求，无法通过计算加速。
核心困难
一、数据质量。 生物医学数据噪声大、标准不统一，且很多历史数据来自不同实验条件，可比性差。
二、生物系统的复杂性。 细胞内的通路高度耦合，抑制一个靶点可能引发代偿机制。模型难以捕捉这种系统级行为。
三、从"结合"到"成药"的距离。 一个分子能与靶点结合，不意味着它能成为药物——还要能到达病灶、能被代谢而不蓄积、不产生毒性。
四、验证瓶颈。 计算预测再快，最终仍需湿实验验证。实验通量是硬约束。
一个理性判断
AI 是药物研发的有力工具，但不是魔法。它更可能带来的变化是：提高早期研发效率、降低试错成本，从而让更多候选药物进入临床。
至于整体周期能否大幅缩短，还需要时间来验证。
说明：本文为 AI 制药领域的知识整理。