• 冯博士追溯了AI的起源至1950年艾伦·图灵的问题：“机器能思考吗？”
• 药物研发领域正从传统的 CADD 向 AIDD 转变，后者通过深度学习、机器学习、强化学习、遗传算法等方法显著提升了药物研发的效率和精度。
• 深度学习、生成模型、图神经网络、转移学习与数学规划方法的融合为从头药物设计（De Novo Drug Design）带来了革命性突破，提高了设计效率与成功率。
• AI 平台如“Deep6 AI”通过自然语言处理 (NLP)、机器学习和概念映射（Concept Mapping)算法等，能在几分钟内分析数百万份电子健康记录 (EHR)和其它数据，提高招募效率。
• 美国FDA、欧洲EMA和日本PMDA等监管机构正努力跟上AI快速发展的步伐，强调基于风险的分类、透明度、临床验证及上市后监测等。
• 冯博士呼吁研发人员将AI融入日常工作流程，视其为医疗创新中具有变革性的合作伙伴。
现为多家生物制药公司高级顾问和多所大学教授的冯文昌博士, 近日在广州生物岛发表了一场见解深刻的演讲，阐述了人工智能（AI）如何彻底革新药物研发、临床试验及医疗设备的开发。演讲涵盖了AI的历史渊源、其在人工智能驱动的药物研发（AIDD）当前的应用和它为个性化医疗和监管科学所勾勒出的光明前景。
冯文昌博士
人工智能溯源：
从理论到复杂神经网络的演变
冯博士指出，AI源头可追溯至 1950 年艾伦・图灵那具有开创性意义的问题：“机器能思考吗？” 从早期基于规则的“专家系统”，到如今大语言模型、变换器以及深度学习等领域的重大突破。这些技术，包括卷积神经网络（CNN）、生成对抗网络（GAN）、循环神经网络（RNN）以及预测分析（Predictive Analytics）等，使得人工智能能够分析海量数据集、预测结果，甚至生成全新的深刻见解。
在医疗保健领域，冯博士强调了人工智能在诊断方面的作用（例如，通过卷积神经网络进行影像诊断）、对疾病预后的预测分析以及个性化治疗方案的制定。他认为，如今人工智能的发展取决于其整合多组学数据（基因组学、蛋白质组学、代谢组学）以对复杂生物系统进行建模的能力 —— 这是对传统计算方法的一次重大跨越。
AIDD颠覆新药研发：
从传统到数据驱动的革新
冯博士认为，药物研发领域正在经历一场由AI技术引领的深刻变革，传统的计算机辅助药物设计 (CADD) 方法逐渐被更为先进、动态且数据化的人工智能驱动药物研发 (AIDD) 方法所取代。这一转变不仅仅是技术工具的升级，更是整个药物研发范式的根本性革新。CADD主要基于量子力学和分子生物学原理，借助分子图形学、分子建模技术与虚拟高通量筛选等工具来模拟和预测药物与靶标间的相互作用，其应用已有近半个世纪的历史。而AIDD则引入了深度学习、机器学习、强化学习等多种AI技术的综合运用，通过自主学习与演进能力，大幅提升了药物研发的效率和精度。
AIDD的核心优势在于其能够整合并分析多组学数据 —— 包括基因组学、蛋白质组学、代谢组学、转录组学、表观基因组学、药物基因组学等 —— 以前所未有的精度识别新的药物靶点。例如，在靶点识别环节，AI算法可以分析海量的基因表达数据、蛋白质相互作用网络和临床数据，发现传统方法难以察觉的疾病相关靶点。AlphaFold2的应用就是这一优势的典型体现。
位于旧金山的Atomwise公司其核心技术平台AtomNet展现了深度学习特别是卷积神经网络(CNN)在小分子药物设计中的强大潜力。AtomNet采用深度卷积神经网络架构，将蛋白质与配体视为由特定化学结构构成的"图像"，通过学习基础有机化学概念如氢键、芳香性和单键碳原子等结构特征来进行药物设计。与大多数依赖已知靶点-配体结构数据进行训练的算法不同，AtomNet通过万亿级化合物的训练，能够独立识别基础有机化学图样，这使得它特别适合针对缺乏已知配体的新靶点或挑战性靶点进行药物发现。AtomNet的成功在于它建立了一种全新的药物发现范式。传统药物发现往往需要已知配体作为起点，而AtomNet可以从头开始探索化学空间，这对于那些"不能成药靶点" (undruggable targets) 尤为重要。
