AI药物发现撞上数据墙，自动化实验闭环成突破口
AI药物发现受困于数据偏差与缺失，自动化实验室有望打通数据闭环，提高研发成功率。
药物发现成本高昂，AI被寄予厚望，但早期模型撞上“数据墙”——公开数据偏阳性、阴性结果缺失，导致预测可靠性受限。行业正转向自动化“暗实验室”，让预测-测试-优化循环闭环，以生成更完整数据、提升候选药物质量。
正文摘录
Sponsored 与 [Cytiva](https://www.cytivalifesciences.com/en/us?utmcampaign=CY26051-GLOBAL-ALL-BRD-Campaign-MIT&utmmedium=tradepress&utmsource=mit&utmcontent=landingpage&utmcreativeformat=lp-logon%2Fan%2Fa) 合作 [](https://www.cytivalifesciences.com/en/us?utmcampaign=CY26051-GLOBAL-ALL-BRD-Campaign-MIT&utmmedium=tradepress&utmsource=mit&utmcontent=landingpage&utmcreativeformat=lp-logon%2Fan%2Fa) 药物发现是一项高成本、高风险的 endeavor，如今面临着来自市场的日益增长的压力，而这个市场越来越由先发优势（first-mover advantage）所决定。 自 1950 年代以来，开发新药的成本大约每九年翻一番——这种现象被称为 Eroom's Law（埃鲁姆定律，即"摩尔定律"的反向拼写）。如今，将一种新药推向市场平均需要 10-15 年，耗资在 [10 亿到 25 亿美元](https://cdn.cytivalifesciences.com/api/public/content/srGfSmOLS1yAmNQchWbKA-pdf) 之间，失败率超过 90%。 AI 已成为制药行业在提高成功率和缩短时间线上的最大赌注。药物公司越快识别、测试和优化新的化合物，后期开发中代价高昂的失败风险就越低。