药物发现?
资本与平台一起冲进实验室,临床转化仍是瓶颈
热闹之外,更值得问的是——到底哪一段真的变快了,哪一段还在按老节奏走。下面用八组判断来拆:每组后面都跟着能查证的数字、机构名和当事人原话;属于我的归纳、或目前仍存疑的地方,单独标出来。
02 巨头从卖工具到下场做药
03 智能体赢在推理,不在语料
04 设计—测试闭环接上湿实验
05 从头设计:不可能变常规
06 发现得快,不等于发现得对
07 人仍在环路里,门槛变了
08 还没被证明的四件事
附 同期简讯:三条一起看
传统流程里,一个靶点走到候选分子要 3 到 5 年。现在这段路被压到 约 1 年,各家平台敢把「速度」写在最显眼的位置,靠的就是这个落差。
2026 年 10 月,Isomorphic Labs 被曝正在谈一轮 400–500 亿美元融资,距离 5 月那笔 21 亿美元只隔了五个月。它手上已有肿瘤、免疫两条临床前管线和 3 家药企合作。资本买的,正是被压缩出来的时间差。
Anthropic 的 Dario Amodei 把话说得更满:AI 可能在 5 到 10 年内治愈大多数重大疾病。但他自己紧接着补了条件——只有把 AI 铺到管线的每一环,这个听起来不可能的目标才勉强可能。被到处引用的往往是前半句。
真正没变的是后半程。临床转化与评价依旧按年走,发现端省下来的时间,到这里会被重新收回去。
6 月,Anthropic 发布通用科研工作台 Claude Science。几周后,它在旧金山湾区开了一间湿实验室,同时甩出 Model Hardware Standard:把不同厂商的仪器连成可被智能体调度的整体。这件事交给人工做,动辄耗掉数小时到数天。
到 10 月底,共同开发药物的合作名单已经排到 6 家——BigHat Biosciences、Bristol Myers Squibb、Divergence Labs、Enveda、Generate Biomedicines、The Column Group;另有一个自有的罕见型肌营养不良项目。软件公司开始有了自己的管线。
OpenAI 走的是收购路线。10 月买下成立四年、累计融资 2000 万美元的 Orchestra Bio,补上从发现到临床试验管理的智能体工具,与 GTP-Rosalind、Rosalind Workbench 拼成一整套。
把玩家摊开看:Anthropic、Phylo、Microsoft、OpenAI、Google DeepMind、Amazon、Latent Labs、Isomorphic Labs、Insilico Medicine……通用工作台与专用设计模型两条路同时铺开,彼此的边界正在变模糊。
聊天机器人只负责回答问题。智能体不一样:它把任务拆成多步,自己调用接进来的数十种工具、资源与数据,一路跑到底。Co-Scientist 更极端,建在 Gemini For Science 之上,让多个智能体各自提出假设、互相辩驳、自我改进,最后筛出胜出的那个。
斯坦福的 Gary Peltz 做过一次有点扎心的对照。他的实验室在研究表观遗传与肝纤维化,Google 请他试 Co-Scientist,他就把问题抛了过去:哪些靶向表观遗传修饰因子的药能治肝纤维化。系统给了 3 个建议,2 个在实验里真的有效。
对照组是他自己:按数百篇论文支持的通路挑出 2 个药,实验全部无效。Peltz 的解释值得记下来——这类平台用更高层推理生成答案,不容易被「某元素在文献里出现过多少次」牵着走。被选中的那条通路只被两三篇论文提过,却是肝纤维化的关键通路,连抑制剂一起指了出来。
UCSF 的 Steven Francis 遇到的是另一种震动。胶质瘤基因组里有一批异常序列,实验室折腾了几周,最好的猜测是病毒;Claude Science 在完全不知道他们猜想的前提下,一条 prompt判定为污染物。他的原话是:一条 prompt 就到了,而且事先不知道我们怀疑什么。
Amazon Bio Discovery 把 Twist Bioscience 与 Ginkgo Bioworks 接进了工作流,智能体带着研究者走完 design–test–learn 全程。AWS 的 Dan Sheeran 说目标是让所有生物学家都用得上 AI,并特意点出:集成 CRO 之后,候选分子从计算走到湿实验验证,不再需要人工协调。初期只做结合物。
