这篇 Perspective 文章题为《人工智能在药物发现中的应用——它是什么、进展到哪一步、以及前路何在》，2026 年 8 月 7 日在线发表于《自然综述·药物发现》（Nature Reviews Drug Discovery）。通讯作者为哈利法科技大学与剑桥大学的 Andreas Bender，参与机构还包括爱丁堡大学、哈佛医学院、阿斯利康、MRC 分子生物学实验室和 EMBL-EBI 等学术与产业单位。文章于 6 月 20 日被接收，篇幅达 22 页。

衡量标准应该回到患者身上

作者们提出的评判尺度很朴素：药物研发真正在乎的，是能否更快地把更安全、更有效的药送到患者手里。以这个尺度看，尽管大量 AI 方法被开发、应用和评测，与临床相关的影响证据「令人失望地有限」。文章用了一个更严厉的措辞——在 AI 向临床相关影响的转化上，目前仍处于「证据缺失」的阶段。

摘要中列出了几条可能的原因：模型开发阶段对临床转化的关注不足；生命科学数据具有强烈的条件依赖性，AI 算法难以直接套用；问题定义不够清晰，导致计算模型面对真实用例时出现「欠规约」。此外，「技术推动」压过「科学拉动」也很可能是底层因素，而把一项技术能力工程化成规模足够、用户可及的系统，本身就需要漫长的时间。

刷榜制造的进步幻觉

文章花了相当篇幅讨论一个对 AI 领域来说并不悦耳的话题：在基准数据集上取得的数值提升，极少能转化为现实世界中决策质量的改善。原文的表述是，对基准数据集的关注可能产生误导，制造出一种进步的幻觉——「在基准数据集上预测得更准了」——但要转化为真实世界的决策，这个标准并不充分。

作者用「追逐 SOTA」来描述这一通病，并指出这些基准数据集常常存在严重的信息泄漏：看起来是独立的外部测试集，实际上来自同一来源数据的切分，于是模型在测试集上表现优异，换到新项目里几乎无法复现。文章据此给出的核心建议是：药物研发领域的 AI 工具评测，必须从「模型验证」转向考察它「能否改善决策」。

配套的分析框架把这一区别拆成了三个必须回答的问题：输入端，这个项目面对什么靶点、什么疾病、什么给药途径，训练集里有类似的化学空间吗；模型内部，某个具体化合物上的预测可靠性如何，模型是否「知道自己不知道」；输出端，这个预测能指导哪一步后续实验，而那步实验又是否与临床终点相关。文章还专门强调了使用场景对评估模型性能的决定性作用。

配体不是药物

文章在专门的知识框里做了一次概念澄清，引用 Goldstein 与 Brown 1997 年的经典论断：配体不是药物。

很多被称作「AI 药物发现」的成功，本质上是配体发现。一个配体只需要与靶点结合，端点指标可以只是半数抑制浓度、抑制常数或解离常数；而一个药物除了结合靶点并产生靶点参与作用，还必须在一系列临床前与临床终点上展现可接受的疗效与安全性，同时满足溶解度、生物利用度、代谢稳定性、安全性等几十项要求。一个典型陷阱是由亲脂性驱动的高亲和力，这类化合物往往伴随糟糕的药代动力学性质，根本不适合用于体内。

两个数字把差距摆得很清楚：ChEMBL 和 PubChem 等数据库收录的生物活性配体超过 100 万个，而上市药物只有约 1000 种。文章认为，把配体发现与药物发现混为一谈，部分原因在于「潜在药物」这个说法对投资者更有吸引力，而这种术语误用低估了药物研发的复杂性，也让外界更难判断一篇报告的结论是否得到数据支持。

一处被点名认可的例外

在整体谨慎的论调中，文章留下了一个明确的例外：当数据量足够、且描述符能够捕捉底层趋势时——比如脂水分配系数等理化性质——深度学习这类 AI 方法确实带来了预测水平的提升。文章在讨论拜耳的计算机辅助药物性质预测平台时进一步确认了这一点。原因也不难理解：理化性质的实验数据量远大于体内药代动力学或临床终点数据，而这类性质取决于分子的疏水与亲水平衡，可以由基本物理量刻画，不像生物学读出那样高度依赖条件。

文章最后给出五条建议：识别现有数据与实际临床结果之间的预测性差距；按具体用例分场景验证模型，而不是只看统计指标；先确定什么数据对临床预测有用，再大规模生成；建立从临床阶段回流到临床前阶段的反馈闭环以更新模型；警惕可解释 AI 的陷阱，在化学数据高度偏倚时它容易给出虚假关联。

作者还提醒，「药物研发中的 AI」这个说法本身包含两种截然不同的东西：一类是发展迅速但缺乏充分验证的前沿方法，另一类是早已成熟、只是最近才具备在生产环境中大规模使用条件的既有方法。把两者混为一谈，既高估了前者，也低估了后者。

