《Briefings in Bioinformatics》：Can autonomous Agentic-AI systems accelerate drug discovery and development in the next decade?
编辑推荐：
制药行业正经历由人工智能（AI）的快速进步、研发复杂性的不断增加以及关键专利到期所驱动的深刻变革。自主智能体AI（Agentic-AI）系统能够在传统数据驱动的自动化之外实现自主推理、决策制定和适应性学习，在此背景下代表了一种范式转变。本综述考察了Agenti
制药行业正经历由人工智能（AI）的快速进步、研发复杂性的不断增加以及关键专利到期所驱动的深刻变革。自主智能体AI（Agentic-AI）系统能够在传统数据驱动的自动化之外实现自主推理、决策制定和适应性学习，在此背景下代表了一种范式转变。本综述考察了Agentic-AI对整个制药价值链的影响，包括供应链编排、制造优化、早期药物发现、工艺开发和监管情报。通过促进动态的人机协作，这些系统增强了运营韧性，缩短了开发周期，并加速了新治疗候选药物的识别。然而，Agentic-AI的广泛采用也引入了与劳动力整合、伦理责任、治理和法规遵从相关的重大挑战。应对这些挑战对于可靠且可扩展的部署至关重要。本研究识别了影响Agentic-AI在未来十年影响力的关键因素，并对其在制药创新中不断演变的作用提供了前瞻性视角。
**研究背景与问题**
制药行业正面临深刻变革，驱动因素包括人工智能（AI）的快速发展、研发复杂性的持续增加以及“专利悬崖”的临近。2025年至2030年间，预计约有190种年销售额超10亿美元的药品将失去市场独占权，可能导致行业损失约2360亿美元，这给大型制药企业以“重磅炸弹”药物为核心的商业模式带来了巨大风险。与此同时，药物开发周期依然漫长，研发支出持续攀升，全球供应链受到地缘政治和全球经济趋势的日益干扰。传统AI应用主要聚焦于模式识别、数据分析和预测建模，以支持靶点识别、虚拟筛选和临床试验设计等既有流程，但其本质上仍是在人类监督下运行的分析或预测工具，需要用户解读输出、做出决策并执行后续操作，因此未能从根本上解决制药研发与商业化的长期瓶颈，也未完全实现在不牺牲科学精度的前提下显著缩短时间和降低成本的目标。
在此背景下，自主智能体AI（Agentic-AI）系统凭借其自主推理、独立决策和自适应学习能力，超越传统数据驱动自动化，代表了一种范式转变。此类技术能够跨来源整合信息、独立开展实验、实时优化临床试验路径，并管理供应链和监管事务等跨职能业务活动。然而，将Agentic-AI广泛整合至制药全生命周期，需要解决数据质量、治理、监管监督、劳动力准备和伦理部署等关键挑战。
**研究内容与结论**
研究人员全面分析了Agentic-AI对制药全价值链的影响，涵盖供应链编排、制造优化、早期药物发现、工艺开发、监管情报、商业运营和组织转型。研究得出以下主要结论。
**专利悬崖作为创新催化剂**：当前专利悬崖涉及大量生物制品，其独占性丧失可能因生物类似药的技术复杂性而无法被直接替代。收入骤降的压力迫使企业通过生命周期管理、并购（M&A）以及AI驱动创新来重构产品管线，转向数字化、数据驱动的创新流程。AI赋能平台预计将通过精简发现流程、降低开发成本，创造数千亿美元的价值。
**监管转型：FDA对自主和AI驱动情报的整合**：美国食品药品监督管理局（FDA）发布了关于AI模型在监管决策中应用的风险导向可信度评估指南，强调基于使用情境评估模型可信度，并要求申办方明确模型输出用途和相应证据。FDA还成立了内部AI委员会，并计划部署名为“Elsa”的生成式AI工具，以辅助审评人员阅读、总结和组织安全数据、临床方案及监管文件，同时保持严格的人类监督。这些举措表明监管文化正从以人类为中心向人机混合审查转变，旨在加快审评时间且不损害公众健康使命。
**经济颠覆：万亿美元级别的转型**：将新分子实体推向市场的估计成本已超过23亿美元，开发周期超过十年，且大多数项目失败率超过90%。Agentic-AI通过自主指导实验、执行多步骤流程、自我评估结果和持续学习，将分析智能从“人在环路”（human-in-the-loop）转变为“人在回路上”（human-on-the-loop），从而消除冗余、加速决策周期并减少资本密集型的试错成本。