化学家从电脑画出的结构里选了 79 个,准备带进实验室做出来。英矽智能后来写到,他们挑中的是第 55 个。这个原本只能在屏幕上转来转去的小东西,有了个念起来挺费劲的名字,rentosertib。几年后,真的有肺病患者把它吞了下去。2026 年 9 月,它在中国的三期临床试验完成首例给药。

我喜欢这个故事,是因为它回答了一个很俗、也很要紧的问题。化学家的一双手一天能做的东西有限,明早上班,先做哪一个?AI for Science,简称 AI4S,用在制药上,我最期待它能改一改第一次给人用药以前的这张排班表。第 55 个分子以前也可以由人设计出来。要紧的是,在经费用光以前,研究者有没有机会碰到它。

第 55 个候选分子的二维结构式
同一个分子,先看平面结构,再按播放看它转一圈

这一年半,值多少钱?

我把英矽智能自己的两份材料摆在一起看。从开始找研究对象,到选定第 55 个分子继续做临床前开发,这个项目花了大约 18 个月,公司披露的预算约为 260 万美元。作为参照,他们给出的传统早期发现工期是两年半到四年。折成同一把尺子,30 至 48 个月,对 18 个月。两者相差一年到两年半。

多久选出临床前候选物?
第 55 个分子的项目约 18 个月
公司引用的传统项目范围30 至 48 个月

对一组等着看结果的人,一年是很长的。假如一个主意行不通,早一年发现,留下的是下一次尝试的时间。这也是我看这些数字时比「早一年卖药」更愿意押的注。这个项目没有另请一队人按传统方法从头做一遍,没人知道另一队到底会花多久。

英矽智能估算,这 260 万美元约为传统发现成本的一成。公司没公开逐项对账的明细,后面几十家医院做试验的钱也另算。能不能找一笔真有两种做法、可以直接比的开销?还真有。

计算机筛药,有一步特别费机器时间。蛋白表面有小凹槽,研究者得把每个分子的形状放进去,算算合不合得来。这活儿像配钥匙,一大串钥匙挨个往一个锁孔里试,试一把就要花一把的时间。一组研究者换了个做法,先细算一小部分,让模型从中学会粗挑,再把昂贵的计算花在更有希望的分子上。他们拿已经做过实验的名单核对,新办法用大约十四分之一的计算成本,找回了超过八成的实验命中分子。

同一笔计算费,摊成 14 格
逐个做详细计算14 / 14
模型先粗挑,再细算≈ 1 / 14

以前要付 14 块钱的计算费,现在大约付 1 块。单算这一项,省了约 93%。它也漏掉了一部分好东西。这反倒让我觉得这个结果可信。有些实验事关重大,你愿意付那 14 块把名单再翻一遍。可如果面前是一个原本嫌贵、压根没打算查的方向,花 1 块先看看,事情就大不一样了。这是另一个团队的筛选研究,跟第 55 个分子的 260 万美元分属两本账。

第一次给人用药以前,实验室里都在忙什么?

这 18 个月,走的是下面路线图的第三步。化学家选定一个分子,终于肯把下一笔大钱花在它身上。从找靶点到选中它,这段叫药物发现。接手的同事要回答一个更难的问题。让第一位志愿者吃下它,我们对风险究竟知道多少?为人体试验准备这批证据,就是临床前开发。

跟着一款小分子药走一遍
  1. 找靶点模型从患者数据里找出可疑的蛋白,科学家再用细胞验证,改变它会不会影响病变
  2. 找有反应的分子AI 筛出或画出一批分子,化学家挑一些来测。反复测都有活性的,就有了一个「命中物」。
  3. 把苗头改成候选药从有希望的「先导化合物」出发。这时的分子像一把插得进锁孔、还转不动的钥匙坯,模型建议改法,化学家合成、测试,一版一版地锉。既要有活性,也得能溶解、能留在体内。
  4. 准备第一次人体试验模型先标出可能的风险,研究者再查药去了哪里、会伤到哪些器官,还要把每批药做得一样可靠

手里拿的是阿司匹林,还是胰岛素?

阿司匹林是很熟悉的化学药。它的有效成分是个结构明确的小分子,工厂可以通过化学反应把它做出来。前面那个能在屏幕上转一圈的 rentosertib 也是小分子。换成糖尿病患者用的人胰岛素,做法就很不一样了。胰岛素是一种蛋白质,药厂常让细菌或酵母细胞生产它,再把它纯化出来。这是生物药的一种,治疗用抗体也是。设计小分子,化学家可以换掉结构上的一小块。设计蛋白药,研究者还得操心长长的氨基酸链折出来是什么形状,折错一个弯,作用可能就没了。AlphaFold 这类 AI 工具能先给出一个结构预测,让团队挑出值得细看的部分。折得怎样、药有没有预想的作用,还要动手验证。

猪和人的胰岛素结构并排,箭头标出两者相差的一个氨基酸
猪胰岛素和人胰岛素只差一个氨基酸,就在箭头指的地方

一个生了疤的肺,药该从哪儿下手?

