AI制药狂奔之后,“计算医学”开始补上极其艰难的一块

36氪品牌·2026年11月20日 14:16
十五五提计算医学,以新范式破AI制药落地瓶颈

 AI制药发展到今天,出现了一个有些反直觉的现象。

一边,是模型能力的快速跃迁。AlphaFold之后,蛋白质结构预测已经发生根本变化,生成式AI开始进入蛋白设计、小分子设计、抗体发现,生命科学基础模型、大模型和科研智能体不断出现。2026年,OpenAI发布面向生物学、药物发现和转化医学的GPT-Rosalind。Isomorphic Labs获得21亿美元融资继续扩张AI药物设计平台。Anthropic甚至开始把AI能力延伸到真实的生物实验环境。

但另一边,药物研发关键的一些指标,并没有以相同速度改变。

今年8月,《Nature Reviews Drug Discovery》对过去十年的AI药物发现进行了一次相当冷静的复盘:AI技术能力的进展毋庸置疑,但截至目前,在真正具有临床意义的结果上,能够证明AI显著改善药物研发的证据仍然有限。

论文指出的问题并不只是算法还不够强,而是更基础的错位:模型往往围绕“现有数据可以预测什么”来开发,而不是围绕“药物研发最重要的决策需要回答什么”来设计。生物数据本身又高度依赖实验条件、患者差异和环境因素,一个在benchmark上表现更好的模型,并不天然意味着一个更好的研发决策。

也正是在这个时间点,9月18日发布的《医药工业发展“十五五”规划》中,出现了一个过去并不算大众化的词:

计算医学。

十部门发布的《规划》提出,“加快人工智能、量子计算、超级计算、计算医学等新技术赋能药物研发”。到2030年,中国首创新药(FIC)占全球比例目标达到25%以上,创新药产业规模年均增速达到20%以上。

如果只把这理解为政策文件又增加了一个AI相关概念,可能低估了这个词出现的位置。因为“计算医学”和它前面的几个词,并不是同一种东西。

AI、超算是能力,计算医学更像是一个问题框架

人工智能是一种通用技术;超级计算提供基础计算能力;量子计算试图拓展未来可计算问题的边界。而计算医学首先需要回答的是:

这些能力,在医学里究竟应该拿来计算什么?

这个区别非常重要。

过去几年,AI制药较为成熟、容易量化的一批成果,主要集中于蛋白质结构、分子生成、虚拟筛选、性质预测等环节。它们有一个共同特点:问题相对容易被形式化。

给定一个蛋白,预测结构;给定一个靶点,寻找结合分子;给定一个分子,预测某种性质。

但从药物进入人体开始,问题会迅速改变。一个靶点在细胞实验中有效,并不意味着它在人体疾病系统中依然是决定性因素;一个分子的结合能力很好,也不能说明哪些患者会真正获益;即使一个药物能够改变某条信号通路,也仍然要面对代偿机制、免疫微环境、组织差异以及患者异质性。

因此,AI药物研发越往后走,研究对象越不像一个单独的“分子问题”,而越来越像一个复杂系统问题。

《Nature Reviews Drug Discovery》今年讨论AI药物研发局限时,也特别强调了这一点:生命科学数据具有很强的条件依赖性,而早期研发阶段容易获得和训练的数据,与真正决定临床结局的问题之间,存在明显距离。

换句话说:AI已经越来越擅长解决一个定义清楚的问题。医学接下来更困难的部分,是如何把真正重要的疾病问题定义清楚。

计算医学试图进入的,正是这里。

计算医学不是一种算法,而是一整套“模型化医学”的尝试

“计算医学”目前并没有一个全球统一的工程标准。

在国内产业语境中,赵宇团队是较早系统提出并持续推广这一概念的团队之一。2020年前后,相关公开讨论已经把计算医学描述为一种将生物医学知识、生命数据、数学模型、人工智能和高性能计算结合起来,试图从系统层面理解疾病的方法;2023年,赵宇、张春明、谭光明进一步在论文中把计算医学定义为药物创新的“底座技术”,核心之一是通过多尺度生物数据建模,获得对疾病机制和药物疗效机制的理解,并服务研发决策。

这里相对值得关注的,其实不是“计算医学”这个名字,而是它背后的技术对象发生了变化。

传统计算机辅助药物设计的模型对象,可能是一个分子、一段序列或者一个蛋白。计算医学希望建立的模型,则可能是:一个细胞状态;一种组织微环境;一类疾病;一组具有共同生物学机制的患者;甚至一个患者在不同治疗干预下可能出现的疾病轨迹。

一旦研究对象变化,所需技术栈也会发生变化。它不仅需要机器学习,还会涉及知识图谱、多组学整合、机制模型、因果推断、药代动力学模型、真实世界数据、患者分层以及数字孪生。

所以严格来说,计算医学更接近一个跨尺度建模和决策体系,而不是某一个新的AI模型。

一个很有意思的变化正在监管端发生

判断一种研发范式是否正在成熟,一个重要信号并不是有多少创业公司进入,而是监管机构是否开始接受它产生的证据。

这方面,2025—2026年出现了几个值得注意的变化。

2025年,FDA提出逐步减少部分药物研发中的动物试验要求,并明确提出使用AI计算模型、类器官等New Approach Methodologies补充甚至在特定场景替代传统动物实验。2026年的后续进展中,FDA又披露已经先一步完成AI药物开发工具的资格认定。

