综述：领先的人工智能驱动药物发现平台：2025年的市场格局与全球展望

《Pharmacological Reviews》：Leading AI-Driven Drug Discovery Platforms: 2025 Landscape and Global Outlook

AI药物设计进展与挑战：综述五大领先企业（Exscientia、Insilico Medicine、Recursion、BenevolentAI、Schr?dinger）的生成化学、表型驱动、知识图谱等技术路径及临床成果，分析AI加速研发效率（如Exscientia 18个月达临床）、成本降低（如Recursion百万级实验自动化），同时面临临床转化不确定性和监管适应性等挑战。

　　人工智能（AI）在药物研发领域的应用已经从最初的实验性探索发展为临床实践的重要工具。近年来，AI驱动的药物发现平台迅速崛起，不仅加快了药物研发的进程，还显著提升了新药进入临床试验的速度和效率。截至2025年，已有数十种AI设计或发现的药物进入临床试验阶段，这一进展标志着AI在药理学中的真正落地。然而，尽管AI在研发初期展现出强大的潜力，其在临床阶段的表现仍需进一步验证。本文将重点分析五家在AI药物研发领域表现突出的公司，探讨它们的技术路径、关键成果以及面临的挑战，并展望未来AI在药物研发中的发展方向。

### 人工智能在药物研发中的应用进展

人工智能的应用已经彻底改变了药物研发的传统模式。过去，药物发现通常依赖于耗时且成本高昂的试错法，而如今，AI通过机器学习和生成模型，为研发流程提供了更高效的替代方案。这种转变不仅体现在药物研发周期的缩短，还体现在成本的降低和药物筛选的精度提升。例如，Exscientia公司的AI平台能够在短短18个月内将药物候选分子从靶点识别推进至临床试验阶段，远快于传统方法所需的五年时间。此外，Insilico Medicine的TNIK抑制剂ISM001-055（现名为Rentosertib）在2023年的中国和美国进行了IIa期临床试验，并取得了积极的结果，这表明AI不仅能够加速药物发现，还能够提高药物的临床活性。

### 五家领先AI药物研发公司的技术路径与进展

#### 1. Exscientia

Exscientia是一家专注于生成式人工智能在小分子药物设计中的应用的公司。其“Centaur Chemist”策略结合了AI的算法创造力与人类专家的经验，实现了从靶点选择到化合物优化的全流程自动化。2020年，Exscientia与日本制药公司Sumitomo Dainippon Pharma合作开发的DSP-1181成为首个进入临床试验的AI设计药物，用于治疗强迫症（OCD）。2023年，Exscientia已经推出了八种进入临床阶段的化合物，其中一些已进入II期临床试验。然而，随着公司规模的扩大，Exscientia在2023年底宣布将战略重心转向其两个主要项目，即CDK7抑制剂GTAEXS-617和LSD1抑制剂EXS-74539。这一决策旨在优化研发资源，集中力量推动最具潜力的候选药物进入后期试验。

2024年，Exscientia与Recursion Pharmaceuticals完成了价值6.88亿美元的合并，形成了一个更强大的AI药物发现平台。通过整合Recursion的高通量表型筛选技术和Exscientia的生成式化学能力，新的平台能够更高效地识别具有治疗潜力的分子，并进行大规模的生物学验证。这一合并不仅增强了公司的技术实力，也扩大了其在药物发现领域的影响力。

#### 2. Insilico Medicine

Insilico Medicine是一家以全链条AI驱动药物研发为核心理念的公司。其Pharma.AI平台涵盖了从靶点识别到临床试验设计的各个环节，结合了深度学习、知识图谱和生成式模型等技术。2021年至2022年，Insilico的AI系统成功识别了TNIK酶作为特发性肺纤维化（IPF）的新治疗靶点，并设计了相应的抑制剂ISM001-055。该药物在2023年进入了IIa期临床试验，并在2024年中国的试验中显示出良好的安全性和对肺功能的改善作用。

Insilico的另一项重要成果是其与Sanofi合作的多靶点项目，该项目在2022年启动，并在2025年取得了显著进展。此外，Insilico还在2023年启动了针对癌症的USP1抑制剂ISM3091的临床试验，并在2024年获得了IND批准。尽管Insilico在AI驱动的药物发现中取得了多项成功，但其2023年的一项临床试验失败也引发了对其AI技术有效性的质疑。例如，BEN-2293（一种针对湿疹的Trk抑制剂）未能在IIa期试验中显示出显著疗效，这表明AI识别的靶点仍需通过严格的生物学验证。

#### 3. Recursion Pharmaceuticals

Recursion Pharmaceuticals是一家以表型筛选为核心的AI药物发现公司。其平台通过系统性地扰动细胞模型并结合计算机视觉和机器学习技术，能够发现与疾病相关的表型变化，从而识别潜在的治疗分子。2023年，Recursion的AI平台成功识别了一种名为REC-994的化合物，该化合物被用于治疗罕见的脑海绵状血管瘤（CCM）疾病，并进入了II期临床试验。尽管这一项目在临床试验中表现出一定的安全性，但其疗效并未达到预期水平，最终被终止。

Recursion的另一项突破是其与Exscientia的合并，这一举措不仅增强了其在药物设计方面的技术能力，还为其提供了更丰富的生物学数据支持。通过整合Exscientia的生成式化学平台，Recursion能够更有效地将AI设计的分子与实际的生物学验证相结合，提高药物研发的成功率。此外，Recursion还在2023年获得了来自NVIDIA的5000万美元战略投资，并推出了名为BioHive-2的专用AI超级计算机，进一步提升了其在药物发现中的计算能力。