AI辅助的患者分层和自适应临床试验已显示出降低试验成本、缩短周期和减少失败率的潜力，而AI驱动的制造优化和供应链管理也能带来可衡量的成本节约。从宏观经济学角度看，AI在医疗和制药领域的应用有望在未来十年创造数万亿美元的累计全球经济效益，包括通过个性化医疗优化给药策略和改善治疗结果而实现的长期医疗支出减少，以及通过整合基因组监测、流行病学建模和免疫原性预测来避免大规模经济中断。
**重新定义制药劳动力：人类与Agentic-AI的共智能**：Agentic-AI并非简单替代人类劳动力，而是推动形成基于人机协作的新型“共智能”工作模式。行业预测显示，AI智能体的使用率预计将从目前的15%上升至未来几年的60%以上，带来约30%的人均生产力提升和约20%的劳动力成本降低。这促使劳动力角色从执行转向战略监督，出现了AI产品负责人、模型验证专家和人机交互专家等新兴职业路径。AI素养成为贯穿所有劳动力的核心能力，但采用率仍不均衡，认知差距可能导致组织抵抗和技能错配，而先行者则可通过吸引具备AI素养的人才获得竞争优势。
**自主制造与智能供应网络**：Agentic-AI通过持续感知、推理和行动，为药品生产带来范式转变。自主智能体能够自我管理设备配置和质量文件记录，将新产品引入周期从易错的手动清单流程转变为标准化的“一键式”实施。基于强化学习的预测性维护和动态调度能力可减少设备停机时间、延长资产寿命并降低运营成本，尤其适用于细胞和基因治疗等珍贵生物制品。在供应链管理方面，自主智能体能够全天候监控库存和物流，实时调整采购和生产决策，使制药企业从危机应对者转变为能够在地缘政治不确定性和贸易中断情况下保持业务连续性的“自愈型”供应链。
**自主发现管线：重新定义药物研发**：Agentic-AI正在将传统的顺序化、人工密集型的研发管线转变为自适应、自主探索的生态系统。在靶点识别与验证阶段，AI智能体能够自动挖掘多组学数据、科学文献、通路数据库和真实世界数据，独立形成并验证疾病相关靶点假设，并随着新信息的出现持续排序和优化，从而降低假阳性靶点提名风险，提高临床前投资决策的置信度。与依赖静态预测变量可能遭遇“替代指标失效”的常规AI方法不同，Agentic-AI通过整合多组学数据集、生物交互网络、通路动力学、真实世界证据和实验反馈，实现系统层面的持续学习和闭环验证，可能提高转化稳健性。在化合物发现与筛选中，自主智能体能够在动态演化的化学空间中评估数十亿种化合物，实时整合实验输出、毒性预测和构效关系以重新排定化合物库优先级，并动态调整筛选策略。在临床研究方面，Agentic-AI能够优化试验设计、实时追踪患者安全、解析碎片化临床和观察数据以识别最佳患者队列，并通过动态患者分层、队列富集、剂量优化和方案修订支持自适应临床试验。案例研究表明，In-silico Medicine利用其Pharma.AI平台，在约18个月内将针对特发性肺纤维化的TNIK抑制剂rentosertib（ISM001-055/INS018-055）从靶点发现推进至临床开发阶段，且该项目的IIa期试验（GENESIS-IPF，71名患者，22个中心，双盲、随机、安慰剂对照）显示，60mg每日一次剂量在12周时实现肺活量（FVC）平均变化+98.4mL，而安慰剂组为-20.3mL。该案例被归类为“半自主智能体”流程，因其模块（PandaOmics、Chemistry42、inClinico）在限定任务内进行自主推理并按顺序协调，但在各阶段转换间仍需要人类介入。Recursion Pharmaceuticals则结合大规模生物数据集、自动化实验和机器学习预测系统，构建了能够持续优化生物学假设和化合物优先级的闭环发现工作流。此外，AutoGPT、LangGraph、CrewAI和Microsoft AutoGen等新兴智能体框架展示了LLM驱动的智能体在任务分解、多智能体交互、外部工具调用和迭代输出完善方面的能力，为更高级别的自主研发生态系统提供了技术基础。
