科技日报记者 杨雪
7月31日，“AI+新药研发研讨会：从靶点到交易”在深圳举行。来自科研机构、创新药企业及产业服务平台的代表，围绕AI如何跨越靶点发现、分子设计和产业转化之间的鸿沟展开讨论。
大分子药物研发是其中较具挑战的环节。面对GPCR等膜蛋白、多特异性药物和条件激活型分子，研发人员不仅要解决靶点结合问题，还需兼顾选择性、表达量、稳定性和聚集倾向。传统方法较为依赖大规模筛选和多轮实验，周期长、试错成本高。
分子之心创始人许锦波表示，AI带来的变化不只是提高结构预测速度，更是推动生物药研发从“大规模筛选”转向“可编程设计”：先定义靶点、表位、分子形式和性能要求，再由AI生成候选，并通过湿实验反馈持续迭代。
从头设计是AI蛋白质技术的重要应用方向。与基于已有抗体进行突变优化不同，从头设计需要根据靶点生成新的氨基酸序列，并通过实验检验其折叠、结合和表达等性质。
目前，分子之心已在纳米抗体、环肽等具有产业价值且设计难度较高的分子模态上获得阶段性实验结果，覆盖TNFα、PD-L1、MDM2等十几个不同类型的靶点，初步显示出在不同靶点和分子模态中的应用潜力。
支撑这些应用的是分子之心自主研发的AI原生生物经济操作系统MoleculeOS（简称MOS）。据分子之心介绍，MOS并非简单组合通用开源模型，而是建立在其自研蛋白质基础模型、结构预测和分子设计技术之上，形成从任务定义、候选生成、多维评估到实验反馈的闭环。
平台将相关能力组织为面向实际研发场景的工作流，围绕项目目标调度模型和科学计算工具，并记录候选筛选、模型判断和实验验证过程，以提高研发过程的可追踪性和复用性。
当AI能够用较少候选验证结合、表达和稳定性等关键假设时，它对研发的影响也会前移到项目立项阶段。过去，企业往往优先选择技术路径成熟、有先例可循且实验风险相对可控的项目。随着设计能力进入实验验证阶段，一些因靶点结构复杂、分子形式困难或开发风险较高而暂未推进的课题，有机会被重新评估。
在许锦波看来，随着AI技术的应用，立项的核心问题也将由“能否筛选到一个活性分子”，转向“能否定义一个可计算、可验证的设计空间”。亲和力、选择性、表达、稳定性和作用机制等目标，可以在项目开始时同步进入设计。研发团队还可以先用数十个甚至更少的候选分子验证核心科学假设，再依据实验数据决定是否扩大投入。
从蛋白质结构预测，到生成面向特定靶点和功能的候选分子，AI大分子设计的应用范围正在逐步扩大。相关技术距离形成真正的新药仍需经过临床前和临床验证，但已为项目选择、候选设计和早期实验验证提供了新的技术引擎。
网友评论
