從 Drug 到 Medicine：AIDD 如何重塑藥物發現的倫理坐標

本文來自微信公眾號：智藥深瞳，作者：Alex Su

前一段時間在跟投行的朋友聊天時談到 drug 和 medicine 兩個詞的區別，十分有意思。盡管學術界和工業界早就約定俗成使用 drug 來表示研發中的化合物，但因為 drug 在非醫學領域常常用來代指非法藥物或者毒品，公眾認知層面存在一定程度的誤解，給了藥企一個純粹為了利潤服務的負面形象。

光改一個用詞沒什么用，行業的歷史和社會的發展造就了現在的情況。藥企逐漸追求利潤而淡化純粹療效追求，主要源于幾方面因素：

一是研發回報壓力。新藥研發周期長（10~15 年）、成本高（單藥超 10 億美元）、失敗率超 90%，而專利保護期有限（通常 20 年），企業需在有限時間內回收成本，迫使藥企更關注短期盈利不會過于糾結市場競爭下的 " 完美療法 "。

二是資本驅動。投資者更青睞高利潤率，導致資源向 " 重磅藥物 " 傾斜。" 重磅藥物 " 之所以 " 重磅 "，主要依靠廣泛適應癥，追究其核心還是一個供需關系。

自免新王 Dupi 上市后利潤爆發式增長的關鍵在于適應癥的持續拓展。最初獲批用于特應性皮炎后，又陸續覆蓋哮喘、慢性鼻竇炎伴鼻息肉、嗜酸性食管炎等 6 大適應癥，既能延長專利又能擴大需求，這樣的邏輯確實保證了市場價值。

回頭看如今的當前廣譜適應癥藥物的研發趨勢，既是商業的選擇，又是科學發展的必然，好像也沒有什么大的問題，況且罕見病也不完全是無藥可醫，也算是 FDA 和產業資本對于如何解決人類健康問題的符合倫理的平衡。

AIDD（Artificial Intelligence in Drug Design，人工智能輔助藥物設計）的引入實際上給了解決上述問題一個抓手，但是奈何以 alphafold 模型為代表的行業整體貌似進入了一個 " 自證怪圈 "，聚焦于結構生物學中特殊靶點的識別，但沒有審慎評估靶點選擇的臨床必要性，產生了一種 " 畫蛇添足 " 的味道。

我們來舉例看看有望改變自免格局的 B cell depletion 療法的靶點競爭格局，取自《The race to reset autoimmune diseases》。

Deep B cell depletion 有嚴重的副反應，畢竟基本上把免疫系統給癱瘓了。未來的方向也許是聚焦在特定亞型的 B cell depletion 上，純粹從技術上來說，AI 在這里是可以起到舉足輕重的驅動作用，而不是去預測某一個特定的結構。

回到商業上來，這種怪象的結果就是，無論是已經上市的龍頭 AIDD 公司還是硅谷的創業大軍，都或多或少過度聚焦于模型構建的技術層面，反復強調自己的 AI 模型性能，卻沒有回歸以臨床需求為核心的技術創新路徑，這當然也體現在了投資人對于他們的預期上。

蒸汽機的發明最初僅用于煤礦排水，但瓦特改進后應用于鐵路運輸，徹底重構了人類時空觀念。運輸成本驟降 90% 催生出全球貿易網絡，刺激了鋼鐵、紡織等產業需求，1884 年甚至推動時區標準化。這種技術革命引發的鏈式反應，恰印證了 " 需求創造供給，供給亦創造需求 " 的經濟學原理。回到 AIDD，在高呼 "AI 顛覆行業 " 的同時不妨先回答，被重塑的行業未來應該是什么樣子。

我還記得 2 個月前的一期硅谷 101 節目調侃了現在的 AI Agent 創新很多類似用馬拉汽車，而不是帶著輪子的汽車。最近又看到一張 Gartner 2025 年 AI 技術成熟度的圖跟大家分享：

不難看出，回答被重塑的行業未來是什么樣子肯定是一個難題，萬里長征第一步，我們還在一個非常早的階段。但既然滿足人未被滿足的需求是經久不衰的真理，用數字化的方式先回答 " 什么是臨床上未被滿足的需求 " 才是 AIDD 的硬道理。病人的生活質量如何提高，如何精細化對 " 病程 " 進行區分，如何扎實地提高 cancer 患者生命的長度和質量。這些問題的回答一定需要更多的不同學科的科學家前赴后繼，才能真正做到。AI 在行業中終究起到的（作用）還是鏈式反應的 " 催化劑 "，讓科學家有時間來思考這些問題從而把夢想照進現實。

最后我們還是期待 AIDD 技術能夠持續推動醫療創新，提高全人類的生活水平，把 Drug 改寫成 Medicine！