首页 / 资讯 / 大型药企报告AI药物研究周期加快
AI药物发现

大型药企报告AI药物研究周期加快

2026年11月21日5 分钟阅读
大型药企报告AI药物研究周期加快

新闻摘要

多家大型制药公司表示,人工智能开始缩短药物研究最早期阶段所需的时间:诺和诺德报告分子设计的轮次减少、速度加快,诺华则称从项目启动到确定候选药物的路径有所缩短。这些收益仅限于研究和候选药物筛选环节,尚不能证明由AI设计的药物一定能在临床试验中成功,或更快抵达患者手中。

早期研究提速

在2026年11月20日(美国东部时间)报道的表态中,多家大型药企的科学家介绍,AI正从行政辅助工作走向分子设计、候选化合物排序和早期安全性评估。葛兰素史克、百时美施贵宝、诺华、礼来、诺和诺德、阿斯利康和赛诺菲均表示,正在研发流程中应用AI。

诺和诺德给出了一个具体的流程指标:在AI的支持下,设计、合成并测试新分子的循环次数已从约八轮降至三轮。该公司还报告,每轮现在约需四周,而此前为八周。综合来看,这一变化意味着实验室迭代轮次更少,且每轮所需时间更短。

诺华报告称,从启动一个研究项目到选定候选药物的平均时间,已从大约三年缩短至约18个月到两年。其研究负责人将这一进展归因于更有效地利用积累的数据。此外,该公司表示,AI工具帮助其为潜在的肾病疗法确定了五个优先靶点。

赛诺菲表示,借助AI解读早期生物学信息并作出临床决策的方法,使其在哮喘治疗药物lunsekimig的开发过程中跳过了一项剂量选择研究,至少节省了一年时间。这是单个项目层面的具体案例,并不能证明每个药物项目都会出现同样的时间缩减。百时美施贵宝表示,如果没有其AI系统,公司的一款镰状细胞病候选药物根本不会被开发出来;这些系统还被用于优化分子结构,并利用试验数据模拟结果。

这些数字衡量的是什么

上述数据描述的是研究运作层面:需要多少轮设计与测试、每轮耗时多久,以及团队多快能找到值得推进的候选药物。AI系统可以检索大规模化学与生物数据集、提出分子结构、估算性质,并帮助科学家决定下一步做哪些实验。将这些预测与实验室自动化衔接起来,可以让化合物的提出、合成与测试循环更加连贯。

这些公布的结果均来自企业自身的说法,各家采用的衡量口径也不尽相同。更快找到候选药物,本身并不能说明该候选药物更安全、更有效,或更有可能通过临床检验。更广泛的开发过程仍然依赖人体试验、疗效与安全性证据以及监管审评。

临床证据仍是最终考验

进入临床试验的AI赋能候选药物数量只是小幅增长。一位跟踪该领域的研究人员在2026年3月统计到,69家公司共有129个候选药物,高于八个月前的约117个;其中大多数仍处于早期开发阶段。研究人员预计在研管线会继续扩大,但AI赋能的药物能否比其他候选药物取得更高的临床成功率或更快获批,目前尚不明朗。

人体试验可能耗时数年,并涉及分子设计工具无法消除的现实约束。AI或许能帮助团队选择靶点、优化试验设计或解读数据,但这些贡献需要与药物最终在患者身上的表现分开评估。就目前而言,最有力的证据是:一些公司在部分早期研究任务上减少了耗时和重复劳动。

数据与合作方式决定落地程度

制药企业正把内部的生物学与化学数据集,同机器学习工具和实验室经验结合起来。赛诺菲负责计算与AI的高管表示,模型的价值取决于能否获得合适的训练数据;该公司与诺和诺德都表示,不会向前沿AI实验室提供专有数据用于模型训练。这些选择反映出,企业特有数据对于让科学预测在具体研究项目中真正发挥作用至关重要。

制药公司与AI开发商之间的关系也在演变。一些药企把AI公司视为合作伙伴,另一些则将其视为潜在竞争对手,因为这些公司正在构建科研能力。制药企业带来多年的实验成果和领域专长,科技公司带来通用模型和算力基础设施。这些资源如何结合,将决定当下的周期缩短能否在更多疾病和项目中复制。

可量化但仍处早期的效率转变

这些公布的时间缩减,为评估AI在药物发现中的作用提供了务实的方法:统计实验轮次、追踪从项目启动到候选药物筛选的时间,并衡量项目推进时是否掌握了更有力的证据。诺和诺德的循环数据和诺华的候选药物筛选时间表表明,早期发现的部分环节确实取得了实质性收益。赛诺菲的案例则显示,AI支持的决策还可能影响开发项目的整体安排。

下一步是把这些运营层面的收益与实际结果挂钩:候选药物质量、临床成功率、安全性以及患者用上药的时间。在这些指标成熟之前,早期研究提速应被理解为一种具有科学前景的效率提升,而不是AI已经缩短了从实验室构想到获批上市这段完整旅程的证明。

本文由 AIBARS 编辑部在 AI 辅助下整理。AI 可能出错,重要信息请以原始来源为准。发现错误?请发邮件至 [email protected]。

AI药物发现医药研发