*僅供醫(yī)學(xué)專業(yè)人士閱讀參考

AI藥物再次迎來高光時刻。

昨日，由北京協(xié)和醫(yī)院徐作軍教授和英矽智能Alex Zhavoronkov博士領(lǐng)銜的研究團隊，在國際頂級期刊《自然·醫(yī)學(xué)》上發(fā)表一篇重磅臨床研究成果[1]。

這項多中心、雙盲、隨機對照的2a期臨床試驗顯示，英矽智能由AI賦能發(fā)現(xiàn)的Rentosertib治療特發(fā)性肺纖維化（IPF）的安全性和耐受性良好；用藥組數(shù)據(jù)顯示出劑量依賴性藥效，在最高劑量組中，觀察到了患者用力肺活量（FVC）具有臨床意義的改善。

此外，研究中的探索性生物標(biāo)志物分析進一步驗證了通過人工智能方法發(fā)現(xiàn)的新穎靶點TNIK的生物學(xué)機制，研究結(jié)果與臨床結(jié)果相互印證，支持Rentosertib具有潛在的抗纖維化及抗炎作用。

▲論文首頁截圖

作為業(yè)界率先在臨床階段實現(xiàn)藥效概念性驗證的“AI藥物”，Rentosertib的階段性成果為AI賦能的藥物研發(fā)再添實證。

從神農(nóng)嘗百草到理性設(shè)計藥物

我們對醫(yī)藥最古老的認(rèn)知源于神話。

相傳神農(nóng)氏嘗百草，始成《神農(nóng)本草經(jīng)》，為中醫(yī)藥物學(xué)奠定基石。這種“以試代驗”的原始方式，折射出早期藥物探索的路徑。

然而，神話終究是文明的隱喻，真正推動藥物研發(fā)從經(jīng)驗走向科學(xué)的，是人類對工具與方法的革新。19世紀(jì)末，有機化學(xué)和細(xì)菌學(xué)的發(fā)展讓人類進入現(xiàn)代醫(yī)藥學(xué)的第一個階段，即依靠經(jīng)驗和偶然發(fā)現(xiàn)藥物。1897年，世界首個合成藥物阿司匹林誕生，其靈感即源于柳樹皮治病的傳統(tǒng)用法[2]。屠呦呦提取青蒿素，也同樣受益于古代中醫(yī)典籍。而青霉素、二甲雙胍、華法林、順鉑和西地那非等藥物，則是偶然發(fā)現(xiàn)藥物的典型代表。

然而，無論是依靠經(jīng)驗還是偶然發(fā)現(xiàn)藥物，它們的可重復(fù)性都不理想，讓人們很難把一個疾病的成功復(fù)制到更多疾病中去。20世紀(jì)中葉，隨著細(xì)胞生物學(xué)、分子生物學(xué)和基因組學(xué)技術(shù)的日漸成熟，大量驅(qū)動疾病發(fā)生的靶點被發(fā)現(xiàn)，現(xiàn)代醫(yī)藥學(xué)由此進入“理性設(shè)計”階段，即“先找靶點、再設(shè)計分子”。靶向藥物和免疫治療藥物由此出現(xiàn)，極大改變了疾病治療范式。

不過，隨著低垂的果實被摘下，“理性設(shè)計”階段的瓶頸，即藥物研發(fā)周期長、成本高等難題，愈發(fā)凸顯。通常，從尋找靶點到新藥上市，需要十余年的時間，其中僅找靶點和候選化合物就要消耗4-5年的時間；在研發(fā)投入方面，僅臨床前階段就面臨數(shù)千萬乃至數(shù)億美元的投入，整個研發(fā)階段更是耗資高達數(shù)十億美元。這些問題成為新藥研發(fā)不可承受之重。

叩響藥物研發(fā)新時代的大門

AI技術(shù)的蓬勃發(fā)展，讓很多人看到了用AI推動生物醫(yī)藥研究的希望。專業(yè)背景橫跨計算機和生物兩大領(lǐng)域的Alex Zhavoronkov，就是其中一員。2014年，Alex創(chuàng)立英矽智能。巧的是，也是在這一年，AI領(lǐng)域頂級大牛Ian J. Goodfellow首次提出生成對抗網(wǎng)絡(luò)（GAN）的概念[3]。現(xiàn)如今，GAN已經(jīng)是生成式AI的奠基石。

受一位計算化學(xué)家啟發(fā)，Alex利用GAN技術(shù)搭建了生成化學(xué)平臺，這也使英矽智能成為了最早將GAN技術(shù)用于生物醫(yī)藥領(lǐng)域的AI制藥公司[4]。在兩年之后的2016年，英矽智能就獲得突破性成果——首次證實GAN可以設(shè)計出有治療潛力的新分子[5]。