De Novo Drug Design：
药物发现领域最前沿
另一方面，冯博士解释了De Novo Drug Design（药物从头设计）则代表了药物发现领域最前沿的方向之一，其核心目标是从分子层面全新设计出具有理想生物活性和药物特性的化合物，而非基于现有分子进行改良。传统从头设计方法主要包括遗传算法与深度生成方法，但这些方法普遍存在容易陷入局部最优解的问题。近年来，人工智能技术的引入特别是深度学习与数学规划方法的融合，为从头药物设计带来了革命性突破，大幅提升了设计效率与成功率。
具体而言，最新的图注意力生成对抗网络 (Graph Attention GAN) 通过引入注意力机制，能够更精准地捕捉分子间的关键相互作用；而基于扩散模型的分子生成技术则通过渐进式去噪过程，显著提升了生成分子的多样性和新颖性。此外，强化学习与生成模型的结合，如Reinforced GNN，通过引入合成可行性奖励机制，进一步优化了生成分子的成药性。
生成模型在从头药物设计中展现出巨大潜力，生成模型如RNN、GAN和GNN也各有特点。其中，RNN擅长处理序列化分子表示，GAN在生成新颖结构方面表现突出，而GNN则能更好地保留分子的拓扑信息。这些模型共同改变了传统计算药物设计受限于化学空间有限区域的局面，使研究人员能够快速生成具有合成可行性和药物相似性的分子。未来，随着模型架构的进一步优化和训练数据的不断丰富，特别是当量子计算与生成式AI相结合时，生成式AI有望成为从头药物设计的主流工具，并可能实现从靶点识别到候选化合物设计的全流程自动化。
另一方面，虚拟药物筛选 (Virtual Drug Screening, VDS) 的核心价值在于通过计算方法大幅减少需要实验测试的潜在药物分子数量，从而降低研发成本并提高效率。传统药物筛选通常需要在实验室中实际合成化合物并进行生物活性测试，而虚拟筛选则通过计算机模拟这一过程，优先筛选出最有潜力的候选分子，使后续实验验证更加有的放矢。据估计，虚拟筛选可以节省大部分化合物合成以及实际生物测试的时间和花费，大大加快了新药研发的过程并降低了成本。
其中，分子对接技术是虚拟药物筛选的重要手段之一，它通过计算小分子与生物大分子之间的相互作用能和结合模式，预测潜在的活性化合物。传统的分子对接算法已被广泛应用，但它们面临着评分函数准确性不足和计算效率有限等挑战。人工智能技术特别是深度学习的引入正在改变这一局面。
虚拟药物筛选面临的挑战主要包括计算精度与效率的平衡，以及假阳性率控制等问题。在算法层面，机器学习模型被用于优化评分函数，减少假阳性预测；多阶段筛选策略则先使用快速粗略的方法排除明显不合适的分子，再对精选的候选分子进行更精确但耗时的计算，有效平衡了效率与精度。未来虚拟药物筛选的发展将更加依赖人工智能与高性能计算的融合。
“一方面，深度学习模型将更广泛地应用于分子表示学习、相互作用预测和合成可行性评估等环节；另一方面，云计算和分布式计算技术将使更大规模的虚拟筛选成为可能，进一步加速药物发现进程。”冯博士说。
AI重塑临床试验：
从招募到监测的全方位优化
AI在临床试验中的作用是另一个重点话题。临床试验长期以来面临着患者招募困难、试验周期漫长和高退出率等系统性挑战。在患者招募环节，传统方法依赖研究人员手动筛选医疗记录，这一过程通常需要数月时间且效率低下。冯博士指出，目前如Deep6 AI这样的先进平台通过自然语言处理 (NLP) 、机器学习和概念映射（Concept Mapping )等算法，能在几分钟内分析数百万份电子健康记录 (EHR)和其他数据，识别出符合试验入组标准的潜在参与者。Deep6 AI的核心技术在于其能够理解医学术语的各种表达方式（包括缩写和非标准化记录），通过深度学习模型从杂乱无章的临床笔记中提取关键信息。
