西达本胺的CADD研发路径确实取得了成功，但AI医疗在药物发现中仍面临算法过拟合、数据偏差、临床转化失败率高、模型可重复性差以及监管审评标准不明确等特有风险与不确定性。这些挑战使得当前AI制药仍处于积累训练期，远未成熟。
AI制药的历史与现状
AI制药（AIDD）并非新事物，自1956年达茂斯会议后，计算机辅助药物设计（CADD）逐渐成为常规操作。西达本胺就是CADD的杰作。然而，即便CADD成功，当时也面临计算模型不够准确的风险。如今，AI制药虽获得资本青睐——2022年全球AI制药融资总额达62.02亿美元，同比增长47.67%——但现实进展并不理想。首个由AI设计进入临床的分子DSP-1181，因未达预期而被日本住友放弃。
核心风险与不确定性
- 数据偏差与假阳性：AI模型依赖训练数据，若数据存在偏差（如罕见病数据不足），可能导致假阳性预测，筛选出无效或毒性高的候选分子。
- 临床转化失败率高：AI预测的候选分子在临床试验中失败率依然很高。据统计，全球80条获批临床的AI药物管线中，仅5.0%推进至III期，大部分停留在I期（32.5%）或II期（36.3%）。
- 模型可重复性差：不同AI算法、训练参数可能导致结果难以复现，影响研发可靠性。
- 监管审评标准不明确：监管机构对AI生成药物的审评标准尚未明确，增加了上市的不确定性。
常见问题
AI制药相比传统方法能降低多少研发周期？
普遍认为，AI制药可以降低一半的研发周期，减少至少10%的研发投入，成功率提高4%。但这一数据基于行业估算，实际效果需根据具体管线验证。
为什么AI制药的临床推进速度不如预期？
主要原因是AI模型预测的候选分子在真实生物系统中表现不佳，加上临床试验本身的高失败率。例如，近三分之一的III期临床因患者招募问题而失败，AI尚未能有效解决这一瓶颈。
AI制药的未来发展方向是什么？
当前AI制药正处于CADD向AIDD的转型阶段。未来，开发具有差异化临床价值的产品比AI技术本身更重要，同时AI技术正被探索应用于成本更高的临床试验阶段，如患者招募和成功率评估。