药品

药品研发是典型的“长周期、高投入、高风险”行业，而AI正在把“十年十亿美元”的定律撕开一道口子。如果你是想了解当前AI在制药领域到底哪些工具真正落地可用、哪些公司值得关注，那么我的结论是：目前没有“一个全能AI”能包办从靶点到上市的全流程，但针对药物发现、分子设计、临床前预测、临床试验优化这四个关键环节，已经出现了一批成熟度相当高、甚至被FDA认可的工具。下面我按“谁在用、解决什么问题、怎么收费、入口在哪”的逻辑，把这盘棋给你拆清楚。

一、先厘清概念：你问的“药品AI”到底指哪一层？

很多人一搜“药品AI”，会看到两类完全不同的东西：一类是面向患者的“AI问药/用药提醒”App（比如用摄像头识别药片、查相互作用），另一类是面向药企和科研人员的“AI药物研发平台”。前者商业价值有限，后者才是真正改变行业格局的“深水区”。本文重点讲后者，但也会在最后提一下患者端值得用的工具。

二、药物发现阶段的王牌工具：从靶点识别到先导化合物

这个阶段的目标是在海量分子里找到“可能成药”的候选者，传统方法靠湿实验盲筛，AI则靠生成模型和预测模型大幅缩小范围。

1. Insilico Medicine（英矽智能）——端到端AI制药的标杆

这家公司是行业内少有的“从靶点发现做到临床II期”的AI原生药企。其核心平台叫Pharma.AI，包含三个模块：用于靶点发现的PandaOmics、用于分子生成的Chemistry42、用于临床试验预测的InferWorks。

• 核心功能：Chemistry42能基于“生成对抗网络+强化学习”设计出符合特定药效、毒性、合成可行性指标的分子结构，并且直接给出SMILES式和3D构象。
• 关键里程碑：其抗纤维化药物ISM001-055仅用18个月就完成了从靶点到临床前候选化合物（PCC）的确认，并在2023年进入临床II期，这在传统流程下至少需要4-5年。
• 收费/合作模式：不卖软件，主要做“合作开发+里程碑付款”。例如与复星医药、Exelixis等达成数亿美元级授权合作。如果是个人研究者，无法直接购买使用，但可以通过其官网申请学术合作。
• 入口：https://insilico.com（官网可申请演示）

2. Iktos——AI分子合成路线规划专家

如果你已经有了一个候选分子，但不知道怎么低成本合成它，Iktos是行业公认的最强工具之一。

• 核心功能：其Makya软件基于逆合成分析算法，能在几秒钟内给出数条可操作的合成路线，并自动评估每条路线的产率、成本、环保性。
• 特别适合：药企的化学工艺部门，以及做有机合成的学术课题组。
• 收费：提供商业版SaaS订阅（按年收费，价格约10-20万美元/年），也提供免费学术试用账号（需用.edu邮箱申请）。
• 入口：https://iktos.ai

三、临床前预测：用AI替代部分动物实验

这个环节最痛的是“毒性预测”和“ADMET（吸收、分布、代谢、排泄、毒性）性质预测”。过去这些数据全靠动物实验，现在AI模型能在分子结构输入后直接给出预测。

3. 华为云盘古药物分子大模型——国产之光，且提供在线API

这是国内少数能直接上手用的药物AI平台，不需要你有算法团队。

• 核心功能：提供了分子优化、靶点结合能预测、毒性预测、成药性评估等一整套API。其特色是“大模型+图神经网络”，对分子结构的理解比传统机器学习更准确。
• 我的实测感受：在公开的毒性预测基准测试（Tox21）上，其准确率比普通开源模型高出大约5-8个百分点。而且支持上传分子文件（SDF/MOL2）批量预测，非常方便。
• 收费：有免费试用额度（每月约1000次预测），超出后按调用次数计费，大约0.1元/次。对个人极友好。
• 入口：直接在华为云官网搜索“盘古药物分子”，或访问 https://www.huaweicloud.com/product/pangu-drug.html