然而，英矽智能的研究人員很快認(rèn)識到，AI驅(qū)動的藥物設(shè)計是個新興交叉學(xué)科，要想讓更多人參與進來，就必須把GAN變成更容易上手的工具。因此，在GAN的基礎(chǔ)上，英矽智能開發(fā)出了更適合藥物發(fā)現(xiàn)的新AI系統(tǒng)——生成性張量強化學(xué)習(xí)（GENTRL）。

2019年，GENTRL的首秀發(fā)表在頂級期刊《自然·生物技術(shù)》上[6]。GENTRL的表現(xiàn)讓人震驚，在短短21天內(nèi)就設(shè)計出六種全新DDR1激酶抑制劑，并在46天之內(nèi)完成設(shè)計、合成和實驗測試全過程。按照傳統(tǒng)的新藥篩選/改造思路，這個速度是不可想象的。時至今日，這篇論文仍是《自然·生物技術(shù)》最受關(guān)注的論文之一。

▲論文首頁截圖

隨后，英矽智能的研究人員又將GENTRL模型與其他多種算法模型整合，2020年正式推出自有生成化學(xué)平臺——分子生成和設(shè)計引擎Chemistry42。這個平臺操作非常簡單，只需三步就可以得到可用的先導(dǎo)化合物類似分子。毫無疑問，Chemistry42的誕生解決了藥物分子設(shè)計的耗時長的難題。

英矽智能團隊的雄心不止于此。在新藥研發(fā)的過程中，不僅分子設(shè)計難，尋找驅(qū)動疾病發(fā)生的靶點也同樣不容易。除了單基因遺傳病之外，任何一種疾病的病理過程都非常復(fù)雜，相關(guān)基礎(chǔ)研究的各種組學(xué)數(shù)據(jù)浩如煙海，從中尋找潛在治療靶點，無異于大海撈針。因此，自創(chuàng)立之初，英矽智能團隊的研究人員就在設(shè)計能尋找新靶點的算法。

同樣是在2016年，著名期刊《自然·通訊》發(fā)表了英矽智能提出的生物靶點發(fā)現(xiàn)算法——iPANDA[7]，邁出了用AI發(fā)現(xiàn)靶點的第一步。一年之后，英矽智能的研究人員發(fā)現(xiàn)抗癌新靶點COX7A1[8]，又創(chuàng)下了一項行業(yè)第一——這是用AI尋找新靶點領(lǐng)域的第一篇經(jīng)同行評審的論文。2020年，英矽智能團隊正式推出集成了包括iPANDA在內(nèi)30多種算法的靶點識別平臺——PandaOmics?。

有趣的是，2020年也被譽為中國AI制藥的元年。這一年，大量科學(xué)家、資本和初創(chuàng)企業(yè)紛紛涌入這一新興賽道，讓AI制藥熱潮迅速升溫。以英矽智能為代表的公司一起發(fā)力，共同推開了現(xiàn)代醫(yī)藥學(xué)第三階段——智能驅(qū)動時代——的大門。

以AI解決方案挑戰(zhàn)“不死的癌癥”

然而，要讓產(chǎn)業(yè)界真正信任并接受人工智能并非易事。2014年即投身AI制藥的“元老”Alex Zhavoronkov博士認(rèn)為，AI驅(qū)動藥物研發(fā)的真實案例或?qū)⒂兄谙|(zhì)疑和樹立信心。為此，英矽智能啟動了首個由自研AI平臺賦能的藥物研發(fā)項目，并將研究重點聚焦在與衰老相關(guān)、極具挑戰(zhàn)性的纖維化領(lǐng)域，特別是特發(fā)性肺纖維化（IPF）。

IPF是一種原因不明的進行性纖維化性間質(zhì)性肺疾病，也被稱為“不死的癌癥”，隨著疾病的進展，患者最終會因呼吸衰竭而死亡。IPF影響全球約500萬人，預(yù)后較差，中位生存期僅為3至4年[9]。目前的治療方法包括抗纖維化藥物等，可以減緩疾病進展但無法停止或逆轉(zhuǎn)疾病進程，因此迫切需要更有效的改善疾病的治療方法。

那么，AI賦能的IPF藥物研發(fā)有什么新思路呢？從2024年3月英矽智能在《自然·生物技術(shù)》上發(fā)表的研究，可以了解到其利用AI從頭設(shè)計藥物的研發(fā)過程[10]。

