本文档为类型b：科学论文，但不是单一原创研究报告，具体而言，是一篇关于人工智能（AI）驱动药物发现平台的综述性学术文章。以下是根据文档内容撰写的学术报告。

作者与发表信息

本综述文章由澳大利亚格里菲斯大学生物医学与糖组学研究所癌症细胞生物学与药物发现中心的Mahendiran Dharmasivam*、Busra Kaya、Adedoyin Akinware、Mahan Gholam Azad和Des R. Richardson*共同撰写。通讯作者为Mahendiran Dharmasivam博士和Des R. Richardson博士。文章发表于药理学领域的权威期刊《Pharmacological Reviews》（药理评论），预计在2026年出版的78卷，文章识别号为100102。文章在线发表日期标注为2025年，由美国药理学与实验治疗学会授权，爱思唯尔出版。

论文主题

文章标题为“领先的人工智能驱动药物发现平台：2025年格局与全球展望”。文章旨在全面、批判性地审视并比较了当前（截至2025年）全球范围内处于领先地位的人工智能（AI）驱动药物发现平台，分析它们的技术路径、临床管线进展、最新动态（2024-2025年更新），并探讨了相关的监管、伦理考量以及AI与机器人技术融合的未来趋势。文章的核心论点是：AI已从实验性探索发展为临床实用工具，正在重塑药物发现的范式，通过缩短时间线、降低损耗率和扩展治疗候选物的设计空间，有望加速药物研发进程。

主要观点与论述

观点一：AI药物发现已进入临床验证阶段，五大领先平台代表了不同的技术路径并已取得实质性进展。 文章开篇即指出，AI已经从理论承诺发展为药物发现领域的一股切实力量，到2025年中期已有数十种AI设计的新药候选物进入临床试验，这标志着从2020年几乎为零的飞跃。为了深入分析AI的实际成效，文章重点剖析了五家成功将新候选药物推进至临床阶段的领先AI驱动药物发现公司。这五家公司及其核心AI方法构成了文章的主体分析框架： 1. Exscientia（英国）：以生成式设计和“人马化学家”方法著称。其平台整合深度学习和患者衍生生物学，旨在压缩“设计-合成-测试-学习”循环。文章详述了其里程碑成就（如首个进入I期试验的AI设计药物DSP-1181）以及2024-2025年的动态，包括战略管线聚焦（重点开发CDK7抑制剂GTAEXS-617和LSD1抑制剂EXS-74539）以及与亚马逊云服务合作的自动化平台扩展。然而，其最重大的变化是在2024年8月被Recursion Pharmaceuticals以6.88亿美元并购，旨在整合生成化学与表型组学，创建“AI药物发现超级力量”。 2. Recursion Pharmaceuticals（美国）：采用高通量表型发现策略。其核心是“Recursion操作系统”，通过自动化实验室每周进行数百万次细胞实验，利用计算机视觉和机器学习分析细胞表型图像，以无偏见的方式发现药物机会。文章介绍了其庞大的数据规模（超过21 PB的图像数据）和临床管线（如用于脑 cavernous malformation 的REC-994），但也指出了早期临床试验结果喜忧参半，部分项目因疗效不足而终止。2024年对Exscientia的收购是其关键战略，旨在结合表型筛选与精准化学设计。文章还强调了其在计算能力上的巨大投入，如构建BioHive-2 AI超级计算机以及开源蛋白质结构预测模型Boltz-2。 3. Insilico Medicine（香港/纽约）：代表了端到端AI和生成式成功的典范。其Pharma.AI平台集成了靶点发现（PandaOmics）、分子生成（Chemistry42）和临床试验预测（InClinico）模块。文章重点介绍了其标志性成就：针对特发性肺纤维化（IPF）的TNK抑制剂ISM001-055（后更名为Rentosertib）。该药物从AI发现靶点到进入I期临床试验仅用了约18个月，并在2024年中国的IIa期试验中显示出积极的疗效信号（60mg剂量组用力肺活量平均增加98ml，而安慰剂组下降20ml），相关结果于2025年6月发表在《自然医学》上，使其成为首个进入II期试验的完全由AI开发的药物。文章认为这是AI驱动药物发现概念验证的成功案例。 4. BenevolentAI（英国）：专注于知识图谱驱动下的药物靶点发现和再利用。其平台整合海量科学文献和生物医学数据，通过自然语言处理和图形机器学习发现基因、疾病和化合物之间的新关联。文章列举了其成功案例：在2020年新冠疫情中快速识别出已上市药物Baricitinib（JAK抑制剂）用于治疗COVID-19的潜力，并最终获得紧急使用授权。然而，文章也将其作为“警示性案例”，详细分析了其内部研发的首个AI衍生药物BEN-2293（用于特应性皮炎的pan-TRK抑制剂）在IIa期试验中未能显示疗效而失败。这一失败导致了公司战略重组、裁员和业务重心向技术提供商模式转变，凸显了AI假设仍需经受严格临床验证的现实。 5. Schrödinger（美国）：代表了物理模拟与机器学习的结合。作为一家老牌计算化学软件公司，其平台基于量子力学、分子动力学等物理方法，并融合现代ML算法进行精准的分子设计和优化。文章强调了其独特的商业模式：既销售软件授权（提供稳定的收入来源），也通过合作和内部项目推进药物管线。其成功典范是与Nimbus Therapeutics合作设计的TYK2抑制剂（后被武田制药以40亿美元收购），现已进入III期临床试验。公司内部也有多个临床阶段的肿瘤学项目（如MALT1、CDC7、WEE1抑制剂）。文章指出，Schrödinger凭借深厚的领域知识和稳健的商业模式，展示了AI/物理混合方法在加速先导化合物优化方面的优势。

