2026 年被行业视作 AI 制药的临床验证之年,Insilico Medicine 团队在《Nature Biotechnology》刊发随机双盲临床试验结果,证实 AI 生成的单分子候选药物可以带来生物年龄指标正向变化,验证 AI 在单一靶点小分子新药发现领域的现实价值。

与此同时行业也逐步形成共识:天然产物、多活性原料组成的复合制剂,面对的研发难题和单分子药物截然不同。单分子研发的目标是寻找针对特定靶点的最优小分子;复合制剂的核心难点,是预判众多活性成分之间究竟是互相增益,还是彼此拮抗抵消。

根据 PMC 药物组合研究,多成分研发会遇到 “组合爆炸” 问题,仅 10 种候选活性物质,待评估的相互作用组合即可超过 1000 组,传统湿实验很难完成全部验证。LAIFE母公司Regenerative Bio开发的RevOrgan平台面向复合配方的研发探索,为 AI 制剂另一条技术路线提供观察样本。

传统 AI 药物发现擅长单分子,难以适配复合配方

当前主流 AI 辅助药物设计(AIDD)体系,大多建立在单靶点?单分子研发逻辑之上。MIT 团队发表于《Nature Aging》的图神经网络研究,能够从 2352 个化合物中筛选具备清除衰老细胞潜力的候选分子,在单分子筛选任务表现突出,但这套框架并不擅长处理多成分之间复杂交互关系。

组合数学可以直观理解该难点:配方包含 10 种候选活性成分,待评估相互作用组合就超过 1000 种;当成分扩大至 20 种,待评估组合呈指数级膨胀,依靠细胞、动物湿实验很难完成全部筛选。

npj Computational Materials 2025 年来相关研究表明,传统实验模式下大规模配方组合筛选效率低下,机器学习方法可以将配方筛选效率提升至随机尝试的 2?3 倍,但前提是搭建专门面向协同效应的预测模型。传统单分子 AI 大多只解析分子二维化学结构,缺少通路协同、代谢拮抗、ADMET 安全性综合评估,直接用于复合配方设计会存在明显短板。

搭建协同预测模型,AI 重构复合配方研发流程

针对复合配方的行业痛点,RevOrgan平台没有沿用单分子药物研发思路,搭建 “原料筛选 — 机制解析 — 配方优化” 完整系统,专门开发成分协同与组合优化子模型,用于判断多种原料之间增强、互补或者拮抗关系。

平台整合海量生物医学文献、蛋白靶点、代谢通路、ADMET 安全性数据库,不只解析分子化学结构,同时评估成分进入人体后的器官分布、通路交互与代谢风险。

Pharmacology Research & Perspectives发表的动物实验数据显示,相较于单独使用 NMN,NMN 联合白藜芦醇干预,心脏 NAD + 水平提升约 1.59 倍,肌肉 NAD + 水平提升约 1.72 倍。

RevOrgan借助 AI 仿真进一步对二者配比做模拟推演,寻找协同效应更优的配比区间。

需要客观厘清边界:AI 仿真仅完成数字空间的预测推演,仿真结果不能等同于人体真实生理反应。AI 输出候选配方之后,必须经过细胞试验、多器官类器官模型开展体外湿实验验证;该平台当前落地的制剂产品属于膳食营养补充剂,并非新药研发管线,不能替代药物用于疾病治疗。

AI 制剂研发正在分化为两条技术路线:一条是已经进入临床阶段的单分子创新药路线;另一条是面向天然产物的复合配方研发路线。复合配方赛道的核心考验,不再是识别单个活性分子,而是对多成分协同、拮抗效应的综合预测能力。

AI 可以大幅压缩前期组合筛选的试错成本,但干湿实验验证的环节无法被算法替代。把 AI 仿真预测和细胞、类器官、真实世界队列观测结合起来的闭环模式,或将成为天然产物复合制剂研发值得探索的新方向。