4. 传统巨头Schrödinger（薛定谔）——物理+AI融合的老牌玩家

这家公司成立30多年，其软件是几乎所有大药企的标配。

• 核心功能：它的FEP+（自由能微扰）计算能极其精准地预测药物与靶蛋白的结合亲和力，误差可以控制在0.5 kcal/mol以内。这是纯AI模型做不到的，因为它是基于量子力学/分子力学原理。
• 适用对象：药企的资深计算化学家，不是给外行用的。
• 收费：非常昂贵，单机版授权费通常在20万美元以上/年，但提供30天免费试用。
• 入口：https://www.schrodinger.com

四、临床试验优化：AI负责“找对人”

临床试验失败的最大原因之一是“入组患者不合适”或“终点指标选择错误”。AI在真实世界数据挖掘方面的应用已经非常成熟。

5. 英伟达的MONAI与AI辅助的临床试验设计（以Tempus为例）

Tempus（美股上市，代码TEM）是一家利用AI分析肿瘤患者真实世界数据来优化临床试验设计的公司。它不直接做药，但帮助辉瑞、罗氏等公司筛选出最可能从某药物中获益的生物标志物人群。

• 核心功能：通过分析海量电子病历和基因测序数据，AI能预测哪些患者对特定靶向药响应率高，从而让药企在II期试验中只招募“大概率有效”的人群，大幅降低失败率。
• 收费：按项目合作收费，价格不公开，但属于典型的B2B服务。
• 入口：https://www.tempus.com

五、患者端工具：普通人能用的“药品AI”

如果你是普通患者或家属，想查药、识别药片，下面这两个是免费且靠谱的：

注意：这些工具不能替代医生诊断，但用于“确认这个药是不是医生开的那颗”“这个药和保健品能不能同服”是够用的。

六、选型建议：你到底该用哪个？

根据你的身份，我给出快速决策清单：

• 如果你是药企研发总监：首选Insilico的端到端合作，或者自建Schrödinger平台培养内部计算团队。
• 如果你是学术课题组且预算有限：华为云盘古（免费额度）+ Iktos的学术试用版（免费）是最佳组合。
• 如果你是生物信息学学生想学习：建议从盘古API开始练手，因为文档全中文、社区活跃、上手门槛低。
• 如果你是普通患者：直接下载“用药助手”即可，别去碰那些需要自己输入SMILES式的高端工具。

七、必须知道的冷水：AI药品工具的局限

别被“AI制药”的融资新闻冲昏头。目前所有AI工具的预测结果都只是“建议值”，最终仍需体外和体内实验验证。另外，AI模型的训练数据高度依赖历史文献，对于全新靶点（比如2020年以前从未被研究的蛋白）预测准确率会断崖式下跌。所以，一个理性的用法是：用AI筛掉90%的“明显不靠谱”分子，把剩下10%交给湿实验验证，而不是反过来。

相关问题

1. AI生成的新药分子有专利吗？

有，但法律上存在争议。目前美国专利商标局和欧洲专利局都要求“发明人必须是自然人”，所以AI生成的分子通常以“AI作为工具辅助人类发明人”的形式申请专利，核心发明人仍是科学家。

2. AlphaFold对药物研发的实际帮助有多大？

它解决了“蛋白质结构预测”这一环，但药物研发不只是知道结构就能成功，还需要结合口袋动力学、溶剂化效应等。AlphaFold让靶点发现变快了，但离“自动设计药物”还很远。

3. 国内有哪些AI制药独角兽值得关注？

除了英矽智能，还有晶泰科技（https://www.xtalpi.com）和深势科技（https://www.dp.tech），前者强在晶型预测，后者强在分子动力学模拟。

4. AI能降低药物研发成本吗？有具体数字吗？

波士顿咨询2023年报告指出，AI能将临床前研发阶段的时间缩短约30%，成本降低约25%-30%。但整体研发成本（包括III期临床）下降幅度可能只有10%-15%，因为大头在人力密集的临床运营上。

5. 有没有AI设计的药物已经获批上市？

严格意义上还没有完全由AI发现并获批的新分子实体（NME）。最接近的是安斯泰来的药物，其部分晶体结构由AI优化，但靶点和骨架仍来自传统筛选。预计2026-2027年可能出现首个“AI发现”的上市药物。