为何药物研发屡屡失败：发现新药的持久挑战
作者：Ignota Labs联合创始人兼首席科学官Jordan Lane，解析导致药物高失败率的科学与结构性障碍，并探讨人工智能(AI)的解决潜力
发现新药常被视为人类工程学最具挑战性的壮举之一。其难度源于人体非凡的复杂性——这是由特殊器官构成的精密网络，每个器官包含运作如微型城市的特化细胞。细胞内存在分子层面的反馈循环系统，每个环节由不同蛋白质（天然分子机器）执行功能。
这些蛋白质并非静态工作：它们通过电磁力动态交互，其精准操作只能在细胞环境的微妙平衡中实现。要干预这些过程——仅改变特定蛋白质的行为而不扰乱其他数百蛋白质——需要近乎难以想象的精确度。
癌症等复杂疾病更增添挑战。它们利用自然界最强大的武器：进化。癌细胞通过数千基因突变测试，直至获得生长、存活或耐药优势。这种残酷的试错机制持续进化，药物研发实质是与高度适应的生物系统博弈。
在早期药物开发中，改变分子溶解度可能影响吸收，提升结合亲和力可能引发全身意外交互。每个环节都需要精密调整，微小变化可能引发连锁反应，使实验室到临床的转化充满不确定性。晚期开发中，疾病生物学复杂性更可能带来不可预见的挑战。
核心问题：为何药物会失败？我的回答：在如此复杂系统中，任何药物能获批反而是奇迹！药物发现本质是建立层层假设模型，期待最终转化。当这些模型出现错位时，失败便发生在各阶段。
对小型生物科技公司和早期研发团队而言，"死亡之谷"（实验室发现到临床应用的鸿沟）常导致项目失败。这个持续数十年的概念显示，56%候选药物因安全性问题折戟，最终仅有极少数能进入市场。
这个"谷地"包含科学与资金双重障碍，企业常陷入资金短缺与技术挫折的循环。结构性挑战如激励机制错位、投资者压力和监管限制更加剧科学瓶颈。一旦分子结构锁定，其剂型、剂量等调整空间极其有限，后期问题几乎无法解决。
从实验室发现到临床应用的转化
人类反应预测的差距
药物开发最大的科学挑战在于：如何准确预测化合物在人体中的表现。对于所有药物类型，实验室或动物模型向人体生物学的转化都存在缺陷。毒性特征、脱靶效应和动物模型中显示的疗效，往往无法在临床环境中重现，导致高淘汰率。
药物失败最常见于临床前动物实验或早期一期人体试验阶段。当前临床观察多局限于器官层面的宏观毒性反应，难以定位具体的分子作用通路。这种缺乏分子层面的洞察，使研发团队难以有效解决失败原因，常导致项目被迫终止。
锁定的化学结构：早期开发后的有限调整空间
一旦化合物化学结构确定，其调整空间即被锁定。除剂量、剂型或给药方式外，无法像改造分子结构本身那样灵活调整。原始结构中潜藏的安全或疗效问题，随着开发进程推进会变得难以解决。对于小分子药物而言，早期发现的微小问题可能在后期演变为重大障碍。
监管限制与资金错配
安全验证的"科学优先"缺陷
尽管存在严格安全标准，监管要求在早期开发阶段仅能识别化合物的部分潜在风险。FDA、EMA等机构聚焦特定终点指标，却遗漏许多可能风险。这些框架虽建立基本安全标准，但无法覆盖生物系统的复杂交互。有些化合物在早期试验中通过验证，却在后期暴露严重安全问题。
监管体系无意中强化了"疗效优先"思维。当研发者聚焦监管里程碑推动项目时，更全面的安全验证往往被忽视。这种倾向导致某些本可通过深入测试发现的安全问题被遗漏。
发现与开发阶段的激励错位
除监管约束外，资金缺口加剧了小分子药物开发的科学与安全问题。早期发现和临床前研究通常由预算有限的学术机构、衍生公司或小型生物技术公司资助。而推进临床试验需要数倍于前期的资金投入，这通常只有大型制药公司或风险投资才能提供。
这种从研发团队到大资本的交接产生结构性错配。真正了解药物特性的研究者往往缺乏临床验证的资源。而后期介入的资本方更关注疗效信号，寻求快速回报。对这些投资者而言，显示疗效足以支持进一步融资或收购，早期安全评估常被视为次要。
人工智能重构药物发现的角色
AI的"从零开始"方法：构建更强基础
AI已成为解决靶点识别、化合物交互建模等长期挑战的强大工具。这种"从零开始"的方法为药物开发提供新基础，通过早期优化改善后期结果。
然而该方法存在局限：最终验证（临床验证）仍需数年甚至数十年。虽然已有企业应用AI加速靶点验证或药物发现的先导优化阶段，但这些研究往往脱离真实人体生物学的复杂性。
面向未来的思考
面对小分子药物开发的高失败率，行业需要根本性转变。突破"死亡之谷"需要资金优先级重新配置、监管框架创新，并充分利用新一代AI能力。但真正的进展需要研究人员、投资者和监管机构的协同合作。
风险资本应重新思考投资优先级，同步激励安全与疗效评估。监管机构可考虑扩展框架，鼓励更全面的早期测试。尽管AI带来新机遇，我们需以平衡视角看待：真正的进步来自技术创新与以患者为中心的药物开发文化变革的双重推动。
【全文结束】