▲論文首頁截圖

首先，英矽智能將IPF患者和健康人的多組學(xué)數(shù)據(jù)，以及IPF相關(guān)的專利、出版物、研發(fā)基金、臨床試驗等數(shù)百萬個文本文件，都交給新靶點識別平臺PandaOmics?；通過深度特征合成、因果關(guān)系推斷和全新通路重建等過程，評估潛在靶點的新穎性以及與疾病的關(guān)聯(lián)性；最終研究人員進一步在“小分子可成藥”“蛋白質(zhì)和受體激酶”和“新穎性”三個預(yù)設(shè)條件下，篩選出最有潛力的抗纖維化靶點TNIK[10]。

在后續(xù)分析中，研究人員發(fā)現(xiàn)，雖然已經(jīng)有大量研究發(fā)現(xiàn)TNIK與驅(qū)動纖維化的相關(guān)通路有關(guān)，例如WNT、TGF-β、Hippo、JNK和NF-κB等，但是此前研究從未把TNIK視作IPF的治療靶點。也就是說，在靶點識別階段，人工智能就帶來了驚喜，將TNIK識別為治療IPF的潛在新穎靶點。

確認(rèn)靶點后，研究人員將TNIK激酶結(jié)構(gòu)域的晶體結(jié)構(gòu)，喂給生成式AI驅(qū)動的分子設(shè)計軟件Chemistry42，并將輸出目標(biāo)確定為生成能夠與TNIK鉸鏈區(qū)Cys108-NH（ATP結(jié)合位點）形成氫鍵的小分子結(jié)構(gòu)；Chemistry42根據(jù)多個預(yù)設(shè)條件，包括合成難度、新穎性和化學(xué)特性等，以及專家反饋進行虛擬篩選并優(yōu)化生成結(jié)果；最終得到了IC50值達到納摩爾級別，且對TNIK親和力高的候選分子ISM001-055，也就是文章開頭提到的Rentosertib[10]。

▲AI尋找新靶點/設(shè)計新分子的流程圖

從后續(xù)的體外細(xì)胞實驗來看，Rentosertib能有效抑制WNT-β-catenin、TGF-β-SMAD2、TNF-α-NF-κB和YAP-TAZ等關(guān)鍵纖維化通路的信號轉(zhuǎn)導(dǎo)，且對健康人體細(xì)胞的毒性較低。肺纖維化小鼠模型的實驗數(shù)據(jù)表明，Rentosertib可以顯著減輕小鼠的肺纖維化。基于上述研究數(shù)據(jù)，Rentosertib在2021年2月被提名為臨床前候選化合物。值得一提的是，該臨床前研發(fā)過程耗時18個月，僅為傳統(tǒng)藥物研發(fā)同階段耗時的三分之一，為AI驅(qū)動的高效臨床前藥物研發(fā)提供了例證。

2021年11月，該項目于澳洲啟動微劑量人體試驗，探索藥物在人體中的代謝和起爬劑量。2022年2月，Rentosertib同時在中國和新西蘭進入I期臨床試驗，主要探索藥物在健康人群中的安全性和耐受性。2023年初，英矽智能先后發(fā)布Rentosertib兩項I期臨床研究一致的安全性和代謝數(shù)據(jù)，同時FDA授予該候選藥物孤兒藥資格認(rèn)證。

AI賦能藥物研發(fā)的“Deepseek”時刻

2023年6月，Rentosertib的兩項2a期臨床研究分別在中國和美國先后啟動。其中Rentosertib的中國2a期臨床研究NCT05938920，是一項隨機、雙盲、安慰劑對照的臨床試驗，旨在評估藥物治療IPF患者的安全性、耐受性和初步療效。該研究在中國的21個臨床研究中心招募了71名IPF患者，所有患者被隨機分到四組，在12周的時間里，分別接受安慰劑、每日一次30mg、每日兩次30mg或每日一次60mg治療。

2024年年底，英矽智能發(fā)布了這項2a期臨床試驗的積極頂線數(shù)據(jù)。結(jié)果顯示，Rentosertib達到主要研究終點，即具有可控的安全性和耐受性。從數(shù)據(jù)來看，各治療組中與治療相關(guān)的不良事件（TEAEs）發(fā)生率相似，大多數(shù)不良事件（AEs）為輕度或中度，嚴(yán)重不良事件（SAEs）罕見，且所有不良事件在停藥后均可恢復(fù)。

更令人鼓舞的是，在次要肺功能終點方面，從用力肺活量（FVC）這一評價IPF患者肺功能的金標(biāo)準(zhǔn)來看，在接受治療的患者中觀察到劑量依賴性的肺功能改善。在每日一次60mg的最高用藥劑量組中，患者的FVC與基線水平相比，平均提高98.4毫升，而安慰劑組患者的FVC與基線水平相比，平均下降20.3毫升。

