DNA双螺旋，到革新疫苗研发的mRNA技术，再到今年在外周免疫耐受方面的发现，诺贝尔医学奖的殿堂，始终铭刻着人类解析生命复杂性的智慧丰碑。当本年度诺贝尔奖再次将聚光灯给予基础生命机理的发现时，另一个问题随之浮现：我们如何才能更快地将这些发现转化为拯救数千万生命的药物？

　　相比于传统医疗研究要从浩如烟海的数据中找到关联性，如今人工智能技术的崛起可以更高效、更便捷地从多维的医疗数据中精准挖掘出潜藏的价值与规律。一场由AI驱动的科学革命正在制药领域上演，其速度之快、影响之深，可以媲美诺贝尔奖级别的科学突破。

　　那么AI驱动的数据分析能够为生物医疗行业带来怎样的变革呢？在不久前举行的2025人工智能计算大会（以下简称AICC 2025）上，我们有幸采访到了全球健康药物研发中心（GHDDI）数据科学部负责人郭晋疆博士，并请教了不少AI制药产业与人才培养的相关问题。

　　作为全球健康药物研发中心（GHDDI）数据科学部负责人，郭晋疆的工作就是专注于利用人工智能技术加速创新药物研发，目前聚焦于结核病、疟疾等领域。但与大众印象中的生物专家不同，郭晋疆的本科到博士学的是计算机专业。

　　“我最初接触的是基于AI的医学图像分析，比如通过图像识别检测敬老院老人摔倒以及利用3D影像重建分析骨折情况”，郭晋疆回忆道，“这段经历让我第一次意识到，AI技术可以在医疗健康领域发挥实际价值。”

　　而真正促使他跨界转型的，是更深层的职业思考与个人经历。郭晋疆的姑姑是一名曾支援非洲的医生，亲眼目睹了疟疾、结核等疾病对当地居民的折磨。“她告诉我，在赤道几内亚，疟疾、结核和HIV多病并发的情况极为普遍。这些见闻让我深感震撼，也让我坚定了将AI技术应用于药物研发的决心。”

　　这正代表了不少“南方国家”的医疗窘境。其实早在25年前的《全球卫生研究论坛报告2000》中，就首次系统地提出并阐述了“10/90差距”这一概念——只有不到10%的全球卫生研究资金被用于针对影响全球90%人口的健康问题的研究。随后，这一数据被不断重申、验证和深化，使其成为全球卫生政策讨论中的一个标志性术语，也是中低收入国家医疗难题的直接体现。

　　“因此，当我了解到AI可以参与药物设计时，仿佛打开了一扇新的大门。特别是了解到全球健康领域面临的挑战——许多被称为穷人病的传染病，由于商业回报低，药物研发投入严重不足。”也正是怀着强烈的正义感和使命感，郭晋疆投身于AI制药领域的发展，用最前沿的AI技术，帮助最匮乏的人群，这才是最有价值的创新。

　　提到制药，许多人第一印象就是实验室中复杂的显微镜、瓶瓶罐罐和忙碌的白大褂科研人员。其实，这种传统的药物研发已经部分被AI应用所取代——相比于复杂、枯燥的药物特性分析、比对与实验，如今的AI制药已经从概念验证进入实质产出阶段。

　　据行业权威分析机构Deep Pharma Intelligence (DPI）发布的《2023年AI制药行业全景图与趋势报告》统计：2015年全球仅有少数几个由AI驱动发现的候选药物进入了临床试验阶段，而到2023年这一数字已增长到近90个，年复合增长率超过60%。几个月前，全球首款AI原创药物公布IIa期临床试验数据公布，初步验证了该AI原创药物分子的安全性和有效性，成为全世界进展最快的AI药物。

　　这一切都是AI发展为生物制药行业带来的显著变化，也证明AI制药已经成为更高效率、更多创新的典型代表。为了进一步提升研发效率、优化研发成果，郭晋疆团队打造出了一站式药物研发平台“AI孔明平台 （AI KONGMING）”，该平台集物理建模、数据驱动算法、基础大模型等技术架构于一身，通过自主开发的系统与工具，解决药物发现流程中的实际问题，探索技术创新，构建基础技术，赋能更高效的药物研发。

　　“我们的平台不仅包含基础的分子生成模块，还整合了靶点验证、活性预测、毒性评估等全流程工具。更重要的是，我们建立了持续学习的机制，每次实验数据都会反馈到系统中，优化下一轮设计。”郭晋疆解释说，传统制药过程中，靶点发现依赖大量文献研究和试错实验，通常需要几年时间；而通过AI分析多组学数据、科学文献和临床数据，可以将这一过程缩短至数月。

　　比如全球健康药物研发中心关于结核病菌关键靶蛋白做的新药生成和发现，郭晋疆团队最终挑选了8款小分子，都表现出了非常良好的生物活性。如果按照传统方案从头开始设计、从化合物库筛选的线年的时间才可能找到个位数左右的一些苗头化合物，但借助于AI技术整个团队只用了三个月的时间就取得了骄人成绩，效率大幅提升。

　　AI技术带来的分子生成环节进步更为显著。基于生成式AI的分子设计模型，郭晋疆团队携手微软研究院、中国科技大学共同设计开发的TamGen开源化学语言模型，能够在1000万个来自PubChem的SMILES序列上进行预训练，自回归地生成合理的化合物序列。“对生成的分子骨架我们也查重了，在实际商业化合物库里重复率几乎低于1%。”在谈到AI制药应用价值的时候，郭晋疆自豪地表示。

