从CADD到AIDD：AI医疗从西达本胺到DSP-1181失利，技术路线演进中真正的壁垒在哪儿？

从CADD到AIDD：AI医疗从西达本胺到DSP-1181失利，技术路线演进中真正的壁垒在哪儿？

AI制药从CADD走向AIDD，真正的技术壁垒不在于算法本身，而在于AI能否独立发现新靶点——目前全球获批临床的AI药物管线中，运用AI发现新靶点的管线仅占4%。 微芯生物的西达本胺证明了计算机辅助药物设计（CADD）的成熟价值，而首个由AI设计进入临床的分子DSP-1181因未达预期被放弃，则揭示了当前AIDD仍处于辅助定位的现实。数据质量、模型泛化能力与靶点发现能力，才是下一代技术路线的分水岭。

CADD的成功与AIDD的困境

计算机辅助药物设计（CADD）并非新事物。自1966年计算机模拟与分子图像结合实现蛋白质结构可视化以来，CADD逐步成为药物研发的常规操作，微芯生物的西达本胺便是CADD应用的典型成果。然而，随着AI技术从辅助计算走向深度介入，现实却比预期骨感：第一个由AI设计进入临床的分子DSP-1181，目前因未达预期而被日本住友放弃。

这一案例的象征意义在于，AIDD（AI驱动药物发现）虽被资本寄予厚望——2022年AI制药赛道融资总事件达144起，同比增长97%，总金额为62.02亿美元——但技术成熟度尚未跟上资本热度。

数据揭示的现状：辅助仍是主流

浙商证券统计了全球80条获批临床的AI药物管线，其靶点选择数据清晰地勾勒出行业边界：

从推进进度看，42条管线推进到1期，29条推进到Ⅱ期，4条推进至Ⅲ期。适应症选择上，癌症（66.0%）仍是首选，其次为遗传性疾病和罕见病（12.0%）。这些数据表明，当前AI在药物研发中仍主要扮演辅助角色——帮助优化已知靶点的分子设计，而非开拓全新生物学空间。

技术分水岭：数据、泛化与靶点发现

真正的壁垒可以从产业链结构中找到答案。产业链上游的医药数据集供应是行业的关键竞争壁垒，中游企业在此基础上依托内部训练工具进行模型搭建。当前AI+药物设计仍处于积累训练期，模型的泛化能力受限于训练数据的质量与覆盖度。

展望未来，行业正处在CADD向AIDD转型的过程中。对AI制药而言，开发具有差异化临床价值的产品比AI技术本身更重要。选择确定性更高的AI应用场景，针对未满足的临床需求选择有潜力的适应症、靶点进行药物开发，将更有益于商业化发展。AI能否从"优化工具"进化为"发现引擎"，取决于其在数据稀缺条件下的推理能力与对新靶点假设的验证效率——这才是CADD与AIDD之间真正的技术鸿沟。

常见问题

AI制药能缩短多少研发周期？

普遍认为，AI制药可以降低一半的研发周期，减少10%的研发投入，同时提高药物研发成功率。但需注意，这些是行业整体预期值，具体项目的实际收益取决于AI技术在研发流程中的渗透率。

为什么AI发现新靶点这么难？

新靶点发现需要从海量生物学数据中建立因果推断，而现有训练数据多来自已知靶点体系，模型难以跳出既有知识框架。此外，新靶点的临床验证成本高、周期长，也使得管线推进趋于保守。

AI制药企业未来会采用哪种商业模式？

目前存在AI SaaS、AI CRO和AI Biotech三类模式。预计纯软件服务模式会逐渐消失，企业将向AI CRO（外包服务）与AI Biotech（自主研发药物）转型，后者因发展潜力大而更受青睐，前者则可能形成巨头集中的市场格局。