观点二：新兴参与者和全球发展态势（2024-2025年）表明，AI药物发现领域正在快速扩张，呈现技术多样化和地理多元化的特点。 文章在分析了五大领先平台后，进一步概述了其他具有显著创新或临床进展的新兴力量，勾勒出领域发展的广阔图景： 1. 技术路径的拓展： * Insitro（美国）：整合人类干细胞疾病模型与机器学习，专注于从功能基因组学数据中发现与患者预后相关的靶点，已与吉利德、百时美施贵宝等大药企达成重要合作。 * Isomorphic Labs（英国）：谷歌母公司Alphabet的AI药物发现子公司，深度利用DeepMind的AI突破（如AlphaFold），与礼来、诺华签署了潜在价值数十亿美元的合作协议，标志着科技巨头直接切入药物研发核心。 * Atomwise（美国）：早期AI药物初创公司，其AtomNet平台利用卷积神经网络进行基于结构的虚拟筛选，已在2023年提名了首个内部开发候选物（TYK2抑制剂），并展示了其AI平台筛选大量靶点的广度。 * AI在生物制剂和新治疗模式中的应用：一批公司正将AI应用于抗体、蛋白质、RNA疗法等生物大分子的设计。例如，Generate Biomedicines的AI设计吸入式抗体已进入I期试验；中国初创公司Helixon与赛诺菲签署了17亿美元的交易，授权其AI设计的抗体疗法。 2. 地理格局的多元化：文章特别指出，中国已成为AI药物发现领域的重要力量。以晶泰科技（Xtalpi）为代表的中国AI生物科技公司，通过结合量子物理、云计算和机器人技术，获得了腾讯、软银等巨额投资，并与礼来、Dovetail等西方药企达成了高达60-100亿美元的里程碑合作。此外，中国石药集团与阿斯利康超过50亿美元的合作，以及Helixon与赛诺菲的交易，都表明中国AI生物科技公司正从创新源头向全球输出候选药物。文章援引数据指出，2025年第一季度，中国公司在全球生物技术许可交易价值中占比达32%，显示其迅速崛起的势头。其他地区如韩国、以色列、中东（如Insilico在阿布扎比的扩张）也日益成为生态系统中重要的创新节点。

