AI科学s

开场：一个价值 300 亿美元的赌注 2025 年，全球 AI 制药公司的融资总额突破了 300 亿美元。Insilico Medicine、Recursion、BenevolentAI、Exscientia——这些名字频繁出现在纳斯达克和港交所的新闻里。 投资人的逻辑很简单：传统药物研发平均需要 10 年时间和 26 亿美元成本，成功率不到 10%。AI 能把时间缩短到 3 年，成本降低到 3 亿美元，成功率翻倍。 但 2026 年 4 月，Nature Reviews Drug Discovery 发表了一篇冷水般的分析：AI 制药的临床成功率目前是 8.7%，传统方法是 7.9%。差距不到 1 个百分点。 这个数字让投资圈陷入了沉默。300 亿美元换来了 0.8 个百分点的提升？到底是哪里出了问题？ AI 制药物理上在做什么？ 要理解这个问题，你需要知道 AI 在药物研发的哪个环节工作。 药物研发大致分为五个阶段： 靶点发现（找到导致疾病的蛋白） 先导化合物发现（找到能作用于这个蛋白的分子） 先导化合物优化（把分子改得更有效、更安全） 临床前研究（动物实验） 临床试验（人体实验，分 I/II/III 期） AI 主要在阶段 1-3 发挥作用。 它的核心能力是：从数十亿个候选分子中，快速筛选出最可能有效的几百个。 但阶段 4 和 5 才是药物研发失败的主要原因。约 60% 的药物失败在临床前毒性（动物实验中发现有毒），约 30% 失败在临床试验（人体中无效或不安全）。AI 目前在这些阶段帮不上什么忙。 所以 AI 制药的"8.7% vs 7.9%“对比，实际上是在比较：AI 选出的分子比人类选出的分子，在进入人体后表现更好吗？答案目前是：稍微好一点，但没有本质区别。 ...

开场：一场价值 30 万亿的赌局 2020 年 11 月 30 日，CASP14 竞赛结果公布。DeepMind 的 AlphaFold 2 以中位 GDT 分数 92.4 的成绩碾压所有对手，蛋白质结构预测这个困扰生物学 50 年的问题，被 AI “解决"了。 消息传出那天，全世界的结构生物学家经历了职业生涯中最复杂的一天。一边是兴奋——以后再也不用花半年时间培养晶体、收集衍射数据、解相位问题了。另一边是恐惧——我的工作，是不是没用了？ 四年后的 2024 年，AlphaFold 3 发布，不仅能预测蛋白质，还能预测 DNA、RNA、小分子配体及其相互作用。数据库里有超过 2 亿个预测结构。但有一个问题越来越尖锐：这些预测，到底有多少是真的？ 结构生物学家的"噩梦”：从半年到 5 分钟 让我先给你讲一个真实的故事。 张博士是清华大学生命科学学院的博士后，研究方向是膜蛋白结构。2019 年，他花了 14 个月尝试解析一个 GPCR 的晶体结构。培养晶体用了 6 个月，筛选了 2000 多种条件。最终拿到 3.2 埃的分辨率，发了一篇 eLife。 2025 年，他只需要在 AlphaFold 3 的网页上输入氨基酸序列，等 5 分钟，就能拿到一个 2.0 埃精度的预测结构。他说：“我当时的心情，就像你花了 10 年练成了一门手艺，结果发现一台机器 5 分钟就能做得比你好。” 这种"失业感"在结构生物学界是真实的。 但故事没这么简单。 左边是预测，右边是真相 AlphaFold 3 的预测精度确实惊人。在 CASP15 的评测中，蛋白质-配体复合物的预测成功率约为 76%。但关键词是"约为"。 ...