值得一提的是，IPF是一種極具挑戰(zhàn)性的疾病，現(xiàn)有已獲批的藥物僅能延緩疾病的發(fā)生，并不能阻止或逆轉(zhuǎn)疾病的發(fā)展，臨床上存在顯著未被滿足的臨床需求，Rentosertib的積極數(shù)據(jù)為IPF患者提供具有臨床獲益潛力的創(chuàng)新解決方案。2025年5月，英矽智能受邀參加美國胸科學(xué)會年會，并圍繞Rentosertib的2a期臨床試驗結(jié)果作演講分享和壁報展示。

本周，該臨床2a期臨床試驗詳細(xì)數(shù)據(jù)以論文的形式，發(fā)表在國際頂級期刊《自然·醫(yī)學(xué)》上[1]。除了此前已披露的臨床結(jié)果，研究人員還在該項研究中開展了探索性生物標(biāo)志物分析，研究了Rentosertib治療后患者血液蛋白質(zhì)組學(xué)的變化，其結(jié)果與臨床前研究結(jié)果相互印證。

具體來說，與纖維化相關(guān)的基因如MMP10、LTBP2、COL1A1、PTPRZ1、ASPN、ROBO2、FAP、CHAD和LTBP2的表達顯著下調(diào)，支持了抑制TNIK可以調(diào)節(jié)IPF病理生理途徑的假說。這些發(fā)現(xiàn)與臨床前研究結(jié)果一致，并為開展下一步臨床驗證的劑量選擇和生物標(biāo)志物識別提供了寶貴的指導(dǎo)。

▲生物標(biāo)志物探索性分析

英矽智能方面表示，正在積極與監(jiān)管部門開展溝通，以促進在更大患者隊列中對Rentosertib開展前瞻性評估。

小結(jié)

在現(xiàn)代醫(yī)藥研發(fā)長達150年的歷史長河中，人類逐漸從“摸著石頭過河”的經(jīng)驗探索，過渡到基于分子靶點的理性優(yōu)化時代，再到今天借助AI發(fā)現(xiàn)靶點/設(shè)計分子的智能驅(qū)動時代，藥物研發(fā)不斷邁向更高效、更精準(zhǔn)的未來。

英矽智能作為智能驅(qū)動時代的探路者，基于自有生成式人工智能驅(qū)動平臺，已構(gòu)建了超過30條豐富的藥物研發(fā)管線，其中治療IPF的Rentosertib進展最快，有望打響智能驅(qū)動藥物研發(fā)新藥對抗人類疾病的第一槍。

隨著AI制藥從探索邁向?qū)嵶C，我們期待更多的成果誕生，重塑制藥行業(yè)生態(tài)，給制藥業(yè)帶來一場深刻的范式轉(zhuǎn)變。

參考文獻：

[1].Xu, Z., Ren, F., Wang, P. et al. A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nat Med (2025). https://doi.org/10.1038/s41591-025-03743-2

[2].Jack DB. One hundred years of aspirin. Lancet. 1997;350(9075):437-439. doi:10.1016/S0140-6736(97)07087-6

[3].Ian J. Goodfellow, et al. Generative Adversarial Networks. arXiv. 2014. 1406.2661v1.

doi:10.48550/arXiv.1406.2661

[4].https://mp.weixin.qq.com/s/053hT5FZjISzp2oCwWhUbw

[5].Kadurin A, Aliper A, Kazennov A, et al. The cornucopia of meaningful leads: Applying deep adversarial autoencoders for new molecule development in oncology. Oncotarget. 2017;8(7):10883-10890. doi:10.18632/oncotarget.14073

[6].Zhavoronkov A, Ivanenkov YA, Aliper A, et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nat Biotechnol. 2019;37(9):1038-1040. doi:10.1038/s41587-019-0224-x

[7].Ozerov IV, Lezhnina KV, Izumchenko E, et al. In silico Pathway Activation Network Decomposition Analysis (iPANDA) as a method for biomarker development. Nat Commun. 2016;7:13427. Published 2016 Nov 16. doi:10.1038/ncomms13427

[8].West MD, Labat I, Sternberg H, et al. Use of deep neural network ensembles to identify embryonic-fetal transition markers: repression of COX7A1 in embryonic and cancer cells. Oncotarget. 2017;9(8):7796-7811. Published 2017 Dec 28. doi:10.18632/oncotarget.23748

[9].Podolanczuk AJ, Thomson CC, Remy-Jardin M, et al. Idiopathic pulmonary fibrosis: state of the art for 2023. Eur Respir J. 2023;61(4):2200957. Published 2023 Apr 20. doi:10.1183/13993003.00957-2022

[10].Ren F, Aliper A, Chen J, et al. A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nat Biotechnol. 2025;43(1):63-75. doi:10.1038/s41587-024-02143-0

本文作者丨BioTalker