适应性试验设计（Adaptive Design）则是AI改变临床试验范式的另一个关键领域。传统临床试验采用固定设计，无法根据累积数据进行调整，而AI驱动的适应性设计可以实时分析中期结果，动态调整给药方案、样本量甚至研究假设。例如，基于贝叶斯统计的机器学习模型能够持续评估治疗效果，在保持统计效能的同时，允许更灵活的研究方案调整。这种方法的优势在罕见病和肿瘤学试验中尤为明显，因为这些领域患者群体小且异质性强。AI模型通过整合基因组学、蛋白质组学和临床数据，可以识别出最可能受益的患者亚群，实现精准入组，从而提高试验成功率并降低研发成本。
冯博士认为，患者脱落率的降低同样受益于AI技术。通过分析历史试验数据，机器学习模型能识别可能导致患者退出的风险因素（如不良反应模式、社会经济状况等），并预测哪些参与者更可能提前退出。基于这些洞察，研究人员可以实施针对性干预措施，如调整随访频率、提供交通补贴或加强用药指导。
此外，合成对照组的应用更是前景广阔，特别适合罕见病和进展迅速的疾病领域。在这些情况下，招募足够大的对照组既困难又不符合伦理，因为这意味着许多患者无法获得潜在有效的治疗。AI的合成对照组基于真实世界证据 (RWE)和历史试验数据，提供了可行的替代方案。值得注意的是，这种方法并非要完全取代随机对照试验 (RCT)，而是通过创新设计提高试验效率，加速新药上市，同时不牺牲科学严谨性。随着监管机构如EMA和FDA对AI驱动试验设计的接受度提高，合成对照组有望成为未来临床试验的重要组成部分。
另一方面， 冯博士指出，临床试验中患者群体异质性是导致试验失败和结果不一致的主要原因之一。传统试验入组标准相对宽泛，导致研究人群内在生物学特征和疾病进展轨迹差异显著。AI，特别是深度学习技术，正在提供系统性的解决方案，通过多维数据整合和模式识别，实现更精确的患者分层和富集。
预后富集 (Prognostic Enrichment) 是指选择那些在自然病程中更可能呈现明确临床结局的患者，这可以增加试验的统计效能并减少所需样本量。机器学习模型通过整合临床指标、影像学特征和分子标志物，能够准确预测疾病进展速度。
预测富集 (Predictive Enrichment) 则更进一步，旨在识别最可能对特定治疗产生反应的患者亚群。这需要深入理解药物作用机制与患者分子特征之间的匹配关系。深度学习模型通过分析大规模多组学数据 (基因组、转录组、蛋白组等)，发现预测性生物标志物和耐药信号。 这些技术的共同特点是能够处理高维、多模态医学数据，发现人类专家难以察觉的复杂模式，从而优化临床试验的各个环节。随着更多高质量临床数据的积累和算法不断进步，AI驱动的患者富集策略将变得更加精确和普及。
再者，生物标志物开发是精准医疗的基石，而人工智能正在加速这一过程的每个环节。传统的生物标志物发现依赖于假设驱动的研究，需要大量时间和资源验证候选标志物。例如，在肿瘤学领域，AI算法分析循环肿瘤DNA (ctDNA) 的甲基化模式，已成功开发出能够早期检测多种癌症的液体活检标志物。
真实世界证据 (RWE) 的收集和分析是AI的另一重要应用领域。AI系统通过持续分析电子健康记录、医保索赔数据和患者报告结果，能够发现药物在更广泛人群中的有效性和安全性模式。
此外，诸如提示工程 (Prompt Engineering)、检索增强生成（RAG）以及各种人工智能代理（AI Agent）等新的人工智能工具也被视为能够彻底改变局面的关键要素。
最后，人工智能的应用已从药物发现和临床试验延伸到药品生产和质量控制领域。在制药生产过程中，AI系统通过实时监测数千个工艺参数，能够预测产品质量属性，及时发现偏差并自动调整生产条件。这种预测性过程控制比传统的终点检测更高效，减少了批次失败和物料浪费。
