2026 年，一個由 AI 從零開始設計的癌症治療藥物即將進入一期臨床試驗。這不是一個輔助篩選工具或分子預測模型的故事——而是 AI 首次作為真正的「藥物設計師」，自主完成了從靶點識別到分子生成的完整流程。這家名為 Isomorphic Labs 的公司，是 Google DeepMind 的衍生企業，其技術引擎的源頭是 2024 年諾貝爾化學獎獲獎成果 AlphaFold。
這一里程碑的意義超出了普通的臨床試驗公告。如果成功，它將證明 AI 不僅可以預測自然界已經存在的蛋白質結構，更可以創造自然界從未存在過的分子——針對特定的疾病靶點，以計算機而非試管作為起點，實現真正意義上的「理性藥物設計」。這可能是製藥行業自高通量篩選技術以來的最大範式轉移。
從 AlphaFold 到 IsoDDE：從預測到設計
Isomorphic Labs 的核心技術平台稱為 IsoDDE（Isomorphic Drug Design Engine）。這一引擎建立在 AlphaFold 的蛋白質結構預測能力之上，但超越了「預測」的範疇。
理解這一飛躍的關鍵在於認識到「預測蛋白質結構」和「設計藥物分子」是兩個截然不同的問題：
-
AlphaFold 解決的問題（預測）：給定一條氨基酸序列，預測它會折疊成什麼樣的 3D 結構。這本質上是一個逆向工程問題——大自然已經創造了蛋白質，AI 學會了解讀它的設計。
-
IsoDDE 解決的問題（設計）：給定一個疾病相關的蛋白質靶點，設計一個能夠精準結合該靶點並調節其功能的小分子藥物。這是一個正向工程問題——不存在於自然界中，AI 需要從零開始創造。
IsoDDE 的技術架構整合了三個核心層面：
-
結構生物學層：利用 AlphaFold 3 預測靶點蛋白質及其與候選分子的相互作用。AlphaFold 3 的關鍵突破在於，它不僅預測蛋白質本身，還預測蛋白質與配體（小分子藥物）、DNA、RNA 的相互作用，準確度比以往方法提升了至少 50%。
-
生成化學層：基於擴散模型（diffusion models）——類似於 DALL-E 和 Stable Diffusion 生成圖像的方式——在化學空間中生成符合靶點結合要求的分子結構。這與傳統的「篩選數百萬個候選分子」截然不同：AI 直接生成最有潛力的分子，而非從大型庫中挑選。
-
優化與預測層：對生成的分子進行可藥性（drugability）、毒性、代謝穩定性等屬性的 AI 預測，在進入實驗室合成之前過濾掉大概率失敗的候選物。
AI 藥物發現 2026：173 個臨床項目的產業化轉折
Isomorphic Labs 的臨床試驗並非孤立事件。截至 2026 年中，全球共有 173 個 AI 輔助或 AI 設計的藥物項目處於臨床開發階段——從概念驗證到後期試驗——這一數字在兩年前還不到 50 個。AI 藥物發現正在經歷從「學術好奇」到「產業現實」的轉折點。
以下是當前 AI 藥物發現領域的關鍵里程碑：
| 里程碑 | 公司/機構 | 時間 | 意義 |
|---|---|---|---|
| AI 設計藥物進入一期臨床 | Isomorphic Labs | 2026 | 首個 AlphaFold 衍生設計藥物的臨床驗證 |
| 黑色素瘤 mRNA 癌症疫苗 | Moderna/Merck | 2025-2026 | AI 優化抗原選擇，三期顯示 65% 風險降低 |
| ILMA（AI 生成藥物） | Insilico Medicine | 2025 | 首個由 AI 發現的抗纖維化藥物進入二期 |
| Casgevy（CRISPR 基因編輯） | Vertex/CRISPR Therapeutics | 2023-2026 | 已獲批，AI 優化 gRNA 設計 |
| AlphaFold 3 發布 | Google DeepMind | 2024 | 預測所有生命分子相互作用 |
| 173 個 AI 臨床項目 | 全球綜合 | 2026 | 相比 2024 年增長 3 倍以上 |