#### 4. BenevolentAI

BenevolentAI是一家专注于知识图谱驱动药物发现的公司。其平台整合了大量科学文献、生物医学数据库、多组学数据和临床信息，利用自然语言处理（NLP）和图机器学习技术，提出新颖的基因-疾病-化合物之间的联系。2020年，BenevolentAI的AI系统成功预测了Baricitinib作为治疗新冠的潜在药物，并在随后的临床试验中显示出显著的疗效，成为AI预测疗法首次进入临床实践的典范。

然而，BenevolentAI在2023年也遭遇了挑战。其AI识别的Trk抑制剂BEN-2293在IIa期临床试验中未能达到预期效果，这一失败凸显了AI在药物发现过程中可能存在的局限性。为了应对这一挑战，BenevolentAI在2023年进行了战略调整，包括裁员、关闭美国办事处，并将重点转向与大型制药公司合作，而非独立开发药物。这一转型不仅降低了公司的财务风险，还为其提供了更稳定的资金来源。

#### 5. Schr?dinger

Schr?dinger是一家以物理驱动的计算化学软件为核心业务的公司，近年来逐步将AI技术引入药物发现流程。其核心平台结合了量子力学、机器学习和统计建模，能够高效地设计和优化小分子药物。2022年，Schr?dinger与Nimbus Therapeutics合作开发的TYK2抑制剂NDI-034858（现名为TAK-279）在与Takeda的交易中获得了4亿美元的授权费用，并进入III期临床试验阶段。这一成果展示了AI在药物优化中的巨大潜力。

Schr?dinger的另一项重要进展是其与Eli Lilly等制药公司的合作，推动多个临床阶段的药物项目。截至2025年，Schr?dinger内部有三个处于临床阶段的抗癌药物项目，包括针对淋巴瘤的MALT1抑制剂SGR-1505、针对急性髓系白血病的CDC7抑制剂SGR-2921以及针对实体瘤的WEE1和MYT1双靶点抑制剂SGR-3515。这些项目均显示出良好的初步疗效和安全性，但最终能否在临床试验中取得突破仍需观察。

### AI药物研发的挑战与未来展望

尽管AI在药物研发中展现出巨大潜力，但其在临床阶段仍面临诸多挑战。首先，AI生成的药物候选分子是否能够在人体中表现出预期的疗效，仍然是一个关键问题。例如，Exscientia的某些项目虽然在动物模型中表现良好，但在人体试验中却未能达到预期效果，这表明AI在药物开发过程中需要更多的生物学验证。其次，AI技术的应用依赖于高质量的数据输入，而生物医学领域的数据往往存在偏差或不完整性，这可能会影响AI模型的预测准确性。

此外，AI在药物研发中的应用还受到监管和伦理问题的制约。随着AI在药物开发中的广泛应用，各国监管机构如美国食品药品监督管理局（FDA）和欧洲药品管理局（EMA）开始制定相关政策，以确保AI技术的安全性和有效性。例如，FDA鼓励使用计算方法减少动物实验的依赖，而EMA则关注AI系统的透明度和可解释性。这些监管要求为AI药物研发设定了更高的标准，同时也为行业的规范化发展提供了方向。

从长远来看，AI在药物研发中的应用仍处于早期阶段，但其已经展现出改变行业格局的潜力。随着技术的不断进步和平台的持续优化，AI有望在药物发现的各个阶段发挥更大的作用。例如，生成式人工智能能够设计出更具创新性的分子结构，而表型筛选技术则能够发现与疾病相关的新靶点。未来，AI与生物医学数据的深度融合将推动药物研发从“经验驱动”向“数据驱动”转变，从而提高新药的成功率。

### AI与药物研发的融合趋势

AI与药物研发的结合正在形成一种新的研发范式，即“TechBio”模式。这种模式强调将人工智能技术与生物学研究相结合，通过数据驱动的方式发现新的药物靶点和优化药物设计。例如，Recursion通过整合AI与高通量表型筛选技术，成功发现了多个具有治疗潜力的化合物；而Schr?dinger则通过物理模拟和机器学习的结合，提高了药物设计的精度和效率。

与此同时，AI技术的广泛应用也促使制药行业向更加合作化的方向发展。越来越多的制药公司开始与AI初创企业合作，共同推进药物研发进程。例如，Insilico Medicine与Sanofi的合作项目，不仅加速了药物发现，还为双方带来了巨大的商业价值。此外，Exscientia与Recursion的合并也体现了AI药物发现公司之间的协同效应，通过资源共享和技术互补，共同推动药物研发的创新。

### 未来AI药物研发的发展方向

随着AI技术的不断成熟，未来药物研发将更加依赖于AI的自动化和智能化能力。例如，AI可以通过生成式模型快速设计出新的分子结构，并通过高通量筛选技术验证其生物活性。此外，AI还可以通过整合多组学数据，发现与疾病相关的新型靶点，从而为药物研发提供更广阔的方向。

然而，AI在药物研发中的应用仍然需要克服多个技术和社会挑战。一方面，AI模型的准确性依赖于高质量的训练数据，而生物医学领域的数据往往存在偏差或不完整。另一方面，AI技术的普及也引发了关于数据隐私、算法透明度和伦理责任的讨论。如何在确保AI技术高效性的同时，维护数据安全和算法公平性，将是未来药物研发领域需要重点关注的问题。

综上所述，AI在药物研发中的应用已经取得了显著进展，但其在临床阶段的表现仍需进一步验证。未来，随着技术的不断进步和行业的持续发展，AI有望成为药物研发的核心工具，推动更多创新药物的诞生。然而，这一过程中仍需克服诸多挑战，包括数据质量、监管要求和生物学验证的不确定性。只有在技术、伦理和监管的多方协作下，AI才能真正实现其在药物研发中的潜力，为全球患者带来更多的治疗选择。