观点三：随着AI在药物研发中的深入应用，监管和伦理框架正在同步建立，以解决透明度、偏见、问责制和知识产权等关键问题。 文章专门设立章节，探讨了AI驱动药物发现面临的监管与伦理挑战及最新进展。主要论点和论据包括： 1. 监管指南的出台：2025年1月，美国FDA发布了首份关于在药物和生物制品开发中使用AI/ML的草案指南。该指南提出了“基于风险的可信度评估框架”，要求申办方详细记录AI模型的开发、训练数据来源、性能指标和局限性，并强调对输入数据集的透明度。欧洲药品管理局（EMA）也在2024年发布了关于AI在药品生命周期中应用的反思论文，强调了数据保护、算法透明度和人类监督等原则。 2. 透明度与可解释性：监管机构期望AI驱动的决策（如选择候选药物或患者亚组）能够对人类可解释。FDA指南体现了“人在回路”的理念，即AI可以提供建议，但最终决策和解释应由能够理解模型结果的合格专家做出。这对于确保患者安全和科学可靠性至关重要。 3. 数据偏见与公平性：AI模型的好坏取决于其训练数据。文章指出，数据偏见可能源于对某些靶点类别或化学型的过度研究，也可能源于临床数据中人口代表性的不足，这可能导致算法结果系统性地不利于某些群体。EMA的文件明确呼吁评估数据来源并努力减少算法偏见。作为回应，一些公司正在汇集更多样化的数据集，并设立内部伦理委员会进行审查。 4. 问责制与验证：法律责任目前仍由药物申办方（公司）承担。因此，任何AI衍生的假设都必须经过与常规假设相同甚至更严格的实验验证。AI不会获得“免费通行证”，AI起源的候选药物必须满足与非AI药物相同的临床前安全性和有效性标准。 5. 知识产权与隐私：AI设计分子可能带来专利法上的新问题（如“非显而易见性”的判定）。同时，使用患者数据训练AI必须遵守严格的数据匿名化和知情同意程序。文章也提到了开放科学（如AlphaFold开源）与专有模型之间的平衡问题。

观点四：机器人技术与AI的深度融合，正推动药物发现从“手动操作”向“自动驾驶”实验室演进，实现闭环、高效的“设计-合成-测试-学习”循环。 文章最后部分展望了AI与机器人技术的结合带来的范式变革。核心论点在于，AI模型可以提出实验方案，而机器人平台可以24/7不间断地执行，形成一个自我强化的闭环系统。实验结果是数据，AI据此学习和改进，产生更优的下一轮候选物，最终生成可用于临床推进的、经审计就绪的数据集和优化分子。文章列举了多个正在实践这一理念的案例，包括阿斯利康的iLab、Recursion的自动化表型筛选平台、Emerald Cloud Lab、Wyss研究所的“Interrogator”多器官芯片系统等。这种“自动驾驶”的DMTA（设计-合成-测试-分析）工作流程被认为是自动化高通量筛选和流动化学的自然演进，旨在实现药物发现中完全的自主决策。

论文的意义与价值

本综述文章具有重要的学术价值和现实指导意义： 1. 系统性梳理与批判性分析：文章首次在权威药理学期刊上，对截至2025年AI驱动药物发现领域的五大领先平台进行了系统性、深入且批判性的对比分析，不仅展示了其技术成就和临床进展，也直面了遭遇的挫折和挑战（如BenevolentAI的失败、早期临床疗效的不确定性），为学术界和工业界提供了客观、全面的现状图景。 2. 时效性与前瞻性：文章纳入了大量2024-2025年的最新进展，包括关键临床试验结果（如Insilico Medicine的IIa期阳性数据）、重大并购（Recursion收购Exscientia）、新兴玩家动态以及最新的监管指南（FDA草案），确保了内容的时效性。同时，对AI+机器人、全球化趋势、监管伦理的探讨又具有很强的未来指向性。 3. 为领域发展提供路线图：文章明确指出，AI药物发现已跨越概念验证阶段，进入临床疗效验证和产业化整合的新时期。它揭示了技术路径的融合趋势（如表型学与生成化学的结合）、商业模式的探索（软件授权、合作研发、内部管线），以及建立可信赖AI的必要性。这为后续研究者、投资者、创业者和政策制定者提供了清晰的行动参考和思考框架。 4. 促进跨学科对话：文章内容横跨计算科学（AI、机器学习）、生物学、化学、药理学、临床医学、法规科学和伦理学，有助于促进这些学科之间的深度对话与协作，共同推动AI在生物医药领域的负责任和高效应用。

这篇发表于《Pharmacological Reviews》的综述，是一份关于AI驱动药物发现领域在2025年关键节点的权威性、综合性的“全景报告”和“路线图”，对于任何关注该领域发展的专业人士而言，都具有极高的阅读和参考价值。