来源：Nature Reviews Drug Discovery

从「虚拟实验室」到「虚拟药企」

这个项目的起点规模很小。Zou 最初搭建的「虚拟实验室」只有 5 到 8 个智能体，结构完全对照他在斯坦福的真实实验室：一个 AI 教授担任项目负责人，若干各有专长的 AI 学生，定期召开组会。团队还为智能体复制了一所「斯坦福」——一个智能体学校，让它们在其中接受监督微调，提升各自领域的专业能力。

「我们为智能体建了一所斯坦福的复制品，一所智能体学校，它们可以在那里上学，通过监督微调来提升自己在特定领域的专业水平。」Zou 这样描述。

这个小规模系统交出的第一份成果，是针对新近新冠变异株设计的纳米抗体蛋白。「真正让我们兴奋的是，这些由 AI 设计的纳米抗体在结合近期几种病毒方面，表现远好于此前由人类设计的版本。」Zou 说。这一结论经过了湿实验验证。

有了实验室层面的验证，团队把目标从模拟一个研究组，扩大到模拟一家公司。由此诞生的系统被称为「虚拟生物科技公司」，由数万个专业智能体组成，顶层是一个首席科学官智能体，下设与真实药企对应的各个部门——靶点发现、分子设计、临床试验等。部门内部还会进一步细分：「在靶点发现部门下面，会有一个智能体专门看所有遗传学数据，另一个专门看基因组学和单细胞数据，以此类推。」

为什么不是一个更强的模型

随着基础模型能力不断提升，开发者面临一个核心的架构选择：为什么要把任务拆给数万个专业智能体，而不是把算力全部投给一个无所不知的大模型？

Zou 团队用同一个科研难题做了对照实验，让多智能体团队与单个智能体正面对决。结果显示，多智能体生态中产生的摩擦与互动，反而带来了更好的方案，也更能抵抗误差的层层累积。

「在这些科研虚拟实验室里，智能体之间真的会争论、会产生分歧。它们必须说服其他 AI 科学家接受自己的想法，而这一切激发出的推理，比单个模型独自从零解决问题要更有创造性、也更稳健。」Zou 说。

卡点不在模型，在数据接口

规模一旦扩大到数万个智能体，真正的瓶颈就变成了编排。系统需要一个统一的上下文层，让智能体能够从各种工具、数据集和历史记录中整合知识。

不少企业团队试图用给现有数据库套一层 MCP（模型上下文协议）的方式解决数据打通问题，但 Zou 认为这治标不治本——老系统对智能体并不友好。比如把一篇论文的 PDF 直接丢进智能体的上下文窗口，效率极低，而标准文本模型很难读懂复杂的图和表，进而产生幻觉。

「即使你在现有数据库和 API 外面包一层 MCP，也没有解决底层问题：这些接口和 API 本来就不是为智能体设计的。」Zou 表示。它们的服务对象，是人类或者前 AI 时代的算法。

团队为此开发了名为 Paperclip 的平台。它利用了当代大模型的一项固有强项——写代码和操作文件系统的能力。Paperclip 不再强迫智能体去调用脆弱且各不相同的数据库 API，而是把非结构化数据数字化，并将分散的数据库映射成一个统一的、面向 AI 的虚拟文件系统。智能体由此可以用标准的文件系统操作，去访问数百万篇论文中的知识。

「结果表明，用了 Paperclip 准确率会高得多，同时相比没有这类 AI 原生科研基础设施的智能体，时间和成本能降低一个数量级以上。」Zou 说。

默克独立做出了同一套方案

为检验这套架构的实际产出，虚拟生物科技公司启动了 3.7 万个「临床试验智能体」，用于整合零散的临床试验数据。这些智能体识别出了一批可预测试验成功率的单细胞特征——有这些特征支撑的药物靶点，最终走向市场的概率比同类药物高出约 50%。

随后，系统自主设计了一款靶向 CD276 蛋白的抗体偶联药物，用于治疗肺癌。整个设计过程由智能体独立完成，且只依赖 2025 年 1 月之前公开发表的数据。

数月之后，制药公司默克（Merck，在中国大陆的商号为默沙东）独立开发并验证了同样的治疗方案，该方案后来获得了美国食品药品监督管理局的突破性疗法认定。Zou 将此称为「对虚拟生物科技智能体所给出的治疗设计的第三方外部验证」。

管理对象从流程变成环境

当多智能体系统的规模持续扩大，管理这批数字劳动力的方式也需要重新思考。Zou 主张从设计刚性工作流，转向搭建开放环境。工作流规定智能体每一步该做什么，更像是在管理一名初级员工；而环境提供的是基础设施、护栏和激励机制，让智能体围绕开放式问题自行协作。

「在工作流里，我们试图告诉智能体该做什么、该怎么做。但在环境里，我们提供基础设施、激励和护栏，其余部分保持开放，用激励促成智能体之间的协作。」Zou 说。

这也意味着规模化的优化对象发生了转移——不再是微调单个模型，而是设计整个环境。单个智能体固然可以通过强化学习或在智能体学校里做监督微调来提升，但大规模多智能体系统能否成功，取决于调整那些支配协作的参数。

「在多智能体这一侧，我们其实不再微调和改动单个模型了，而是在优化环境。」Zou 解释道，「环境本身就是我们用来提升智能体的优化对象。」

来源：VentureBeat