纪念斯隆-凯特琳癌症中心的 Nai-Kong Cheung 跑通了一个完整闭环:先生成 288,000 个结合物,收敛到 100,000 个交给 Twist 合成并测试,最后拿到 46 个确认结合。从设计到实验结果,6 周。
设备侧是同一件事的另一半。Model Hardware Standard 解决的是「仪器能不能被智能体叫得动」;缺了这一层,前面设计得再快,也要卡在人工排程上。
学术侧干脆模拟整家公司。斯坦福 James Zou 团队的 Virtual Biotech 让 37,000 个智能体分析 56,000 个临床项目,得出「靶向细胞类型特异基因的药物更可能成功」,顺带提出肺癌治疗策略、拆解溃疡性结肠炎的失败机制。
Simon Kohl 是 AlphaFold 核心成员,2023 年出来创办 Latent Labs。他的回忆很直接:两年前,用 AI 从头设计抗体还被当成计算药物设计的圣杯、被认为不可能;今天,这已经是常规操作。
Latent-X 生成的蛋白结合物、抗体、酶与纳米抗体,亲和力能到 纳摩尔级;2026 年春发布的 Latent-Y 是一个全自动药物设计智能体。Kohl 说,模型一旦投用,就不再需要「采数据—测提升—再来一轮」的迭代,从头设计直接给候选,时间就是这么省下来的。
UC Davis 的 Vladimir Yarov-Yarovoy 在离子通道上泡了 30 年——这类靶点会因构象变化而难成药。他把问题交给 Latent-Y,回来的方案完全跳出他积累的结构与功能认知:「我们没探索过,自然界没探索过,药企也没探索过」。
另一条线在 Isomorphic Labs。2021 年从 DeepMind 分拆,Hassabis 同时挂着 DeepMind 主席;2024 年两家共同推出 AlphaFold 3。五年下来,配体结构预测准确度比 AlphaFold 3 提升 50%,配体结合效率预测同步改进;IsoDDE 把诱导契合与隐匿口袋放进同一套系统建模。CSO Miles Congreve 说,他们刻意把生物学家、化学家和一支更大的技术团队混编,不做前两代 AI 生物科技公司的单边配置。
Anthropic 在预印本里讲了一个很会讲故事的结果:950 个智能体被放进 19 亿个蛋白簇的数据库里找新逆转录酶,不到一天,其中一个在巨型病毒基因组里找到了目标,还注意到旁边一串重复序列——架构酷似细菌的 CRISPR 系统。他们给它起名 ART。
第一盆冷水来自 CRISPR 研究者 Lucas Harrington:难点、也是真正的发现所在,是弄清这套系统在活体里到底做什么。到现在,体内功能仍没被证明。
第二盆是新颖性。丹麦研究者 Mario Rodríguez Mestre 称,自己早已在私人 Claude 账号里发现过同样的架构。
事情还外溢到了数据层面:Nature 主编 Magdalena Skipper 借这个案例提醒研究者,把数据传进不安全的商业 AI 平台有风险。
Peltz 的条件说得很实在:prompt 得精心准备,关键信息要喂够、目标要讲清、问题要问对。紧接着还有一句——你必须有实验能力来处理输出。
Phylo 的 Kexin Huang 从另一头解同一道题:多数科学家不会跟 AI 代码打交道,所以他们把界面做成直接操作代码、直接看可视化,「像个工作台」。改进版智能体会自己检查局限并纠错;平台免费开放,重算力任务分级收费。
Francis 对节奏的感受更直接:跟这些公司合作最让人印象深刻的,是它们开发东西的速度。
这四条不是唱反调,而是把「已经做到」和「还没做到」分开摆。热闹之外,边界得自己划。
UK Biobank 加免疫与脑健康层:£1.57M(约 $2.10M)资助、8 万份血样,每份 2 ml 预计产生超 1 亿个数据点,实时评估约 2,500 个免疫细胞亚群(BD 流式 + Waters 单细胞多组学 + Ultima Genomics 测序);另有 8 万份样本用于神经退行蛋白组研究。底层队列为 2006 年起的 50 万志愿者。
全球四条:印度 Peptris 获 900 万美元政府投资;中国医药新五年规划含 25% first-in-class、50 家药企年销 ≥15 亿美元、5 个全球重磅品种;礼来获批在荷兰建 30 亿美元工厂;新加坡 A*STAR 与 NUS 共建合成生物联合实验室。

