AI制药从算法狂奔转向湿实验积累：数据瓶颈与节奏放缓
2026/10/13 18:33阅读量 3
AI制药行业正经历从依赖公共数据向自建干湿闭环专有数据的战略转型，核心瓶颈由算法效率转向实验数据通量。礼来、Anthropic等头部企业密集布局湿实验室以获取标准化数据，但受限于物理属性和功能性筛选的人工需求，数据增长呈线性且缓慢。业界预期已从提升临床成功率调整为通过压缩周期实现管线规模的规模效应。
事件概述
AI在药物研发中的角色正从单纯的效率工具转变为需要深度结合实体实验的辅助系统。由于公共数据和文献存在矛盾及不可比性，无法形成竞争壁垒，行业焦点已转向构建“设计—构建—测试—学习”（DBTL）的干湿闭环，以生产独有的专有训练数据。这一转变导致AI制药的整体节奏从早期的快速迭代放缓为扎实的数据积累。
核心信息
1. 数据瓶颈驱动湿实验布局
- 公共数据失效：仅靠公开生物医学数据训练的模型难以产生差异化成果，且文献结果常相互矛盾或缺失阴性数据。
- 干湿闭环成为标配：企业必须自建标准化实验流程，将AI生成的候选分子进行物理合成与验证，回流数据以优化模型。
- 头部玩家动作：
- Anthropic：2025年9月在旧金山湾区建立生物湿实验室，将Claude模型接入真实生物实验。
- 礼来（Eli Lilly）：推出TuneLab平台，签约金斯瑞、Twist Bioscience、Ginkgo Bioworks三家供应商，分别补充抗体表征、小分子ADME测试及蛋白表达纯化等湿实验环节。目前平台参与企业已超125家。
2. 湿实验通量限制加速空间
- 数据体量稀缺：诺和诺德遭黑客入侵泄露的70万文件中，核心专有生物化学训练数据仅约407MB，印证了高质量专有数据的极度稀缺性。
- 自动化边界：虽然Recursion等自动化系统每周可执行约220万次细胞实验，但仅限于标准化步骤。功能性筛选（如特定GLP-1小分子合成路线）仍需人工操作，技术员每日处理样本仅约300个。
- 线性增长困境：专有数据的增长受限于试剂消耗、培养周期及仪器机时，呈现线性增长而非指数级爆发，信噪比随通量增加可能下降。
3. 行业预期调整：从成功率到规模效应
- AI定位：AI仍作为辅助假设工具，不替代科学家对靶点因果关系的最终决策，主要价值在于压缩临床前及早期研发成本（预计节省约540亿美元）。
- 策略转变：鉴于临床成功率提升有限，药企更倾向于利用AI缩短单条管线周期，从而用同等资源押注更多管线，追求规模效应而非单一项目的极高成功率。
值得关注
随着金斯瑞等上游服务商AI相关订单翻倍，湿实验基础设施的建设已成为AI制药产业链的新增长点。未来竞争的关键不在于算法模型的参数大小，而在于谁能更高效地通过人机协作完成高质量的专有数据沉淀。