AI 加速下一代生物药研发，阿斯利康详解数据驱动策略
AI通过预测和筛选加速生物药研发，阿斯利康利用实验数据构建闭环，使靶向“难成药”靶点成为可能。
生物药（基于工程蛋白质的疗法）的研发周期长、失败率高。阿斯利康用AI生成候选分子并预测成功率，仅保留最优几个进入实验，大幅缩短反馈循环。该公司强调，高质量、多模态的实验数据（无论成功与否）才是AI模型的真正壁垒，有望攻克传统不可成药靶点。
正文摘录
[Designing and developing a new medicine](https://pmc.ncbi.nlm.nih.gov/articles/PMC12298131/) 是一项昂贵且容易失败的科研挑战。[](https://pmc.ncbi.nlm.nih.gov/articles/PMC12298131/)[](https://www.nature.com/articles/nrd.2016.136) 一款新药可能需要多年研发，投入巨额资金。即便如此，大多数候选分子也从未能到达患者手中。对于生物药（由工程化蛋白质而非合成化学制成的疗法，常用于治疗大多数主要急慢性疾病）而言，其复杂性更高。 科学家需要探索海量可能的分子，寻找极少数能与正确靶点结合、在人体内保持稳定、并能大规模生产的候选物。如今，AI 正在加速这些过程，并迅速成为制药研发基础设施的核心部分。  AI 辅助设计正越来越多地参与生物药候选分子的开发过程，像 AstraZeneca 这样的公司正在积极扩建工程团队以进一步推动这一趋势。“我们做的每一件事——无论是设计、制造、测试还是分析——现在都得到了计算增强，”AstraZeneca 高级副总裁兼研发生物药工程与肿瘤靶向发现负责人 Puja Sapra 说，“周期时间在缩短，而生产率和创新在提升。” Sapra 解释说，AstraZeneca 的方法遵循一个“构建-测量-学习”循环。AI 通过计算生成或对候选分子进行优先级排序，预测哪些设计最有可能成功。科学家随后将实验室资源集中投入到排名靠前的候选物上。