**商业化战略与市场参与**：Agentic-AI将传统的6至18个月商业规划周期压缩至数月，通过自主整合市场情报、真实世界证据和绩效反馈实现持续更新的决策框架。自主智能体能够评估历史销售数据、促销有效性、竞争活动和区域市场动态，推荐跨数字、面对面和全渠道参与路径的最优资源配置，并模拟多场景以动态调整预算分配。在医疗保健提供者的细分与靶向方面，AI智能体持续处理处方习惯、患者人口统计学、循证临床实践和参与度数据，实现近实时微观靶向策略优化。在罕见病商业化领域，Agentic-AI可通过自动检查电子健康记录、诊断代码、转诊数据和基因组标记，识别潜在未诊断患者群体，弥补传统市场研究因疾病低患病率和数据不全面而无法覆盖的信息缺口。
**全球制药力量重构**：Agentic-AI的加速采用正重塑全球竞争格局。美国拥有全球约40%的药品市场份额和约一半的国际销售收入，其对Agentic-AI的掌控程度将影响其长期主导地位。中国生物技术公司迅速扩大全球足迹，2024年约三分之一的授权引进候选药物源自中国生物技术企业，且中国市场总量预计未来五年将增长约20%。欧盟通过《AI法案》（AI Act）采取预防性、系统性监管，强调透明度、风险管理和基本权利保护。美国FDA采用基于风险、以产品为导向的框架，但尚无全面联邦法规。中国的监管方式较为集中，结合算法和生成式AI的监督与国家级创新推进计划。印度则通过国家AI战略和IndiaAI计划强调负责任的AI发展与增长促进。这些监管路径差异正在产生不同的创新路径和竞争战略，能够同时适应多重监管框架并保持数据完整性、可解释性和可审计性的组织将获得持久竞争优势。Agentic-AI预计将加速行业整合，并将投资引向基因疗法、细胞疗法和罕见病等具有高未满足医疗需求且普通竞争有限的领域。
**未来前景与挑战**：Agentic-AI有望在肿瘤学自适应精准医疗中发挥变革作用，通过持续分析基因组、转录组、影像和纵向临床数据，自主优化联合用药方案、给药计划和治疗序列，以应对肿瘤演变。结合连续生物监测（血液检测、组织分析和可穿戴生物传感器），系统可能在临床事件发生前识别细微病症表现。在罕见病领域，尽管患者数据有限，Agentic-AI可通过整合基因组数据、生物医学文献、临床记录、疾病本体论和知识图谱，利用基础模型、迁移学习和自主假设生成工作流来识别疾病机制和优先治疗靶点。未来系统可能自主进行大规模计算机模拟（in silico experiments），在物理实验前优先排序候选化合物，从而扩大化学和生物空间的探索范围。然而，研究人员指出，从战略准备角度看，企业高管需在未来两到三年内做出具有长期影响的关键决策，优先确定高价值试点领域，投资跨职能AI教育、稳健的数据基础设施和早期监管参与。延迟行动的公司可能在自主性成为基线能力时面临结构性劣势。
**讨论与结论**
研究人员在讨论部分强调，Agentic-AI的实施面临多重挑战。文化上对变革的抵制是最普遍的障碍，有超过半数的制药公司将文化抵制列为AI创新的主要阻碍。数据就绪和系统集成问题也尤为突出，制药行业的数据基础设施高度碎片化，发现平台、临床试验系统、制造和商业系统之间形成数据孤岛，而Agentic-AI需要高质量、持续同步和集成的数据流。监管合规增加了大规模实施复杂性，因为监管机构传统上评估静态模型而非持续学习系统，缺乏完全协调的全球标准导致不确定性并减缓部署。人类信任是另一关键障碍，可解释AI（XAI）技术和人在环路框架被视为采用的重要组成，以在保留自主性效率的同时提供监督。数据安全和隐私风险随智能体系统对敏感患者、基因组和专有研究数据的更广泛访问而加剧，符合通用数据保护条例（GDPR）和健康保险流通与责任法案（HIPAA）等法规的要求。此外，组织变革规模庞大，需要技能再培训、重新部署和变革管理，这一转变不仅是技术变革，更是社会-组织变革。结论指出，在监管政策日趋成熟和实践经验日益丰富的背景下，将AI成功应用于制药行业需要多方利益相关者的参与和对技术的负责任使用。自主智能体AI的出现将重新定义端到端的药物研发流程，预计研发管线的时效、成本和失败率将显著下降，而人类战略监督与AI自主执行的共智能模式将成为未来工作流的核心，其影响程度取决于可扩展数据、稳健模型、监管协调和技能型劳动力等关键使能因素。
