在医药行业，新药研发通常被描述为一场漫长而昂贵的马拉松。传统的药物发现过程极其依赖“试错法”，科学家需要在实验室里合成数以万计的化合物，经过反复筛选、测试和优化，才能找到可能有效的候选药物。这一过程不仅耗时漫长（通常需要10年甚至更久），而且成本高昂，且成功率极低，被业内戏称为“大海捞针”。
然而，这一现状正在被人工智能技术悄然改变。总部位于英国的初创公司Potential Sciences，正试图通过一种全新的范式来颠覆这一传统流程。这家获得英国政府支持的初创企业，坚信通过在计算机生成的生化数据上训练AI模型，可以大幅加速药物发现的进程，甚至在一定程度上“跳过”繁琐的实验室工作。
从“湿实验”到“干实验”的数据革命
Potential Sciences的核心技术在于利用生成式人工智能（Generative AI）来模拟化学实验。与传统需要依赖真实实验室数据（湿实验数据）来训练模型的方法不同，Potential Sciences专注于使用计算机生成的生化数据（干实验数据）。
这种方法的逻辑是，AI模型可以通过学习分子结构与其生物活性之间的关系，在虚拟环境中预测哪些分子可能对特定的疾病靶点有效。通过这种方式，公司可以在不进行实际化学合成和测试的情况下，筛选出数千种具有潜力的候选分子。这就像是在数字世界中构建了一个无限的虚拟实验室，AI在其中进行着海量的分子组合与筛选。
据相关报道，Potential Sciences的团队由机器学习专家和化学家组成，他们利用先进的算法构建了能够理解分子3D结构的模型。这些模型不仅能预测分子的活性，还能优化其药代动力学特性，例如提高药物的溶解度或降低毒性。
英国政府的背书与行业影响
Potential Sciences的成功离不开英国政府的支持。作为一项重要的科研项目，该初创公司获得了来自英国研究与创新署（UKRI）等机构的资金支持。这表明，英国正在积极布局“AI for Science”（AI助力科学）领域，试图在生物技术与人工智能的交叉点上抢占先机。
这一创新模式对整个医药行业具有深远的影响。首先，它有望显著降低药物研发的成本。通过减少对昂贵湿实验的依赖，企业可以大幅压缩研发初期的试错成本。其次，它能够极大地缩短研发周期。在传统模式下，获取一批实验数据可能需要数周甚至数月，而AI模型可以在几分钟内完成数百万次的虚拟筛选。
此外，这种方法还可能帮助科学家探索那些传统方法难以触及的疾病领域。对于一些复杂的靶点，或者那些在传统实验中难以成药的分子，AI模型可能通过其强大的计算能力，发现人类尚未意识到的药物作用机制。
挑战与未来展望
尽管Potential Sciences的愿景令人振奋，但完全跳过实验室工作仍面临挑战。AI模型的预测准确性需要经过严格的验证。因此，即便AI筛选出了潜在的候选药物，最终的验证仍需结合湿实验来确认其真实疗效和安全性。
不过，Potential Sciences的策略实际上是一种“先筛选、后验证”的优化流程。通过AI在海量数据中的快速筛选，将有限的实验室资源集中在最有希望的目标上，从而实现研发效率的最大化。
随着生成式AI技术的不断进步，我们有理由相信，药物研发将不再仅仅是科学家在实验室里的微观探索，而是一场融合了大数据、算法与生物学的宏大计算工程。Potential Sciences正在引领这场变革，将药物发现从“大海捞针”变成了一场精准的“数字狩猎”。
信息来源：Wired
原文链接：https://www.wired.com/story/finding-new-drugs-is-laborious-this-ai-startup-is-skipping-the-lab-work/
信息来源：Feed: Artificial Intelligence Latest，原文链接：https://www.wired.com/story/finding-new-drugs-is-laborious-this-ai-startup-is-skipping-the-lab-work/
封面图片来源：Unsplash / 摄影师 julien Tromeur
