该公众号全新上线「AI听全文」功能！ 点击?【听全文】切换至Justin的专属音色，将文章转化为生动语音——闭眼享受、随时收听，随声入耳。还支持「稍后听」功能，轻松创建个人音频书单，碎片时间也能高效充电。此外，欢迎大家使用本公众号的“AI问答”功能，随时就本文内容或相关专业话题进行探讨。
引言
本文解读的核心蓝本是波士顿咨询集团（Boston Consulting Group, BCG）团队于2024年6月发表在《Drug Discovery Today》的Perspective文章《How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons》。作为全球首份针对AI发现药物（AI-discovered drug）临床成功率的系统性行业分析，该研究聚焦AI原生生物技术公司（AI-native Biotech）的管线数据，首次披露了AI药物在临床I/II期的表现差异与潜在价值。本文将严格遵循原研究的逻辑框架，从研究背景、方法设计、核心发现、行业启示四大维度进行体系化梳理，为读者呈现AI药物临床转化的真实进展与未来趋势。
一、研究背景：药物研发的痛点与AI的破局潜力
传统药物研发是周期长、成本高、不确定性极强的复杂过程：小分子药物（small molecules）的发现周期通常需4-6年，即使借助前沿实验技术，研发失败风险仍居高不下；生物制品（biologics）与疫苗（vaccines）的研发效率虽略有提升，但整体复杂度与风险仍未得到根本性改善。
人工智能（Artificial Intelligence, AI）技术被认为是重塑药物研发格局的关键力量——通过在硅基环境中完成大量重复性、高成本的研发步骤，AI可大幅拓展药物分子的探索边界，加速研发进程。目前AI在药物研发中的核心应用场景包括：利用知识图谱（Knowledge Graph）挖掘组学数据以识别药物靶点（Drug Target）与生物标志物（Biomarker）、生成式AI（Generative AI）设计小分子结构、基于AlphaFold等AI工具优化抗体结构、AI驱动的药物重定位（AI-powered Drug Repurposing）等。
尽管AI在药物发现阶段的应用已呈爆发式增长，但行业对AI发现药物的临床试验成功率（clinical trial success rate of AI-discovered drug）仍存疑虑：AI设计的分子是否具备足够的成药性？能否在临床阶段验证安全性与有效性？针对这一核心问题，BCG团队开展了全球首份系统性行业分析。
二、研究方法：聚焦AI原生生物技术公司的代表性管线
为确保研究的代表性与严谨性，研究团队以AI原生生物技术公司（AI-native Biotech）为核心研究对象——这类公司是AI药物研发的核心载体，且多数已与大型制药企业达成合作，其管线数据可代表全球AI药物研发的整体水平。
研究流程与方法如下：
数据来源：基于公开数据库，筛选超过100家AI原生生物技术公司的管线数据，结合最新临床试验公开结果进行交叉验证与更新；
分类标准：按AI药物的发现模式分为五大类：AI发现靶点的分子（AI-discovered targets）、AI设计小分子（AI-designed small molecules）、AI发现生物制品（AI-discovered biologics）、AI发现疫苗（AI-discovered vaccines）、AI重定位药物（AI-repurposed molecules）；
排除标准：剔除新冠疫情相关的应急研发药物，避免特殊政策对数据的干扰。
三、核心发现：AI药物临床转化的阶段性特征
3.1 AI药物临床管线呈指数级增长
自2015年起，AI原生生物技术公司进入临床阶段的AI发现药物数量以年复合增长率超60%的速度爆发式增长，截至2023年底累计已有75个分子进入临床，其中67个处于在研状态（图1）。
图1 AI原生生物技术公司进入临床阶段的AI发现药物数量趋势
注：(a) 按临床阶段划分；(b) 按AI发现模式划分，数据排除新冠疫情相关药物
从发现模式来看，2020年前AI重定位药物（AI-repurposed molecules）占主导地位，但近年来占比已回落至15%；AI设计小分子（AI-designed small molecules）与AI发现靶点的分子（AI-discovered targets）成为核心增长引擎，2023年占比均超过30%；AI发现疫苗（AI-discovered vaccines）与AI发现抗体（AI-discovered antibodies）占比虽仍较低，但增长趋势显著。
3.2 临床阶段成功率：I期表现远超行业平均，II期与行业持平
