人工智能（AI）正在迅速生成高亲和力蛋白质结合剂，这种能力在十年前是难以想象的。这对药物发现、合成生物学和精准治疗将产生深远的影响。
随着2025年的到来，人工智能的发展势头不可阻挡。GlobalData估计，到2030年，全球AI市场将达到1万亿美元。这一快速的增长已经在生命科学领域产生了变革性的影响。
根据GlobalData的药物数据库，截至2025年初，已有超过3,000种药物通过AI开发或重新利用。其中大部分仍处于早期阶段——要么是在发现阶段，要么是临床前阶段。肿瘤学是最主要的治疗领域，其次是中枢神经系统、传染病和免疫学。这些数字预计将继续增长。
在制药行业的技术挑战中，如制造具有前所未有的结合亲和力和通用性的蛋白质，所取得的进步令人惊叹。了解这些变化以及AI如何推动它们，有助于揭示整个生命科学领域是如何被这项技术的巨大潜力所颠覆的。
AI与蛋白质设计
蛋白质是生物功能的基本构建块。对于从事蛋白质设计的公司来说，制造能够进行特定高亲和力相互作用的新蛋白质并非易事。历史上，工程蛋白质通常是通过定向进化和免疫化等方法从天然蛋白质衍生而来。虽然有效，但这些方法对表位靶向的控制有限，并需要广泛的实验室筛选。基于物理原理从头设计蛋白质的计算方法是一个强大的工具。但它可能也需要多轮实验优化才能实现高亲和力相互作用。
由AI驱动的蛋白质设计正在革新生物技术领域，使研究人员能够以前所未有的精确度和效率创建蛋白质。借助先进的机器学习模型，这些系统正在改变研究人员进行蛋白质工程的方式。生成式AI模型经过大量结构和序列信息的训练，可以设计出与预定义分子靶标特异性相互作用的蛋白质。通过优化结合亲和力并减少广泛实验筛选的需求，这些创新大大改进了传统的计算和实验方法。例如，2024年研究人员报告了一个系统，该系统生成的设计展示了皮摩尔至低纳摩尔范围内的结合亲和力，比传统方法在多个目标上提高了3倍到300倍。这表明该技术在治疗研究和开发方面具有巨大潜力——从应对SARS-CoV-2到推进癌症和自身免疫疾病治疗。
AI系统的独特之处在于其能够以简化和可扩展的方式创建结构多样、稳定且高度功能化的蛋白质结合剂。通过AI驱动的评分机制和迭代改进，研究人员可以优先验证高可信度候选物，加快发现管道。使用AI的研究人员成功设计了针对关键治疗靶标（如VEGF-A和IL-7RA）的结合剂，而传统方法在这些方面表现不佳。随着这些平台的不断发展，它们在解决复杂生物学挑战和解锁医学及生物技术新可能性方面具有巨大潜力。
面临的挑战
尽管取得了显著进展，但AI驱动的药物设计仍处于初级阶段，并不是万能药。某些蛋白质靶标（如TNF-α）迄今尚未找到计算设计的结合剂。此外，代表临床评估先导候选物的分子可能需要多参数优化，这些参数包括体内半衰期、组织分布和脱靶副作用等难以预测的药理和药动学特性。
与此同时，AI在处理制药行业的一些固有问题时仍然面临挑战。例如，一项对1,300篇论文的元研究表明，10%的论文包含操纵过的图像。由于印迹成像容易被操纵，但仍然被广泛接受为同行评审的证明，科学出版商正大力投资AI工具来检测操纵现象。即使是调整图像强度等无害编辑也可能触发拒绝，导致潜在的高昂延误。
随着更多计算进步逐渐进入制药开发——如AI与量子计算的集成以及不断改进的训练数据集——研究人员希望解决这些问题。新的解决方案不断涌现，以提高AI工具的效率。出版商在印迹成像方面的困境提供了一个说明性的例子。Cytiva的免费图像完整性检查器就是一个例子，它为原始图像生成唯一的、不可更改的哈希标记指纹。任何修改都会改变此标签，确保可追溯性并允许研究人员在几秒钟内验证多达1,000张图像。通过简化验证并保持数据真实性，该工具帮助实验室维持高水平的科学标准，同时减少延误并保护研究诚信。
显然，AI将使药物开发者能够加快对抗疾病的步伐。单克隆抗体是一项成熟的技术，具有广泛的治疗相关性，但优化和生产相对劳动密集且成本高昂。AI设计的结合剂可以更小、更热稳定，并且更容易制造——使其成为生物治疗工具箱中的宝贵补充。
开拓者引领未来
AI驱动的药物设计有哪些主要前沿？制药行业的顶级创新者反映，许多领域都亟待增强。其中一个前沿领域是亲和层析，这是蛋白质纯化的一个核心部分。亲和层析通过目标蛋白与互补配体之间的特异性相互作用实现生物分子的选择性分离。传统上，识别这些配体是一个劳动密集型的过程。但现在，AI在这个领域承诺带来变革。Cytiva是这一领域的先驱之一，利用AI加速配体发现、优化结合特异性和增强可制造性。
Cytiva的方法涉及全面的噬菌体展示筛选，研究人员从中筛选出数十亿个序列，以确定具有适当亲和力、特异性和稳定性的候选物。AI提供了一种改变游戏规则的方法，通过计算预测配体序列并显著减少实验负担——大大缩短了发现时间。
“我们已经踏上这段旅程，虽然还处于早期阶段，但这非常令人兴奋。我们在Cytiva建立了一个能够预测新配体序列的人工智能工具。”Cytiva首席技术官Beate Mueller-Tiemann博士说。“数千个预测序列已经生成，现在正在进行确认实验。”Cytiva的AI平台已证明其预测能力，生成具有最佳结合特性的新配体序列。随着这种能力的验证，生物分离领域的激动人心里程碑即将来临。
另一个例子是使用机器学习分析早期药物候选物。表面等离子共振（SPR）是一种强大的实时分析技术，用于检测和表征分子相互作用，为结合亲和力和动力学提供关键见解——这是药物发现的关键因素。AI的最新进展正在革新SPR数据分析方式，解决低效、变异性大和数据瓶颈等问题。Cytiva新开发的SPR数据分析机器学习解决方案已显示出巨大前景，分析时间减少了90%。该原型在95%的情况下得到了Biacore专家的认可，突显了其准确性。通过自动化繁琐的手动步骤，这种方法提高了生产力和数据可靠性，使科学家能够专注于决策并更有效地推进候选物。
考虑到只有约10%的I期试验药物有可能获得FDA批准，这类创新提供了更快的途径来开发新型疗法。该解决方案透明且可训练的设计使研究人员可以根据具体需求优化模型，同时受益于预先训练的工作流程，以最小化入职时间。通过使SPR分析更快、更一致，可以在药物发现的早期阶段充分实现这一信息丰富技术的全部潜力——尤其是在识别和优化候选物方面。
Mueller-Tiemann博士表示，这只是开始：“我们将发展我们的能力和工具，以加速发现新的亲和层析配体，并为客户提供加速发现和制造创新生物治疗药物的解决方案。”类似的生成AI原则可以扩展到设计具有增强性能特征的新色谱基质。这种AI应用有望重新定义生物制药纯化领域，支持下一代生物制剂的发现和制造。
随着AI驱动工具的不断进化，Cytiva的计算模型也将随之进步和精炼。通过利用AI优化亲和层析技术，Cytiva正在引领更快、更高效的纯化解决方案的探索，最终使科学家能够加速开发创新生物治疗药物和挽救生命的治疗方法。
(全文结束)
