AI 制药：从「筛选分子」到「设计分子」
2026 年 7 月 23 日，MIT Technology Review 发表综述，系统梳理 AI 在药物研发中角色的转变：从加速既有流程，转向重构发现范式本身。
角色转变
| 阶段 | 传统做法 | AI 新范式 |
|---|---|---|
| 先导化合物发现 | 高通量筛选已有化合物库 | 生成式模型针对靶点逆向设计分子 |
| 化学空间 | 受限于已知分子库 | 可探索远超已知空间的候选 |
| 周期 | 数月到数年 | 候选生成显著提速 |
为什么重要
- 生成式方法把「找一个能用的分子」反转为「为靶点设计一个分子」
- 理论上能触达传统筛选无法覆盖的化学空间
- 先导化合物发现这一最耗时环节有望被大幅压缩
落地瓶颈
- 生成的分子能否被实际合成（可合成性）
- 是否具备成药性（毒性、代谢、稳定性）
- 最终仍需通过漫长的临床验证
核心判断
- AI 制药正从「加速器」升级为「设计引擎」
- 价值不在生成结构的新颖度，而在能否走完合成与临床的闭环
AI Master 解读
核心事件
MIT Technology Review 综述指出，AI 制药的重心正从「筛选已有分子库」转向「从头设计全新分子」——生成式模型针对生物靶点逆向生成候选药物，压缩先导化合物发现周期。
行业影响
这标志着 AI for Science 从「加速既有流程」迈向「重构发现范式」：传统药物发现依赖庞大的化合物库与高通量筛选，而生成式方法把问题反转为「给定靶点，设计出能结合的分子」，理论上能探索远超已知化学空间的可能性。真正的瓶颈也随之转移——模型的提议能否被合成、是否具备成药性、能否通过临床验证，决定了它停留在「漂亮的结构」还是变成真正的药。
AI Master 建议
评估 AI 制药项目时，把「可合成性 + 临床转化路径」而非「生成结构新颖度」作为核心指标；关注模型与湿实验闭环的衔接能力，警惕只在 in silico 指标上刷分、却缺乏实验验证的演示。