AI设计药物I期成功率达90%，接近行业平均水平的两倍

近期（2026年初）的行业数据显示，通过生成式人工智能设计的候选药物在I期安全性试验中实现了90%的成功率。以AI为核心的生物技术公司报告的I期成功率在80%至90%之间，几乎是约50%的历史行业平均水平的两倍。

这一基准显著高于历史平均水平。以往传统小分子常因不可预见的人体毒性或生物利用度差而在研发过程中大量淘汰。这些计算机生成的候选物在任何实体合成发生之前，就利用生成对抗网络（generative adversarial networks）和深度学习同时优化结合亲和力与安全性特征。

计算平台正在显著压缩从发现到进入临床的时间线，部分候选物在不到18个月内就进入人体试验。一份详细的一手报告强调，在某些情况下，这些平台可将传统从发现到临床的时间线从6年压缩至不足18个月。这种效率提示了一种根本性转变：药物开发更像是一个精密的工程挑战，而非“试错式”的筛选流程。

对于制药管线而言，如此高的I期到II期转化率，或可显著缩小通常会吞噬一半早期项目的“死亡之谷”。通过计算机模拟（in silico）的ADMET预测，研究人员能够在化合物接触人体志愿者之前很久，就剔除反应性强或有毒的基团。此外，据报道，采用这些方法遴选出一个临床前候选物（preclinical candidate）的成本，比传统高通量筛选低几个数量级。

传统药物发现以缓慢且昂贵而著称。考虑到高失败率，开发一款新药的成本可高达25亿美元。只有约35%的候选药物能够通过早期开发并进入临床试验。更令人担忧的是，从I期试验到获得监管批准的药物仅占9-14%。整个流程通常需要12至15年。临床试验期间的淘汰率约为90%，这意味着进入临床开发的药物中，最终获得批准的只是极少数。

尽管这些早期安全性结果非同寻常，最终考验仍在于这些分子能否在更大、更多样化的患者人群中展现出更优的治疗有效性。一则临床评论指出，I期安全性虽为前提，但II期有效性的门槛仍是验证AI衍生化学（AI-derived chemistry）的最终标准。与传统骨架相比，对于这些新型计算结构的应答持久性（durability of responses）目前也缺乏长期数据。

目前，业内正密切关注肿瘤与纤维化领域的若干领先资产（lead assets），它们正在推进至关键性（pivotal）测试。我们尚不清楚更高的安全性特征是否会转化为更高的最终监管批准概率。然而，现有数据凸显了AI显著提升研发价值链（R&D value chain）生产力的潜力。如果这些研发节省最终传导至医疗体系，这波安全性提升或许最终会降低专科药物的成本。

全球药物发现领域的人工智能（AI）市场预计将在未来5年以25-30%的速度增长。推动这一增长的关键因素包括：降低药物开发成本与缩短周期的需求日益增加、医疗健康与生命科学领域对AI技术的采用率上升、生命科学产生的数据量持续增长、算力进步，以及制药公司与AI企业之间不断扩大的合作。