AI 驱动的靶点发现与药物设计

科学原理：为什么衰老研究和机器学习是天然搭配

衰老不是单靶点疾病。它同时涉及十几条相互耦合的分子机制、几乎所有组织类型，并且在不同个体、不同性别、不同遗传背景下表现出显著异质性。传统药物发现的范式——先确定一个明确的致病蛋白，再针对它设计抑制剂——在这种问题结构面前效率很低，因为「哪个蛋白是关键」本身就是未知数。

与此同时，可用的数据量在过去十年发生了数量级变化。单细胞转录组技术使得研究者可以在一次实验中获得跨器官、跨细胞类型的衰老表达图谱——例如覆盖小鼠多个器官与年龄点的单细胞衰老图谱^[6]。叠加甲基化组、蛋白质组、代谢组与大规模人群队列的表型数据，衰老研究面对的是一个典型的高维、多模态、样本量相对有限的数据环境。这恰好是机器学习方法——尤其是表征学习与深度网络——相对于传统统计方法具有优势的场景^[7]。

三条主要技术路径

路径一：从多组学反向识别靶点。用模型在衰老相关的多组学数据上学习，找出与衰老表型或疾病结局关联最强、且在通路上处于上游可干预位置的基因或蛋白。这条路径的一个变体是从人类队列出发——先在长期随访的人群队列中找出与健康长寿关联的分子特征，再反推其对应的靶点，从而绕开动物模型与人体之间的转化鸿沟。BioAge Labs 是这一路径的代表性实践者。

路径二：生成式分子设计。给定靶点，用生成模型直接在化学空间中采样出满足多重约束（活性、选择性、成药性、合成可及性）的新分子结构。2019 年一项公开报告显示，生成式模型从靶点确定到合成并验证出具有纳摩尔级活性的 DDR1 激酶抑制剂，整个流程用时数十天^[1]。这类工作的意义在于证明了「设计—合成—测试」循环可以被显著压缩。蛋白质结构预测的突破进一步扩大了可设计靶点的范围：此前因缺乏晶体结构而被视为不可成药的蛋白，现在至少具备了基于结构进行设计的起点^[2]。不过需要清醒的是，学界对这类成果的解读存在分歧——有批评意见指出，许多被宣传为「AI 发现」的分子其实建立在已知化学骨架与成熟靶点之上，AI 的贡献是加速而非创造，且行业普遍缺乏与传统方法的严格对照^[8]。

路径三：把衰老时钟当作筛选读数。衰老领域的一个特殊困难是缺乏快速的疗效读数——总不能每筛一个分子就养一批小鼠到自然死亡。用甲基化时钟、转录组时钟或多组学生物年龄模型作为细胞或类器官层面的读数，可以把筛选周期从年压缩到周^[5]。这套方法在工程上很有吸引力，但它继承了时钟本身的全部局限：时钟读数与临床结局之间的因果映射至今未被验证，因此一个能压低时钟读数的分子，未必是一个能延长健康寿命的药^[5]。

标志性案例：TNIK 抑制剂走完了整条链路

目前最完整地展示「AI 发现靶点 + AI 设计分子 + 进入人体临床」这条链路的案例，是 Insilico Medicine 针对特发性肺纤维化（IPF）开发的 TNIK 抑制剂 ISM001-055。该公司报告称，靶点 TNIK 是通过在多组学与文献数据上运行其靶点识别系统而提出的——TNIK 此前并非纤维化领域的主流靶点；分子结构则由生成式化学系统设计。相关的临床前药理学与早期临床数据已在同行评审期刊发表^[3]。公司随后公开报告了该分子在中国完成的 2a 期试验顶线结果^[4]；截至本次更新，其确证性疗效仍有待更大规模的注册性试验检验。

这个案例值得注意的地方有三点。第一，适应症是 IPF 而不是「衰老」——尽管纤维化与衰老在机制上高度相关（细胞衰老与 SASP 是肺纤维化的重要驱动因素），但监管路径要求包装成一个具体的疾病。第二，AI 在这里贡献的是靶点假设与分子设计，而临床试验的设计、执行、成本与时间与传统药物没有区别。第三，从靶点提出到 2 期读数，整个过程仍然用了数年，「AI 让新药研发从十年缩短到十八个月」这类说法与实际情况不符。

AI 压缩了哪一段，没压缩哪一段

要评估 AI 对药物研发的真实贡献，需要看清失败发生在哪里。对大规模临床试验数据库的分析显示，从 1 期进入监管审批的整体成功率约为十分之一，而最大的流失发生在 2 期——即首次以疗效为主要目的的阶段^[10]。换句话说，绝大多数药物不是死在「找不到分子」，而是死在「分子进了人体不管用，或者有毒」。

AI 目前能显著加速的，恰恰是失败率相对较低、成本占比相对较小的前段：靶点假设生成、虚拟筛选、先导化合物优化、成药性预测^[1,7]。而决定成败的后段——人体的疗效与安全性——依赖的是生物学的真实复杂度，而这部分复杂度并不因算法进步而减少^[8]。行业内已有的失败案例佐证了这一点：BioAge Labs 从人类队列出发识别的候选分子之一在肥胖适应症的 2 期研究中因肝酶升高而终止^[11]——靶点来源于人类数据、分子设计得当，仍然无法预防临床阶段的安全性问题。

转化障碍与监管现实

除了上述根本性限制，这个方向还面临几个具体障碍。其一是数据质量与偏倚：训练数据大量来自已发表文献与公开数据库，而这些数据本身带有发表偏倚与研究热点集中的问题，模型很容易「发现」已经被研究得很多的靶点。其二是可复现性：多数公司的模型、训练数据与筛选流程不公开，外部研究者无法独立评估其贡献究竟有多大^[8]。其三是终点问题：如果最终读数仍然是衰老时钟，那么整套流水线的有效性上限就被时钟的验证程度所锁定^[5]。其四是监管定位：所有管线仍必须包装成具体适应症，这意味着 AI 在衰老领域的应用实际上是在做「衰老相关疾病」的药物研发，而不是「抗衰老」药物研发。

对普通人的意义

短期内，这个方向不会产生任何可供个人使用的产品，但它会改变未来十年新药管线的构成——更多靶点将来自人类多组学数据的反向推导，而不是动物模型的正向筛选，这在理论上应当提高转化成功率^[6]。这是一个值得期待但需要用十年尺度检验的判断。

阅读相关报道时，有三个问题值得每次都问一遍：这个分子处于哪个临床阶段（临床前、1 期、2 期）？主要终点是硬终点、公认的临床终点，还是生物标志物？结果是公司公告、预印本，还是经过同行评审的完整论文？这三个问题足以过滤掉绝大多数「AI 攻克衰老」类的传播内容。需要特别警惕的是把「AI 加速发现」直接等同于「疗效更可靠」——这两件事在证据链上没有任何关系^[9,10]。