第 55 个分子面对的病叫特发性肺纤维化。看看下面两张图。同一种病,看胸片,先能辨认出肺里不规则的白色纹影。再看显微镜下的病理切片,本来该留给空气的地方,长进了厚实的疤。人吸一口气,肺得能张开。瘢痕越来越多,这个再平常不过的动作就越来越费劲。

一位肺纤维化患者的正面胸片
肺部病理切片,左侧疏松,右侧组织致密
胸片里只能看见白色纹影,放大另一份肺组织,才看得到挤在一起的疤

切片能看出哪儿坏了。要开工做药,化学家还得等一个更具体的回答。有什么东西是我们碰得着的,动它一下,能不能让瘢痕少长一点?团队找来了十五组公开的血液和肺组织数据。生病的细胞和健康的细胞,忙的事情不同,许多基因的活跃程度也不一样。麻烦在于,格外忙的那个,有可能在添乱,也有可能是在修补。

研究者用模型把这些变化和已知的蛋白关系、发表过的研究相互对照。他们先限定了一类有机会用小分子干预的蛋白,再看哪些名字反复出现。TNIK 排到前面。换一批能看清单个细胞的数据来查,在和瘢痕形成有关的一类细胞里,TNIK 也比对照更活跃。这才值得往下试。制药的人把要用药影响的对象叫「靶点」。

按特定条件筛选后的五种候选蛋白,TNIK 排在首位
肺组织的单细胞图,每个点代表一个细胞,颜色区分细胞类型
TNIK 在这次筛选中排第一,彩色图上的每个点是一个细胞

贴得牢的分子,也有难以下咽的时候

电脑有了 TNIK 的立体结构,等于拿到了锁孔的形状,就能画一些有希望嵌进去的小分子,交给化学家挑。能不能做出来、要花多大功夫,化学家得一并考虑。最初挑中的几种,在实验里已经能和 TNIK 贴得挺牢。要是只比谁贴得牢,到这儿就可以拍张好看的图交差了。

TNIK 蛋白的结构图中叠合着绿色候选分子与青色参考分子
绿色是模型预测的候选药位置,蓝色是它要结合的蛋白

可人将来要把这东西吞下去。早期几个分子溶不太开,在用人和小鼠肝脏材料做的测试里,又被分解得太快。药得先溶出来,身体才能吸收,还得留得够久,才有机会到达肺里。知道上一次到底栽在哪儿,化学家才能回去改下一版。后来,研究者拿患者捐献的肺组织分离出细胞,把选中的分子加了进去。显微镜下,原本很亮的一种绿色标记淡了下去。你也可以看看下面这两张照片。

患者来源的成纤维细胞,未加候选药的对照和加药后的荧光图
两幅图染了同一种蛋白,加入候选药的细胞(右)绿色淡了

绿色变淡,离一个人喘气更轻松还有很远。这两张照片的价值在于,实验室里原本只有一张猜出来的分子图,现在多了一条可以要求别人复查、可以据此决定还要不要投钱的结果。

细胞里有反应,为什么还要看一只小鼠的肺?

培养皿里的细胞碰得到药。吞下一粒药却麻烦得多。它要经过肠道和肝脏,进入血液,有足够的量到达肺,还可能顺路影响别的器官。临床前有两件容易混在一起的事。研究药效,是看它能不能缓解想治的问题。研究安全性,是查它还可能伤到哪里。光看下面这组小鼠的肺切片,还不知道药会不会伤肝。

两张小鼠肺切片在同样染色和标尺下对照,左侧较为致密,右侧可见更多空隙
左边是小鼠模型对照组,右边是给药组,两块肺组织里留给空气的空间不同

那猴子什么时候出场?得先问这种动物能不能回答眼前的问题。有些抗体认得人体内的靶点,对小鼠体内相应的蛋白却几乎没有反应。给这样的鼠做实验,即使没看到异常,也很难据此判断用在人身上安不安全。有些项目因此会考虑猴等非人灵长类。具体选什么动物、是否需要动物,要看药物、已有证据和监管要求。美国 FDA 也在推人源细胞模型、类器官和计算方法,想把不必要的动物研究省下来一些。

AI 在这里能帮一个很实际的忙。假设手里还有五个相近的分子,模型提示其中两个可能更容易伤肝,团队就有理由把肝细胞实验往前排。测出来没问题,也值得记下来,下次可以追问模型为什么误报。到了申请第一次人体试验,研究者得把实测证据、药品质量、起始剂量的依据和观察方案交出来,监管和伦理审过,志愿者签下知情同意,试验才能开始。

AI 报了 77 个,明天照着这张名单做实验吗?

