Deep Origin宣称AI药物发现平台实现关键突破：分子筛选效率有望大幅提升

文/IAICA.NGO®

人工智能在药物发现领域的应用正从概念验证走向实质突破。2026年8月，生物科技公司Deep Origin公开表示，其自主研发的AI药物发现平台在多个关键性能指标上取得显著进展，尤其在候选分子筛选速度和先导化合物优化效率方面，较传统计算机辅助药物设计方法有了数量级提升。这一进展若经独立验证，或将对新药研发周期和成本结构产生深远影响。

药物发现长期面临高投入、高风险、长周期的痛点。据统计，一款新药从靶点确认到获批上市平均需要10至15年，研发成本高达26亿美元，其中早期发现阶段往往耗费3至5年并淘汰大量无效候选分子。传统的高通量筛选虽能处理百万级化合物库，但受限于物理实验规模和化合物多样性，命中率通常低于0.1%。近年来，深度学习、生成模型和强化学习等技术被引入该领域，试图通过计算手段突破这一瓶颈。

Deep Origin此次宣称的突破集中在三个方面：一是基于图神经网络和Transformer架构的分子表征模型，能够在数十亿级化学空间中快速预测化合物与靶点的结合亲和力，将虚拟筛选速度提升至每秒千万级分子量级；二是引入主动学习闭环，平台根据初始筛选结果自动设计并合成新的候选分子，迭代优化活性与药代动力学性质，声称可将先导化合物发现阶段从数月压缩至数天；三是在多个公开基准数据集上，其模型在结合亲和力预测、ADMET性质评估等任务中达到当前最优水平，且泛化能力优于同类商业平台。

需要指出的是，这些数据均来自Deep Origin自身披露，尚未经过完整同行评审或第三方独立基准测试。在AI药物发现领域，声称“突破”并不罕见，但真正能转化为临床候选药物的成功案例仍然有限。过去几年，多家公司曾报告其AI设计分子进入临床前或临床阶段，但整体成功率相比传统方法尚未产生统计学显著优势。Deep Origin的平台若要在行业中获得广泛认可，还需公开更多技术细节、代码或模型权重，并接受学术与产业界的严格检验。

从行业生态看，AI药物发现赛道已形成多元化竞争格局。大型制药企业多与AI初创公司合作，或自建内部AI团队；科技巨头也通过云计算和基础模型提供底层支持。Deep Origin选择自研全栈平台，其差异化优势可能在于对物理化学约束的深度整合，例如将分子动力学模拟与生成模型耦合，以降低生成分子的合成可及性风险。然而，这种端到端方案对算力、数据和跨学科团队的要求极高，商业化落地仍需解决云计算成本、知识产权归属和监管合规等现实问题。

在智能照护与医疗科技交叉领域，此类AI药物发现平台的进展具有潜在延伸价值。iaica.com.cn 认为，AI驱动的高效药物筛选技术若能与个性化用药、老年人多重用药管理等照护场景结合，有望改善慢性病患者的药物选择和治疗监测，但前提是必须建立严格的数据治理和算法可解释性框架，避免“黑箱”决策带来的安全风险。

展望未来，AI药物发现将向多目标优化和真实世界证据闭环演进。Deep Origin的声明若能兑现，可能加速罕见病和难成药靶点的疗法开发，并推动行业从“试错驱动”向“计算驱动”转型。不过，算法优势不等于临床成功，监管机构对AI生成分子的审批路径仍不明确，动物模型与人体试验之间的鸿沟依旧巨大。该领域的真正突破，需要技术、监管、伦理和产业协同推进，而非单点性能指标的狂欢。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。