這 173 個項目涵蓋了從腫瘤學到神經科學、從傳染病到罕見病的廣泛治療領域。但值得注意的是，AI 在藥物發現中的作用仍然集中在早期階段——靶點識別和先導化合物優化——而非整個藥物開發流程的端到端自動化。Isomorphic Labs 的試點項目之所以具有標誌性意義，正是因為它試圖將 AI 的參與範圍擴展到整個設計流程。
計算成本與實驗成本的重新平衡
AI 藥物發現的經濟邏輯根植於一個簡單的事實：藥物開發的成本結構正在發生根本性變化。
傳統的藥物發現依賴於高通量篩選（HTS）——在數百萬個化合物中測試哪個能與靶點結合。這個過程需要大規模的實驗室基礎設施、大量的化學試劑和數月的時間。一個典型 HTS 項目的成本在 1,000 萬至 2,000 萬美元之間，而超過 90% 的篩選結果最終會被丟棄。
AI 方法——尤其是生成式模型——從根本上改變了這一順序。計算機不是被動地篩選庫中現有的分子，而是主動地生成僅存在於計算機化學空間中的新型分子。這意味著：
- 探索的化學空間從數百萬擴展到數十億個分子
- 從數據生成到預測的全流程時間從數月壓縮到數天
- 在先導化合物優化階段，實驗驗證的比例從 0.1% 提升到 10%
Isomorphic Labs 的 IsoDDE 平台據稱能夠將從靶點選擇到候選藥物確定的週期從傳統的 4-6 年縮短到 12-18 個月。如果這一說法在大規模實踐中得到驗證，它將徹底改變製藥行業的研發經濟學。
當前的局限與挑戰
在承認進展的同時，必須清醒地認識到 AI 藥物發現仍然面臨的重大限制：
數據質量的天花板。 AI 模型的表現直接取決於訓練數據的質量和數量。藥物發現領域的高質量數據——特別是臨床試驗結果數據——往往由大型製藥公司持有且不對外開放。公開數據集的規模、一致性和標註質量仍然是 AI 模型進步的關鍵約束。
可解釋性問題。 即使 AI 生成了一個看起來完美的分子，科學家們也往往難以理解「為什麼這個分子有效」。在監管審批的語境下，監管機構需要的不僅是臨床數據，還需要合理的機制解釋。如果 AI 生成的分子無法提供一個清晰的生物學原理，它的審批路徑可能會比傳統藥物更複雜。
臨床驗證的不可壓縮性。 AI 可以加速藥物發現的早期階段，但臨床試驗本身的時間線——從一期到三期通常需要 7-10 年——在很大程度上是不可壓縮的。AI 可以讓更多的候選藥物進入管線，但無法讓一個藥物更快地完成患者的長期隨訪。這意味著 AI 對藥物開發週期的整體影響，仍需要十年以上的時間才能完全體現。
Observatory 分析：當 AI 從理解自然轉向創造自然
AlphaFold 在 2020 年解決蛋白質折疊問題時，業界普遍將其視為一個科學發現工具。Isomorphic Labs 的臨床試驗標誌著一個更深層次的轉變：AI 正在從「理解自然的工具」轉變為「創造自然的工具」。
這一區別至關重要。理解自然——預測蛋白質結構、解析基因組序列——是對已存在的信息的解碼。而創造自然——設計新的蛋白質、合成新的藥物分子——是對尚未存在的信息的生成。前者是分析，後者是綜合。
從更宏觀的視角看，這種從分析到綜合的轉變正在多個科學領域同時發生：
- 材料科學：AI 生成具有特定熱力學、電學或力學性能的新型晶體結構
- 合成生物學：AI 設計具有特定功能的人工基因電路和代謝路徑
- 氣候技術：AI 預測和設計新型催化劑用於碳捕集和轉化
- 能源儲存：AI 搜索新型電解質和電極材料的化學空間
這些領域的共同特徵是：傳統的「試錯實驗」成本正在變得不可持續，而 AI 的「計算生成+選擇性實驗驗證」範式正在成為新的標準。
對於 Isomorphic Labs 來說，一期臨床試驗只是起點。真正的考題在於：AI 設計的藥物是否能夠在二期和三期試驗中表現出足夠的療效和安全性——而這個問題的答案，將在未來幾年深刻影響製藥行業的投資方向、研發策略和監管框架。
免責聲明：本文所載資料僅供參考，不構成任何投資建議或商業決策依據。數據及時間資訊以發布當日為準，可能隨後續發展而有所變動。作者及POC.HK不對因使用本文資訊而導致的任何損失承擔責任。