2025年将被铭记为AI药物研发从承诺走向验证的关键一年——尽管仍有诸多重要限制条件给乐观情绪降了温。在经历了十年持续攀升的投资和大胆预测后，该领域终于取得了首个真正的临床验证，同时也遭遇了凸显技术当前局限性的挫折。对我们这些在AI与药物研发交叉领域工作的人来说，2025年代表的不是一场革命，而是一次清醒的现实检验：AI能够加速早期研发，但尚未能解决临床成功率这一根本挑战。

最引人注目的成就是首款完全由AI设计靶点和分子的药物完成了IIa期临床试验。六月发表于《自然·医学》的试验结果表明，该药物对特发性肺纤维化患者的用力肺活量显示出剂量依赖性改善。从靶点确定到临床前候选药物提名仅历时18个月——若采用传统方法，这一过程通常需要三至四年。

然而，该试验仅入组了71名患者，其疗效信号虽具前景，仍需在更大规模人群中验证。这正体现了2025年贯穿始终的一种模式：在取得实质性进展的同时，大多数AI发现化合物的临床验证仍需要数年时间方能完成。

监管框架初步成型

2025年最具深远意义的发展或许出现在1月6日——美国食品药品监督管理局发布了题为《使用人工智能支持药品及生物制品监管决策的考量要点》的指导原则草案。该框架以“应用语境”为基础，确立了一套七步可信度评估流程，要求制定全生命周期维护计划，并强制公开模型架构与训练数据的透明度。

值得关注的是，该指导原则明确排除了早期研发中使用的AI技术，仅聚焦于可能影响监管决策的应用程序。这一区分至关重要：尽管AI能够加速靶点识别和先导化合物优化，但对于在监管关键环节应用AI，FDA仍保持着恰当的审慎态度。自2016年以来，该机构已审阅超过500份与AI相关的申报资料，但至今尚未批准任何完全由AI发现的药物。另有报告指出，FDA内部早期部署的生成式AI工具也曾出现“幻觉”问题。

至12月，FDA首次正式认证了一项可用于药物开发临床试验的AI工具——一个基于云端的平台，用于协助病理学家在非酒精性脂肪性肝炎(NASH/MASH)试验中对肝活检组织进行评分。这标志着监管机构对AI在药物开发流程中的正式接纳，尽管目前仅限于质量评估工具，而非药物设计本身。

AI药物研发的经济现实

2025年，AI药物研发合作项目公布的“生物科技交易额”总值虽已突破150亿美元，但实际财务数据却远为保守。多个宣布交易额超50亿美元的重大合作中，预付款仅占公布金额的2%左右。全额款项需待多个候选药物达成临床与商业里程碑后方能获取，而其中每一项都伴随着极高的历史性失败风险。

宣布交易额与实际预付款之间高达50:1的比例，凸显出行业对AI技术尚未验证的临床成功率所持的审慎态度。

这一年也暴露出AI药物研发公司的财务脆弱性。多家企业宣布“重新调整”临床项目优先级、裁员20%-30%，并报告了巨额净亏损。数家资金曾颇为充裕的公司完全停运或寻求退市。这一态势表明，在当前更看重临床验证而非技术先进性的市场环境中，规模较小的AI药物研发公司正面临生存压力。

技术进展与持续存在的局限

在技术前沿，蛋白质结构预测领域的重大突破已将其能力扩展至DNA、RNA、配体、抗体及其相互作用。新模型在标准基准测试中，对类药相互作用的预测准确率较传统方法提升超过50%，并成功预测了数千个翻译后修饰的蛋白-配体复合物。

然而，相关竞赛结果显示，在蛋白质-配体相互作用预测方面，新一代AI模型并未显著超越早期方法。这突显出一个关键局限：精确的结构预测并不能保证获得可成药的靶点或成功的分子。当前模型仍难以有效处理构象变化，并持续表现出对特定受体状态的偏好性。

在抗体设计领域，新模型实现了前所未有的突破：针对数十个新靶点进行零样本从头设计，每个靶点仅测试20个候选抗体，实验命中率就达到了16-20%——这比现有方法提升了百倍效率。这标志着生物药设计领域取得了实质性进展，尽管这些化合物距离临床验证仍需数年时间。

临床现实检验

2025年在见证IIa期试验成功的同时，也带来了令人清醒的临床挫折。多款由AI设计的药物被降低研发优先级、在II期试验后被搁置，或在试验中未能显示出疗效信号。

这一临床折损凸显了根本性挑战：AI尚未能显著改善制药行业约90%的临床失败率。尽管AI能将早期药物发现周期压缩30-40%，并将临床前候选药物开发时间缩短至13-18个月(传统方法需三至四年)，但临床试验周期、监管审评时间表以及生产放大过程，仍然受限于生物学规律、患者入组速度与监管要求——这些环节皆是AI无法绕过的。

科学出版物中的评论对AI能否提高临床成功率提出了质疑，指出AI发现化合物的临床进展率与传统发现化合物相似。在AI发现的药物获得监管批准和商业成功之前，该领域仍处于“概念验证”阶段，而非一个已被证实的范式变革。

基础设施与整合挑战

多家大型制药企业宣布正在建设由数千枚先进GPU驱动的行业领先级超级计算机，预计将于2026年初投入运行。部分公司推出了与生物科技合作伙伴共享AI模型的平台，使其能访问基于数十万分子专有数据训练的模型。

一些企业已在机器人实验室部署了拟人化AI科学家系统，另一些公司则筹集大量资金建设全自动AI机器人实验室。这类“自主实验室”虽能加速“设计-合成-测试-学习”的循环，但尚未证明其具备自主发现已验证候选药物的能力。湿实验室与干实验室操作的整合，仍是企业面临的重要组织性挑战。

一项针对技术高管的调研显示，68%的受访者将数据质量低下与管理不善列为AI项目失败的主要原因。受成本、隐私法规及数据共享限制影响，具备完整生物学、药理学与临床注释的高质量、严格校勘数据集依然稀缺。行业的根本挑战并非算法先进性，而是数据可及性。

结论：谨慎乐观

2025年标志着AI药物研发从探索性技术迈入了早期临床验证阶段。首款完全由AI设计药物的IIa期试验结果证实了该路径可展现临床疗效，而美国食品药品监督管理局的监管框架与欧盟《人工智能法案》则为未来发展提供了更清晰的路径。

然而，截至2025年12月，尚未有AI发现的药物获得FDA批准——这一现实既框定了已取得的成就，也明确了未来的挑战。2026年最关键的问题并非AI能否加速临床前研发进程——我们已确知它可以——而在于它能否真正提升临床成功率。在该问题通过III期试验数据与监管批准获得肯定答案之前，制药行业对AI投资所持的审慎态度是完全合理的。

对于实验室科学家和药物研发人员而言，2025年证实了AI是早期药物发现的强大工具，但并非应对药物研发根本挑战的万能解药。这项技术已在研发工具库中占据一席之地，同时也清晰地展现了其当前的局限性。这种不夸大进展的平衡视角，正标志着该领域走向成熟。