AI在生物医药领域的应用案例 - 一位科技从业者利用以ChatGPT为代表的AI工具，成功为其患有罕见恶性肥大细胞癌的爱犬Rosie研发了定制化的mRNA癌症疫苗[3][4][5] - 经过两针疫苗接种后，狗狗腿上的肿瘤缩小了50%，精神和体力显著恢复，生活质量大幅提高[6][24][26] - OpenAI总裁Greg Brockman确认这是首例专为犬类设计的个性化癌症疫苗[7] AI辅助治疗的具体过程 - 在传统手术和靶向药均无效的情况下，主人通过ChatGPT获取治疗思路，AI建议采用免疫疗法并指明基因测序方向[10][11][12] - AI引导主人联系了新南威尔士大学的拉马乔蒂基因组学中心进行基因测序，并借助AlphaFold确定了突变蛋白及潜在靶点[13][14][15] - 在申请使用人类免疫疗法药物被拒后，主人联合新南威尔士大学RNA研究所转向定制mRNA疫苗[16][18] 技术突破与行业影响 - 一位没有生物学背景的数据工程师，凭借AI辅助成功编写出了mRNA疫苗的配方代码，展示了AI降低专业门槛的潜力[19][21] - 该案例表明，AI工具（如ChatGPT、AlphaFold）在解读生物学知识、处理基因数据、确定药物靶点等环节能提供关键支持[12][14][15] - 整个治疗过程经过了长达三个月的严格伦理审批，涉及大量申请文件，确保了技术的合规应用[31][32][33]

文章核心观点 - 清华大学研究团队在《Science》上发表论文，推出AI驱动的超高通量药物虚拟筛选平台DrugCLIP，该平台通过深度对比学习技术，实现了基因组级别的药物虚拟筛选，在速度、范围和准确性上取得突破性进展，为针对大量未成药靶点（占人类蛋白靶点的90%）的药物发现开辟了新路径 [1][6][11] 技术突破与平台能力 - 平台核心能力：DrugCLIP平台利用AI从海量化学分子中快速筛选出与疾病相关蛋白结合的候选药物分子 [3] - 筛选速度：在128核CPU加8张GPU的计算节点上，平台日处理能力达10万亿次蛋白-分子配对计算，相比传统方法实现了百万倍的速度提升 [4][36] - 技术原理：采用对比学习训练两个AI编码器，分别为蛋白质结合口袋和化学分子生成特征向量（画像），将筛选问题转化为高效的向量相似度检索问题 [22][23][32] - 预训练创新：通过从蛋白质结构数据中构造550万组“假分子”与“假口袋”样本进行预训练，再以真实数据微调，提升了模型的泛化能力和精度 [29][30] 解决的传统药物筛选痛点 - 传统方法慢：以筛选1万个靶点、每个靶点面对10⁹个候选分子为例，传统分子对接需完成约10¹³次计算，即使使用最先进工具也需要2亿CPU天 [12][13] - 传统方法无从下手：许多疾病相关蛋白缺乏实验测得的二维结构，且有效分子被大量无效分子噪声淹没 [15][16] - 传统方法范围窄：受限于算力成本，筛选工作难以在全基因组尺度上推进，只能围绕热门靶点进行 [18] 验证效果与实验成果 - 基准测试表现：在标准虚拟筛选基准测试DUD-E、LIT-PCBA中，DrugCLIP在富集有效分子方面明显优于传统分子对接工具和多种已有AI方法，且在LIT-PCBA上筛选速度远超其他方法 [37][38] - 模型稳定性：对结构误差、陌生蛋白家族及未见过的分子类型均表现稳定，未出现场景失灵问题 [39] - 抑郁症靶点验证：针对一个抑郁症相关蛋白，从筛选出的78个分子中找到8个激动剂，其中最佳分子的结合能力达到21nM（100nM以下为优秀水平），在细胞系中显示显著活性 [42][43] - 去甲肾上腺素转运体（NET）验证：针对2024年刚解析出结构的NET靶点（与抑郁症、多动症、疼痛相关），从160万个候选分子中筛出约100个高评分分子，实验显示其中15%为有效抑制剂，12个分子的结合能力优于现有抗抑郁药物安非他酮 [44] - 基于预测结构的验证：针对仅由AlphaFold2预测结构、无已知抑制剂的癌症与帕金森病相关蛋白TRIP12，从160万个候选分子中筛选出约50个高评分分子，并通过冷冻电镜解析复合物结构验证了结果的可信度 [47][48][49][45] 首次完成基因组规模筛选 - 全局筛选成就：研究团队首次完成了覆盖人类基因组规模的虚拟筛选项目，覆盖约1万个蛋白靶点、2万个结合口袋，分析了超过5亿个小分子，并富集出200万余个高潜力活性分子 [54] - 数据开放：构建了目前已知最大规模的蛋白-配体筛选数据库，相关数据已面向全球科研社区全部对外开放 [7][55][59] 行业影响与未来方向 - 解决未成药靶点难题：人体内约2万个编码蛋白质的基因中，目前仅有10%的蛋白靶点拥有成熟药物，剩余90%尚未找到药，DrugCLIP为此提供了新的解决方案 [10][11] - 打通关键研发通道：该平台打通了从AlphaFold结构预测到药物发现的关键通道，为后AlphaFold时代的创新药物发现带来新可能性 [6][55] - 未来合作方向：未来将与科研产业生态合作伙伴深度合作，在抗癌、传染病、罕见病等方向加速新靶点与First-in-class药物的发现 [64]