　　实PG电子通信践出真知。得益于TamGen强大的AI能力，研究团队发现了14个对结核ClpP蛋白酶具有良好抑制活性的化合物，展示了AI技术在药物研发中的巨大潜力，也证明了AI技术对于生物制药的强大推动作用，很大程度上改变了传统制药模式。

　　既然AI制药已经取得了可喜的成绩，是不是我们强化人才培养、创新药物制造，就可以让更多人免于痛苦、摆脱病魔呢？事实PG电子通信上，类似郭晋疆这种复合型人才一直是凤毛麟角，复合型人才的稀缺性也是困扰行业的难题。甚至不仅仅在生物制药领域，包括物理、化学、材料等诸多研究领域都有类似的问题，正如郭晋疆所说：“我们需要创新的AI算法和高效的AI算力，更需要既懂AI又懂生物制药的复合型人才，因为这两种学科有着完全不同的思维模式和方法论。”

　　所谓“生物”，本质就在于“生”。“生”意味着不断地变化，也天然形成了学科实践的冲突。一方面，计算机科学追求确定性和可重复性，而另一方面生物学充满不确定性和复杂性。“当计算机背景的研究人员第一次看到同一次实验在不同批次间结果差异达到30%时，往往会感到困惑。而生物学背景的研究人员则可能对AI模型的黑箱特性持怀疑态度。”郭晋疆补充道。

　　这不由得让我想到了量子物理中的“测不准”问题，而要解决这个问题就需要从更高维度观察，也同样要求科研人员具备学科交叉的视野和经验。为应对人才缺口的挑战，国内外高校也正在进行一系列教育改革，通过计算机与生物学、医学等学科的结合，培养学生广阔的专业视野和灵活的思维能力。比如，北京大学开设了“大数据与生物医学人工智能系”，学生在学习计算机知识的同时，还需完成分子生物学、药理学等核心课程；而浙江大学健康医疗大数据国家研究院则自主申报并设立了“大数据健康科学”二级学科，强调通过实际科研项目培养跨界思维等等。

　　我们常说学以致用，除了高校层面的知识体系建设之外，科研机构也需要提升学生的专业动手能力，让学生在实验、实操中逐步成长。为此，郭晋疆团队与多所高校合作，推出了相关实训计划。“我们让计算机相关专业的学生在实验室跟岗学习，亲眼观察生物学家、化学家们进行化合物合成、活性测试的全过程。这样不仅能够为他们留下深刻的记忆，更优化了他们对于数据特性的理解，进而对算法、架构等层面进行正向调整。”

　　现代药物研发涉及多类型数据，包括化学结构、生物活性、基因组学、蛋白质组学、临床数据等，而面对庞大且复杂的数据模型，要在几十万上百万个分子中发现有价值的某个分子，仅靠人力已经难以遍历，必须要借助AI的帮助。

　　比如以往进行50万化合物分子库的筛选，需要科研人员一个个地实验，需要巨大的人力物力和财力。但如今如果通过生成分子加AI的预测的方案，可以过滤十之七八的干扰项，这样就将苗头化合物的发现率提升到了十倍甚至二十倍，将原本的十万份筛选降低到了几万甚至几千份，大大提升了研发效率。

　　这也正是AI制药的最终目标——建立全自动的“设计-合成-测试-学习”循环。而随着AI在药物研发中扮演越来越重要的角色，相关的伦理和治理问题也日益凸显。在采访中郭晋疆强调，模型的可解释性不仅是个技术问题，更关乎患者安全和监管信任。他同时呼吁重视医疗数据的保护与应用问题，更希望从国家层面、行业层面建立有效的数据应用和流通机制，解决现有数据孤岛和壁垒，实现真正意义上的数据共享。

　　无论AI技术如何迭代、复合型人才培养如何艰难，这场由AI驱动的制药革命，正在以前所未有的速度推进。据全国组织机构统一社会信用代码数据服务中心统计——截至2025年2月底，中国“AI+制药”企业数量达540家；分析机构PharmaTrend更预测2025年AI将为制药行业创造3500亿-4100亿美元年价值。

　　我们有理由相信，随着算力水平的不断强化，AI技术不断成熟和研发水平的不断提升，越来越多郭晋疆这样的复合型人才深入行业，在不久的将来，AI将帮助人类攻克更多疾病，帮助越来越多的人摆脱病魔纠缠，为全球健康带来新的希望。

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　江苏一女子4年精准3次“卡点怀孕” 连生3胎免收监 若再次怀孕可抵扣全部刑期

　　向灾区捐赠物资被收1180元过路费是否合理？胡雷婉拒当地干部凑钱报销，百色高速：如符合规定，可补办手续退费

　　字节张一鸣隐退4年后罕见公开发言，要在上海寻找16至18岁AI天才少年

　　人类幼崽对电话手表有多好奇，宝宝：我又不识字，网友：这孩子怎么又显老又显小的

　　坚果 N5 系列投影发布：4K 画质 + 无损镜头，国补价 7499.2 元起

　　惠普 Z2 Mini G1a 迷你 AI 工作站图赏：横竖都能放，小巧又时尚