2025 年 7 月 7 日，谷歌旗下药物研发机构 Isomorphic Labs 传来重磅消息：其基于 AI 设计的癌症新药即将启动人体临床试验。这一进展不仅标志着 AlphaFold 技术从实验室走向临床的关键跨越，更掀开了 AI 重塑全球制药行业的新篇章。
谷歌 AI 制药里程碑：从 AlphaFold 到癌症新药人体试验的破局之路
一、技术溯源：AlphaFold 如何改写药物研发逻辑
Isomorphic Labs 的技术根基可追溯至 DeepMind 的 AlphaFold—— 这套曾以 98.5% 准确率预测蛋白质结构的 AI 系统，如今已进化为药物设计的核心引擎。从 2021 年独立运营至今，其技术路径经历三次关键迭代：
- 蛋白质结构预测 1.0：AlphaFold 1.0 通过深度学习破解蛋白质折叠难题，首次让科学界看清艾滋病病毒蛋白酶等关键靶点的三维结构。
- 分子相互作用模拟 2.0：AlphaFold 3.0 新增 DNA – 蛋白质、药物 – 靶点结合模拟功能，使 AI 能直接预测候选化合物的亲和力。某案例显示，其对 EGFR 突变型肺癌靶点的结合预测误差率仅 3.2%。
- 全链条药物设计 3.0：当前系统已实现 “靶点发现 – 化合物生成 – 毒性预测” 全流程自动化。在乳腺癌新药研发中，AI 仅用 42 天就完成了传统方法需 18 个月的候选化合物优化。
二、临床突破：AI 药物进入人体试验的三重挑战
尽管 AI 在虚拟筛选中表现亮眼，进入人体试验仍需跨越三大技术鸿沟：
传统药物研发中，约 65% 的临床失败源于 “体外有效 – 体内无效”。Isomorphic 通过构建包含 1200 万例患者病理数据的跨模态数据库，让 AI 学习肿瘤微环境动态变化。其开发的 PD-1 抑制剂在小鼠模型中，肿瘤抑制率比传统设计方案提升 47%。
AI 系统整合了 FDA 不良事件报告系统（FAERS）的 800 万条数据，建立毒性预测模型。在一款 KRAS 抑制剂研发中，AI 提前识别出传统方法未发现的肝毒性风险，将临床前研发周期缩短 9 个月。
利用患者来源的类器官模型，AI 可模拟不同基因型患者的药物反应。某结直肠癌案例中，AI 预测的药物敏感性与患者术后化疗效果吻合度达 89%，为精准用药提供预判。
三、产业重构：6 亿美元融资背后的行业变革
Isomorphic Labs 2025 年完成的 6 亿美元融资，折射出资本对 AI 制药的狂热追捧。这轮融资将用于三大方向：
- 算力基建升级：部署基于 TPU v5e 的分布式计算集群，其峰值算力达 2.3 exaFLOPS，可同时模拟 10 万种化合物的药代动力学。
- 跨模态数据库扩建：整合 2000 万份医学影像、500 万例基因组数据与药企内部研发数据，构建全球最大的多模态药物研发知识库。
- 临床网络搭建：与梅奥诊所、MD 安德森癌症中心等 12 家顶级医疗机构合作，建立覆盖 18 个癌种的临床数据采集网络。
这种 “AI + 湿实验室 + 临床网络” 的模式，正颠覆传统药企的研发范式。诺华与 Isomorphic 合作的血液癌项目显示，AI 将候选化合物进入临床的时间从平均 66 个月压缩至 28 个月，研发成本降低 58%。
Colin Murdoch 提出的 “按钮制药” 愿景正逐步落地 ——AI 系统已能根据疾病靶点自动生成候选化合物库。在近期演示中，输入 “晚期黑色素瘤 BRAF V600E 突变” 的治疗需求后，AI 在 24 小时内完成：
- 筛选 1.2 亿个化合物库，生成 127 个候选分子；
- 预测其中 34 个分子的成药性，排序推荐前 5 个；
- 模拟最佳给药方案（剂量、频次、联合用药建议）。
更深远的影响在于医疗资源的重新分配。AI 制药可将发展中国家的新药可及性提升 30%—— 通过虚拟筛选降低研发成本，使罕见病药物研发成本从平均 20 亿美元降至 3 亿美元以下。某非洲联盟合作项目显示，AI 设计的疟疾疫苗候选抗原，免疫原性比传统方法提升 2.3 倍。
结语：当 AI 成为首席药物设计师
从 AlphaFold 破解蛋白质密码，到 Isomorphic 将 AI 药物推入人体试验，谷歌正在书写医疗科技的新历史。这场变革的本质不仅是效率提升，更是从 “试错驱动” 到 “预测驱动” 的范式转移。当 AI 能在分子层面 “读懂” 疾病机制，人类或许真能迎来 “点击按钮即可治愈疾病” 的时代。而此刻，癌症新药的临床试验启动，正是这一未来的第一声叩门。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...