我在 Revvity Signals 做产品设计时,团队讨论过给 AI 单做一个工具。可科学家已经开着实验记录了。让他再开一个窗口,把文件传过去,重新解释自己在看什么,只为问一句「哪些分子值得再测一次」?我主张把对话放回那份实验旁边。文件已经在那里,接着问就行。

Signals 实验记录与 AI 对话并排,右侧答案可打开左侧正在使用的原始数据
左边是原始记录,右边是 AI 的回答,核对一个数字不用换窗口

后来我拿一份公开数据复核这个设计。它跟第 55 个分子的项目无关,里面是 94 条关于另一种蛋白 CDK2 的实验记录。我想知道,哪些分子只用很少的量,就能把测到的活性压低一半。这个量在原表里叫 IC₅₀。第一次我把门槛设在 10 nM,AI 给出 43 条。我逐个核对,编号和数值全对。

我把门槛放宽到 100 nM。AI 在总结里写了 77 个。同一屏的图里,落在门槛内的三根柱子分别有这么多条。

1 + 42 + 35 = ?

看看我为什么要求重查

78 条。我请它回到原文件重查,它也改成了 78。上一题刚答对 43 条,要是眼前只有一句总结,我很可能就把 77 抄走了。

Signals 对第一次筛选返回 43 条记录
Signals 的实际分布图和把 77 改成 78 的文字
第一次的 43 条都能对回原表,换个门槛再问,AI 就少算了一条

这就是我愿意让那张图和原表占屏幕位置的原因。平时,AI 替人翻完几十条记录,直接列出候选。真有分歧,科学家沿着回答里的引用就能打开文件,把那一行拿出来算。少传一次文件,少重抄一个错数,第二天带进实验室的名单就更有把握。

最后这口气,省不了

  1. 一期先让少数人参加,看能否耐受、药在体内停多久。这款药的一项一期试验招了 78 名健康志愿者,有些抗癌药则从一期起就招患者。
  2. 二期招患这种病的人,看有没有初步疗效、哪个剂量更合适,同时继续观察安全性
  3. 三期招更多患者,比一比用药组和对照组的获益和风险。第 55 个分子走到这一步,要观察患者 52 周。

医院里也有能省的时间。比如招人入组,医生要拿着病历逐条核对条件。美国国立卫生研究院请两位临床医生试过,让 AI 先圈出病历里的依据,这项筛查少花了约四成时间。患者的十二周随访,还是要一周一周地过。

第 55 个分子进了二期早期试验,71 位肺纤维化患者随机分成四组,接受不同给药方案或安慰剂,观察十二周。医生请他们深吸一口气,用力往仪器里吹,直到吹不动为止。吹出来的总量,叫用力肺活量。

NIOSH 技术员示范把一口气尽力吹入肺功能仪
John Clark 示范肺功能检查,深吸气后对着吹嘴用力呼出

每日一次 60 毫克那组,十二周后平均比自己开始时多吹出 98.4 毫升。安慰剂组平均少了 20.3 毫升。我读到这里,最想知道的是,走去买个菜能不能少歇一回?研究里还真量了六分钟能走多远,这一项各组变化相近。样本小,观察时间短,这个问题还得留着。

四个剂量组十二周后用力肺活量的平均变化与 95% 置信区间,共用一条零线
点在零线右边,表示这一组平均比试验开始时多吹出了一些气

这项试验首先要看的是安全性。71 位参与者里,有 16 位提前停了治疗,原因包括肝脏方面的问题和腹泻。等三期那一整年的观察结束,医生手里才会多一份判断的依据。

走完三期,团队才有望拿着临床结果和生产质量资料申请上市。监管机构还要判断,对打算用这种药的人,获益是否值得承担风险。获批以后,更多人用得更久,罕见不良反应才可能露面。医生和患者的报告会继续积累,有时还会专门开展四期研究。

我倒更希望有一天,那些连实验经费都没争取到的想法,也能轮到一次。第 55 个分子已经走到了医院。另一本名单上的第 55 个,可能还躺在化学家电脑里。要是有一天他算了算预算,发现今年有钱把它做出来了,我觉得这就够让人高兴了。

研究来源与图片署名

原始研究与数据

英矽智能资助了该药的临床试验。公司报道的 79 个指入选合成的分子,后续案例表列的是 78 个已合成和测试的分子。

图片来源

二期各组肺活量变化

组别平均变化 (mL)95% 区间 (mL)
安慰剂−20.3−116.1 ~ 75.6
30 mg 每日一次−27.0−88.8 ~ 34.8
30 mg 每日两次+19.7−60.5 ~ 99.9
60 mg 每日一次+98.410.9 ~ 185.9