在80条已获批临床的AI药物管线中，运用人工智能发现新靶点的管线仅3条（占比约4%），监管审批对此类新靶点药物确有更严格的机制验证要求，核心逻辑在于：新靶点缺乏历史临床数据背书，审评机构需确认"靶点本身与疾病的因果关系"以及"药物对靶点的作用是否转化为疗效"，而非仅验证化合物本身的安全性。

浙商证券的统计显示，全球80条获批临床的AI药物管线中，52条已公布靶点，3条为AI发现的新靶点。这一数据说明，当前AI制药的主流策略仍是围绕已验证的生物学机制做效率优化，而非大规模探索全新靶点。对监管机构而言，已知靶点药物通常已有大量前人临床数据可参考，审评重点集中在化合物的成药性与安全性上；而AI发现的新靶点药物，需要额外回答"该靶点在人体中的功能是否如假设所愿"这一前置问题，审评链条更长、不确定性更高。

新靶点药物的监管验证门槛差异

在临床前阶段，新靶点药物面临的首要门槛是靶点机制验证。监管机构通常要求申请人提供充分的靶点生物学论证，包括靶点与疾病的关联证据、在动物模型中的药效学数据，以及靶点调控与表型变化之间的因果逻辑。对于已知靶点，这类论证可大量引用既有文献与临床观察；而AI发现的新靶点往往缺乏此类积累，企业需自行构建完整的证据链，这直接拉长了临床前研究周期。

进入临床阶段后，新靶点药物的审评还隐含一个额外的不确定性：即便药物分子本身安全，若靶点假设错误，临床试验仍可能因缺乏疗效而失败。这种"双重风险"使得监管在审批新靶点药物的临床试验申请时，会更加关注研究设计的合理性——例如生物标志物的选择、患者分层策略，以及早期临床中是否设置了机制验证的中间终点。相比之下，已知靶点管线的临床设计有更多历史经验可循，审评沟通也更为顺畅。

监管压力如何影响AI药企的管线布局

监管对已知靶点与新靶点的差异化态度，直接影响了AI制药企业的战略选择。从管线数据看，绝大多数AI药物仍集中在已公布靶点（占65%），适应症也高度集中于癌症（占66%）——这正是机制研究最充分、监管路径最清晰的领域。这种分布反映了企业在研发确定性与创新性之间的权衡：选择已知靶点，意味着可以用AI在化合物筛选、分子生成等环节发挥效率优势，同时降低监管不确定性；而押注AI新靶点，虽有机会获得差异化临床价值，但必须承担更重的机制验证成本和更高的临床失败风险。

值得注意的是，浙商证券的数据同时显示，有25条管线未公布靶点（占31%）。这既可能是企业出于保密考虑，也可能部分管线在推进过程中仍在动态调整靶点策略。对于AI Biotech企业而言，现阶段更务实的路径或许是：在核心管线中优先选择确定性高的已知靶点以保障现金流，同时以少量资源探索AI新靶点作为长期差异化储备，而非将全部筹码押注在监管验证门槛更高的新靶点上。

常见问题

为什么AI发现的新靶点管线如此之少？

核心原因是新靶点药物需要额外完成靶点机制验证，监管审评链条更长、临床失败风险更高。相比之下，将AI应用于已知靶点的分子设计等环节，能更快获得临床批件并验证商业模式，因此多数企业选择后者作为优先策略。

监管机构对新靶点药物最看重什么？

监管最看重的是靶点与疾病的因果关系证据。新靶点缺乏历史数据积累，审评机构需要企业提供从靶点生物学论证、动物模型药效到早期临床机制验证的完整证据链，以确认药物作用机制真实成立，而非仅仅依赖AI预测的化合物活性。

AI发现的靶点未来会成为主流吗？

目前AI制药整体仍处于积累训练期，浙商证券的统计显示新靶点管线占比仅4%。随着AI算法可解释性提升和真实世界数据积累，新靶点发现能力可能逐步增强，但能否成为主流，取决于监管审评框架的演进以及企业能否用临床数据证明AI新靶点的成药价值，现阶段难以下定论。