AI药物发现目前主要依赖替代量度（如靶点活性），而非直接与有效性或安全性相关的数据。因此，下游制药企业在筛选合作方时，应重点关注其临床阶段管线的实际成功率数据，而非早期的实验室指标，同时通过合作条款设计来分散风险。
AI 药物发现的局限：替代量度的依赖
目前，AI 在药物发现上的作用仍局限在速度和成本上，而不是决策的质量。过多使用替代量度，如靶点活性，而不是与有效性或安全性相关的数据结果。将配体-蛋白质活性、靶点识别以及 PK 性质等进行综合考虑，依然是所面临的一大挑战。
筛选合作方的核心标准：临床成功率
由于替代量度无法直接预测药物在人体中的最终表现，制药企业在评估 AI 公司时，不应仅看其早期靶点活性预测的准确率。更关键的是考察其进入临床阶段的管线成功率——这是衡量 AI 能否真正提升研发效率的最直接证据。目前 AI 药物研发整体仍处于探索阶段，技术尚未为药物研发的效率和成功率带来革命性改变。
合作条款设计：降低风险的关键
企业可以通过合作条款来管理风险。例如，采用里程碑付款方式，将大部分资金与临床阶段的具体成果（如进入Ⅰ期、Ⅱ期试验）挂钩，而非预付款项。这样既能利用 AI 在速度上的优势，又能避免因替代量度不准确导致的早期无效投入。同时，在合作协议中明确数据所有权和算法透明度，有助于后期对模型进行验证和改进。
常见问题
为什么替代量度（如靶点活性）不足以评估AI制药的价值？
替代量度只反映药物与靶点的结合能力，但不直接代表药物的有效性或安全性。药物在细胞、动物和人体中的表现差异巨大，仅凭靶点活性数据无法预测临床结果。
如何判断一家AI制药公司的管线质量？
应重点关注其已进入临床阶段的候选药物数量及成功率数据，而非其公开的早期预测结果数量。临床阶段的里程碑（如进入Ⅰ期、Ⅱ期试验）是比替代量度更可靠的评估指标。
合作时如何设置风险控制条款？
建议采用里程碑付款结构，将大部分资金与临床阶段的突破性成果挂钩，例如成功完成Ⅰ期安全性试验或Ⅱ期有效性验证。同时，要求合作方提供可验证的原始数据和模型训练细节。