另一个更直接的信号来自MIDD——Model-Informed Drug Development。今年6月,FDA发布ICH M15《模型指导药物研发一般原则》最终指南,进一步形成了更统一的模型评价、证据生成、报告和监管沟通框架。

与此同时,数字孪生也开始从概念展示进入临床试验方法学讨论。今年6月,来自剑桥大学以及阿斯利康、GSK、武田、赛诺菲等机构的研究者在《npj Digital Medicine》发表路线图文章,讨论如何将因果推断和数字孪生用于患者分层、治疗效果异质性分析、试验设计和患者轨迹模拟。

值得注意的是,这篇论文对数字孪生的定位相当克制:在探索性研究和早期试验中,可以发挥更大的优化作用;到了确证性试验和监管阶段,则必须进入预先定义、严格验证的使用场景。

这可能代表了计算医学未来真正进入产业时的一条基本原则:

不是模型越大,能够参与的临床决策就越重要;恰恰越接近临床决策,验证要求越高。

真正的瓶颈已经从“有没有模型”变成“模型能不能做决定”

这可能也是未来五年计算医学极为困难的技术问题。

今天一个生物医学模型做到AUC 0.9,并不罕见。真正困难的是:这个AUC是在什么人群里得到的?换一个医院还能不能成立?换一种治疗方式呢?三年以后疾病状态改变以后呢?模型学习到的是疾病机制,还是某家医院的检测习惯?患者治疗以后,这些变量之间的关系会不会发生改变?

这正是生物医学AI与很多互联网AI应用关键的区别。语言、图像等领域可以依赖海量数据学习稳定的统计规律,而医学数据高度条件化。患者基因背景不同、疾病阶段不同、治疗历史不同、样本处理方式不同,甚至两个实验室完成的同一种检测,都可能引入系统性差异。

更麻烦的是,医学真正需要解决的是干预问题。临床关心的并不是“这个患者过去长得像谁”,而是:如果给他药A,会发生什么?如果给他药B,又会发生什么?如果什么都不做呢?

这从预测问题进一步进入了因果问题。

因此,未来计算医学如果真的要成为一种产业基础设施,评价模型的方式可能必须发生变化:从“预测准不准”,转向“能不能改善研发决策”。这也是今年《Nature Reviews Drug Discovery》提出的一条重要建议:AI药物研发的benchmark需要逐渐离开单纯的模型验证,转向评估模型是否真正改善项目决策。

中国为什么现在把它写进去?

从技术条件看,这个时间点并不意外。

中国已经拥有越来越完整的基因组、多组学、医学影像、病理和临床真实世界数据积累;高性能计算基础设施持续发展;AI模型本身也进入了能够处理科学文献、基因组学、药物化学甚至调用科研工具的新阶段。

《十五五》本身也没有把“计算医学”孤立部署。同一份规划同时提出深化人工智能赋能、推动数智转型、培育精准诊疗新范式、畅通临床高效转化通道。

这几件事情实际上存在一条潜在连接:

规划中布局的各项新技术并非相互割裂,而是串联起了一套完整的医药创新体系。依托丰富的多维度生物数据,通过智能计算模型深化对疾病机制的底层认知,进而支撑精准的药物研发决策,最终形成标准化、可落地的临床证据。

计算医学可能恰恰位于这条链条中间。它向上承接AI、算力和生命科学数据,向下连接靶点发现、患者分层、临床研究和精准治疗。

也因此,计算医学最终能否成立,并不取决于能不能出现一个足够惊艳的大模型。它更取决于这条链能不能真正闭合。

写进规划之后,更需要一次“去概念化”

当然,任何一个技术名词进入政策和产业热点之后,都会面临一个风险:什么东西都开始被重新命名。

生物信息学可以叫计算医学,AI制药可以叫计算医学,一个疾病预测模型也可以叫计算医学。如果最终只是完成一轮概念替换,这个新赛道不会产生太大的技术增量。

未来真正值得观察的,反而是几个非常具体的问题。

计算模型是否发现了此前不知道的疾病机制?它是否产生了新的、可以实验验证的靶点假设?它是否能够比现有方法更准确地找到药物响应人群?它是否能够在临床试验之前识别一个大概率失败的项目?一个虚拟患者模型能否在前瞻性研究中预测真实患者的治疗结局?监管机构是否愿意接受这些模型产生的证据,用于真实的研发决策?

如果这些问题没有答案,“计算医学”仍然只是一个方法论愿景。

如果它们开始一个个得到答案,情况就完全不同了。因为那意味着计算机在医药研发中的角色,将发生一次非常关键的变化:

过去,计算机主要帮助科学家处理数据和设计药物。未来,它可能进一步帮助科学家建立疾病模型,并在模型中检验治疗假设。

这也是“计算医学”被写进《十五五》后真正值得关注的地方。

它并不意味着这个领域已经成熟。

恰恰相反。

它意味着接下来五年,行业需要开始用临床结果证明它。

+1
7

好文章,需要你的鼓励

参与评论
评论千万条,友善第一条
后参与讨论
提交评论0/1000

36氪AI测评

选靠谱AI,看真实评测
查看
36氪AI测评官方交流社区
加入

36氪项目推荐

咨询项目审核和入驻
联系
36氪项目推荐订阅号
关注

下一篇

安纳塔拉重回重庆,本土高端为何难以挣脱国际品牌怀抱?

7小时前

36氪APP让一部分人先看到未来
36氪
鲸准
氪空间

推送和解读前沿、有料的科技创投资讯

一级市场金融信息和系统服务提供商

聚焦全球优秀创业者,项目融资率接近97%,领跑行业