研究团队对已完成临床试验的AI药物数据进行统计，得出两大核心结论：
临床I期：成功率80-90%，显著高于行业历史平均
截至2023年底，已有24个AI发现药物完成临床I期，其中21个成功，成功率达80-90%——这一数据远高于传统药物I期40%-65%的历史成功率。且不同发现模式的AI药物在I期均表现出高成功率（图2b），仅3个药物终止，其中2个为商业决策因素，仅1个因未达到临床评价标准。临床II期：成功率40%，与行业历史平均持平
10个完成临床II期的AI药物中，4个成功，成功率为40%，与传统药物II期30%-40%的历史成功率一致。进一步分析显示，6个终止的药物中仅2个因临床数据负面，其余4个均为商业优先级调整、临床运营挑战等非技术因素导致。
图2 AI发现药物的临床试验成功率统计
注：(a) 按临床阶段划分；(b) 按AI发现模式划分的I期试验结果，数据排除新冠疫情相关药物
3.3 研究局限性说明
需注意本研究仍存在三大局限性：
样本量有限：当前进入临床阶段的AI药物数量仍较少，后续需更多数据验证结论；
数据覆盖范围：仅纳入AI原生生物技术公司的管线，未包含大型药企内部自主研发的AI药物；
分类互斥性：部分AI药物采用多种AI技术，但研究中仅归为单一类别，可能存在分类偏差。
四、行业启示：AI药物研发的价值与优化方向
4.1 AI在分子成药性设计上的核心优势已得到验证
AI发现药物在I期的高成功率，直接证明了AI在设计/筛选具备类药属性（drug-like properties）分子上的强大能力——不仅能针对已验证靶点设计安全分子，甚至在针对全新靶点的分子研发中也表现出良好的临床耐受性（研究中至少3个全新靶点分子成功通过I期）。这一结果打破了“AI仅能优化已知分子”的质疑，证明AI可在全新化学空间中筛选出高成药性分子。
4.2 临床疗效验证仍是AI药物研发的核心挑战
II期成功率与行业平均持平，说明AI在靶点选择与疾病机制关联上仍有优化空间——临床II期的核心是验证药物的生物学机制有效性，这也是药物研发的“硬骨头”。未来AI需更多结合组学数据、反向翻译（Reverse Translation）、患者来源模型（Patient-derived Model）等技术，缩小分子设计与临床疗效之间的差距。
4.3 AI将显著提升药物研发的整体生产力
基于当前成功率进行推演：若AI药物在I/II期的成功率保持稳定，结合传统III期成功率，AI药物从临床I期到上市的端到端成功率将从传统的5-10%提升至9-18%，几乎翻倍的研发成功率将大幅降低研发成本、缩短研发周期，为行业带来巨大的生产力提升。
结语
本研究首次为AI药物的临床转化成功率提供了系统性的行业数据，证明AI已在分子成药性设计阶段展现出显著优势，且其临床价值正逐步显现。尽管AI在临床疗效验证上仍需突破，但随着组学分析、大语言模型（Large Language Model, LLM）在疾病数据挖掘中的应用深化，AI药物的临床成功率有望进一步提升。
未来，AI将从“药物发现工具”逐步升级为“全流程研发引擎”，最终实现“更快、更好、更便宜地为患者提供创新药物”的核心目标。
免责声明
本文章基于公开学术文献《How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons》整理解读，仅作学术交流用途，不构成任何医疗建议、投资建议或决策依据。文中观点仅代表原作者及解读团队的学术视角，与公众号运营主体无关。如需引用本文内容，请标注原文出处及本公众号解读来源。
参考文献
[1] Paul SM, et al. How to improve R&D productivity: the pharmaceutical industry’s grand challenge.Nature Reviews Drug Discovery, 2010, 9:203-214.
[3] Blanco-González A, et al. The role of AI in drug discovery: challenges, opportunities, and strategies.Pharmaceuticals, 2023, 16:891.
[15] Wong CH, Siah KW, Lo AW. Estimation of clinical trial success rates and related parameters.Biostatistics, 2019, 20:273-286.
[24] Tang L. Large models for genomics.Nature Methods, 2023, 20:1868.
