新闻动态

NEWS

首页

新闻动态

NEWS CENTER

相关新闻

暂无数据

首页

利用人工智能（AI）技术加速药物研发分析

发布时间：

2025-08-27

　　随着药物研发的难度和复杂性日益增加，传统的研发模式已经难以满足人们的需求。利用人工智能（AI）技术加速药物研发进程，提高研发效率，成为行业发展的重要趋势。尤其是在药物研发阶段，AI可对大量现有的药物数据进行深度学习，更快地设计新药物，预测药物的吸收、代谢和毒性等复杂过程，从而缩短药物研发时间。笔者从专利视角对相关技术进行分析，以期为行业提供参考。

　　AI辅助药物发现

　　人工智能辅助药物发现（AIDD）是指将机器学习、自然语言处理及大数据等人工智能技术应用到药物发现的各个环节，包括靶点发现、先导化合物研究和化合物筛选，以及研判药物效果及潜在副作用。这种方式显著优化新药研发的效率及质量，降低临床失败概率及研发成本。

　　以该领域专利申请年和优先权年为分析口径来看，可分为两个阶段：2014年至2017年为平稳发展期，该阶段年专利申请量在3000件左右。其中，在2015年，生成对抗网络及先进神经网络结构形成。英矽智能科技（上海）有限公司（下称英矽智能）表示，AI技术可降低药物开发成本，缩短药物发现时间，提高化合物质量。2018年至今为缓慢发展期，经过多年的发展，AI辅助药物发现领域相关技术持续进步，该阶段的专利申请量明显增多，年均申请量已经达到5000件。得益于深度学习技术在蛋白质结构预测领域的突破，AI辅助药物发现的相关方法、小分子化合物等专利申请的数量骤增。

　　2018年3月，国际商业机器公司（IBM）旗下子公司 Watson发布认知计算平台，将患者与潜在临床试验相匹配，使临床试验入组增加80%。2018年12月，DeepMind公司的 Al-phaFold的3D蛋白质结构预测能力超过所有其他预测算法。2019年9月，英矽智能发布首个使用 AI系统生成张量强化学习（GENTRL）的活性体内候选药物，其在46天内设计出针对纤维化的先导化合物。2021年12月，英矽智能实现 AI发现新靶点的行业首个临床阶段 AI生成新型分子。

　　从 AI辅助药物发现的技术来源国看，美国是最主要的技术来源国之一，相关专利申请量约为2.47万件，占比为62%。中国在 AI辅助制药领域虽然起步较晚，但近年来发展迅速，涌现出一批 AI制药初创企业，如英矽智能、晶泰科技、星药科技等，这些企业在 AI辅助药物发现方面展现出强大的研发能力和创新潜力。

　　从专利申请人情况来看，国内专利申请排名前二十的机构中，国内机构以高校为主，包括浙江工业大学、上海交通大学、浙江大学、中南大学、中山大学、南京邮电大学、吉林大学、中国农业大学、北京大学、中国海洋大学。

　　由此可见，美国在 AI辅助药物发现领域的技术布局有一定优势，体现在靶点发现与验证，以及药物设计与优化领域；而在化合物筛选、临床前研究中，中国的专利申请人则具有一定的优势。

　　研发重点各有侧重

　　目前，全球排名靠前的大型药企都已在 AI辅助制药领域有所布局。就药企在 AIDD领域的专利布局来看，机器虚席、监督学习、无监督学习、分类等方面有少量专利布局，而在数据、药物成果两端方面有大量专利布局。

　　互联网头部企业在 AI辅助药物发现领域具有必备的数据库、云计算等技术优势。Deepmind公司的专利呈现布局持续、数量多、地域广、技术新的特点。伴随 AlphaFold的三个版本的升级，Deepmind公司在蛋白质结构预测方面的专利技术有以下特点：最初在2019年以前，主要申请自动学习、关系网络、卷积网络等方面的专利。2019年开始，注重对与多序列、序列比对、蛋白质二维结构预测进行专利布局。2020年开始，注重以预测神经网络、多序列、结构参数、距离图谱等作为关键词的专利申请以及逐步结合智能体、多次迭代、多链蛋白质结构等申请相关专利。

　　企业在 AI技术应用方向上的侧重点各有不同。以某公司申请主题为例，其申请的54个专利家族中，化合物方面的专利申请量为25件，抑制剂方面的专利申请量为13件，申请的 AI辅助药物发现方面的专利申请量为15件。

　　高校方面，华盛顿大学蛋白质设计研究所的大卫·贝克（David Baker）因其在计算蛋白质设计领域的杰出成就获得诺贝尔奖。通过对其专利的分析可以看出，大卫·贝克拥有的专利以蛋白质设计后形成的成果为主，例如荧光素酶的发光酶、蛋白质纳米颗粒疫苗等。

　　RoseTTA系列工具是大卫·贝克在商业化布局方面的基础，其通过软件授权与许可、合作伙伴关系与技术集成，极大地扩大了影响力。此外，大卫·贝克还有部分专利通过华盛顿大学进行孵化。

　　推动新药加快走向市场

　　笔者在此重点梳理了机器学习、深度学习、生成式 AI在靶点识别与验证、化合物筛选和分子生成，以及分子优化和临床前几个场景下的应用功效。

　　以靶点的发现与验证场景为例，靶点识别是识别可被药物调节以获得治疗效果的正确生物分子或细胞途径的过程。AI在药物靶标的识别中，主要方法有基于相似性的方法（包括决策树）、基于特征的方法（包括支持向量机、随机森林、核方法、矩阵分解法等），以及基于深度学习的方法。

　　随着人工智能技术在药物研发领域的不断深入，我们见证了 AI如何重塑传统药物研发的模式，提高效率，降低成本，并最终推动新药更快地走向市场。从 AIDD技术的定义和现状，到关键产业参与者的专利布局，再到子领域专利布局与技术演进，可以看到 AI在药物发现的各个环节中发挥着越来越重要的作用。

　　对于国内在 AIDD领域耕耘的创新主体而言，尤其是药企应着重与生态系统合作伙伴共同创造解决方案，以扩展能力，加强创新，同时加大与高校科研机构等合作力度。对于互联网企业而言，应考虑整体技术栈的构建，确保 AI技术能够与其他技术如云计算、大数据等无缝集成，同时注重全球视野下的专利布局。生物科技公司重点开发有针对性的 AI路线图，识别符合特定研发项目的高价值用例，同时选择合适的赛道进行应用。而高校和科研机构则可跟踪前沿模型的发展，适时开发开源软件+专利布局，同时注重专利成果转化与商业化。

　　AI技术的发展，尤其是深度学习和生成式 AI在药物研发中的应用，不仅加速了新药的发现和开发，还为传统药物研发带来了革命性的变化，需要创新主体进一步跟踪相关进展，适时开展专利布局。

　　（国家知识产权局专利分析普及推广项目 AI药物发现关键技术课题组）