监管框架应对AI发展与时俱进
监管合规是制药行业的另一复杂挑战，AI正帮助企业在满足日益严格的法规要求的同时减少合规负担。监管框架正努力跟上人工智能快速发展的步伐，冯博士全面概述了这一不断演变的监管格局。美国FDA已采取了积极措施，包括成立药品评估和研究中心人工智能委员会 (CDER AI Council)，并在 2025 年 1 月发布了两份重要的指导文件，分别概述了对人工智能在药物研发和数字健康领域的严格验证要求。如今，良好机器学习实践（GMLP）得到了强调，以确保可重复性和在现实世界中的可靠性。
他指出了一些关键区别：美国FDA强调基于风险的分类以及上市后的监测；欧洲药品管理局（EMA）优先考虑透明度和临床验证；日本药品医疗器械综合机构（PMDA）则在其监管沙盒模式中平衡创新与安全。具体而言，欧洲药品管理局采取了更为谨慎的态度，优先进行上市后监测和长期安全监测。相比之下，日本药品医疗器械综合机构采用了快速通道 “沙盒” 模式（Sandbox Model)，以加速人工智能创新。此外，FDA针对SaMD的“预先确定控制变更计划”（PCCP）意义重大。该计划旨在提前规划 SaMD 在整个生命周期中可能出现的变更情况，通过预先设定好的控制策略与变更流程，确保变更过程安全、有效且可追溯，有助于在保障公众健康的前提下，推动 SaMD 技术的合理创新与发展 ，增强监管的科学性和预见性。
人工智能虽然已经展现出了卓越的准确性，但挑战依然存在。“AI幻觉”现象 (AI Hallucination) , 即人工智能生成看似合理但实则错误的输出, 构成了重大风险，尤其是在关乎重大医疗决策的情况下。必须解决训练数据集中存在的偏差问题，以避免出现有失偏颇的结果。另外，可解释性，即解读人工智能决策过程的能力，仍然是获得监管批准的关键障碍。网络安全也是一个紧迫的问题，需要更多的投入去解决。
展望未来，冯博士描绘了一幅充满远见的未来图景：人工智能将从当前的定向任务应用（窄域人工智能，ANI）向通用人工智能（AGI）演进，具备自主进行科学发现的能力。多组学整合和数字孪生技术有望实现超个性化医疗，在这种医疗模式下，治疗方案不仅根据患者的基因进行定制，还会考虑到他们的生活方式、环境以及实时生物特征数据。虽然超级人工智能（ASI）的概念仍处于推测阶段，但它有望通过以前所未有的规模模拟分子相互作用，解决一些医学上最棘手的难题，如神经退行性疾病和其它现今依然无药可治的疾病等。
在演讲的结尾，冯博士向参会者发出了呼吁，倡导大家不应仅仅将人工智能视为一种工具，而应将其看作医疗创新中具有变革性的合作伙伴。他认为，未来十年将带来比过去一个世纪更多的突破，而那些能够适应变化的人将引领潮流。冯博士更向与会者号召：将人工智能融入日常工作流程。随着人工智能弥合数据与发现之间的差距，其对医疗保健领域的影响只会日益加深。“这场革命已然在进行之中，未来已来。”冯博士最后说。
本次活动得到了由广州国际生物岛、广州国际生物岛集团有限公司、博济医药科技股份有限公司的大力支持，此次讲座吸引了岛内多家生物医药企业代表。冯博士的足迹跨越医药、监管、创投界等多个领域，积累了三十多年的丰富经验。如今，他期望将更多精力投入到人才培养和教育事业，贡献自己的智慧与经验。
拓展阅读：一个制药人的足印 | 遇见Mann博士
广州国际生物岛（中以合作区）管理委员会主任黄伟坚发表了开场致辞。广州生物岛是一座以生物医药产业为核心的高科技生态岛。自规划建设以来，生物岛始终秉承“绿色生态、科技创新、生命健康”的发展理念，致力于打造成为国际一流的生物医药创新基地。
博济医药吴桂宝博士分享AI赋能新药研发的创新实践，介绍了博济医药如何全面拥抱AI技术，在新药研发的各个环节取得的成果。在服务流程中，AI技术深度融入“一站式、全流程”服务，从靶点筛选到临床试验优化，提高了研发效率和成功率。
冯博士和部分参会人员合影
总第2417期