2026年上半年，Google DeepMind旗下的Isomorphic Labs宣布了一个在医药界和AI界同时引发巨大震动的消息：该公司完全由AI设计的候选药物分子已正式启动首次人体临床试验。并非夸张地说，这是AI制药从"纸上谈兵"走向"真刀真枪"的最具标志性意义的里程碑。到目前为止，虽然有不少AI制药公司声称已有AI设计的药物进入临床，但真正完成完整临床试验全流程的案例寥寥无几。Isomorphic Labs作为DeepMind的嫡系部队，拥有AlphaFold这一诺奖级的技术底座，其一举一动都受到整个行业的密切关注。Isomorphic Labs于2021年底从DeepMind分拆成立，目标是将DeepMind在蛋白质结构预测领域的突破性技术——AlphaFold——转化为真正的药物发现引擎。与大多数AI制药公司不同的是，Isomorphic Labs并非简单地用AI加速传统药物发现流程中的某一个步骤，而是想构建一个"端到端"的AI驱动药物发现平台——从靶点识别、分子设计到药理学预测和毒理学评估，全部由AI系统完成。
Isomorphic Labs这次进入临床的药物分子——目前代号为ISO-01——针对的是某个与纤维化疾病相关的蛋白质靶点。最令人瞩目的一点是，从靶点确定到候选药物分子进入人体试验，Isomorphic Labs仅用了18个月。在传统的药物发现范式中，这个过程通常需要4到6年。这18个月的时间被压缩到如此之短，依赖于Isomorphic Labs的"AI全栈"能力——四个核心环节全部由AI驱动并并行执行。第一个环节是靶点发现和确认。Isomorphic Labs的AI系统对公开的人类蛋白质组数据库和数百万篇生物医学论文进行了深度学习和挖掘，自动识别了一个与多种纤维化疾病高度相关的蛋白质靶点。传统的靶点发现依赖于大量实验室研究和文献研读，一个团队可能需要一到两年的时间才能完成。第二个环节是先导化合物的AI设计。在确定了靶点后，Isomorphic Labs的分子设计模型开始了最关键的工作——在数亿个分子组成的虚拟化学空间中搜索最有希望与靶点结合的那些分子。传统的高通量筛选方法一次实验可以测试数万个分子，而AI模型在分子设计阶段就已经能够虚拟筛选数亿个分子，将"试错"的范围放大了四个数量级。第三个环节是由AI驱动的药代动力学和毒理学预测。传统流程中候选分子需要通过体外实验和动物实验来评估其在体内的吸收、分布、代谢、排泄特性以及潜在的毒性。Isomorphic Labs则用AI模型对其分子设计进行了全面的计算机模拟评估，预测该分子在人体内的代谢途径和潜在的脱靶效应。第四个环节是临床前实验的快速推进。由于AI模型对毒性风险评估的准确度相对较高，Isomorphic Labs能够对候选分子在临床前阶段的实验方案进行大幅"瘦身"。最终从靶点到临床只用了18个月，而常规的4到6年时间线中大量耗费的其实是试错的功夫。
Isomorphic Labs的临床突破标志着AI制药的竞争格局进入了一个全新的阶段。目前全球AI制药赛道的参与者大致可以分为三个梯队。第一梯队是以Isomorphic Labs、Recursion Pharmaceuticals和Insilico Medicine为代表的"AI原生"药物发现公司。这些公司从创立之初就完全围绕AI技术构建其药物发现能力，不依赖传统的实验室研究方法论。Recursion Pharmaceuticals拥有一个自动化高通量实验平台，每天能够产生超过200万张细胞成像数据，这些数据被用来训练其AI模型进行药物预测。Insilico Medicine则以其强大的AI分子设计引擎著称，目前已有两款AI设计的药物进入临床II期试验。第二梯队是大型制药公司的内部AI药物发现部门，包括辉瑞、罗氏、诺华和默沙东等制药巨头纷纷建立了自己的AI药物研发中心。第三梯队是AI技术服务商，如薛定谔公司和英伟达的Clara Drug Discovery平台，他们为制药公司提供AI分子模拟和虚拟筛选工具。从地域格局来看，美国企业在AI制药领域保持着整体领先优势，中国企业在AI制药的某些细分方向上表现亮眼。百图生科专注于蛋白质组学数据的AI分析，晶泰科技在AI辅助的药物晶体结构预测方面有独到优势，字节跳动旗下的Protenix则聚焦于AI蛋白质结构预测。中国AI药物发现企业的海外合作也在加速推进，多家公司已经与欧美制药巨头签署了数亿美元的战略合作和项目授权协议。
Isomorphic Labs的AI药物设计平台之所以表现出碾压级的竞争力，最核心的技术底座是其母公司DeepMind持续迭代的AlphaFold系列模型。2026年2月，DeepMind发布的AlphaFold 4论文在Nature杂志上刊登，展示了蛋白质互作预测达到98%准确率的惊人成就。AlphaFold 4相比AlphaFold 3在几个关键维度实现了飞跃式提升，特别是"蛋白质复合体结构预测"和"构象动力学模拟"这两个对于药物发现至关重要的能力。蛋白质在生物体内很少单独行动，它们通常以复合体的形式与其他蛋白质、DNA、RNA或小分子相互作用。AlphaFold 4将蛋白质-蛋白质相互作用的预测准确率从AlphaFold 3的约85%提升到了98%。这相当于从"基本能用"到了"近乎完美"——98%的准确率意味着AI预测的蛋白质复合体结构基本上可以直接作为药物设计的起点，不需要再进行大量的实验验证。但AlphaFold 4也引发了开源社区的不满——DeepMind这次选择不公开AlphaFold 4的完整模型权重，仅通过一个受控访问的API对外提供服务。这与此前AlphaFold 2完全开源的姿态形成了鲜明对比。批评者认为，药物发现领域的知识应当被广泛共享以加速全人类的医疗进步。但DeepMind方面辩称，他们的API政策与谷歌在敏感技术领域的合规要求有关，同时考虑了技术被滥用于设计生物武器的风险。中国多家科研机构和企业正在加速开发针对蛋白质结构预测和AI药物发现的国产替代方案。对于中国来说，在AI制药这个关系国民健康和国家战略安全的领域，建立自主可控的技术体系已经是一个现实的课题。
随着Isomorphic Labs的AI设计药物进入人体临床试验，AI制药的商业化前景变得更加明朗——一个好的药物分子通过临床试验的成功率仅为10%到15%，AI药物同样要走过这条"九死一生"的漫漫长路。但Isomorphic Labs的案例至少证明了AI能够大幅缩短药物发现阶段的时长并降低前期成本——仅18个月就从靶点走到临床，而此前完成同一个流程可能需要数亿美元。从市场规模来看，全球制药行业每年的研发投入超过2500亿美元，而药物发现阶段的AI渗透率目前还不到5%。这意味着AI制药还有巨大的增长空间。据多家研究机构的预测，到2030年AI驱动的药物发现市场规模将达到500亿到800亿美元。药物发现领域"AI时代"已经不可逆转地来临。但监管层面仍然面临诸多挑战。目前全球主要药品监管机构（包括美国FDA、欧洲EMA和中国NMPA）对AI设计的药物分子并没有专门的管理规定。传统药物的审评流程假设开发者能够详细解释每一个设计决策背后的逻辑，但AI模型生成的分子——尤其是那些通过深度学习在超大化学空间中搜索出来的"非经典"分子——其设计逻辑往往是"黑箱"的，药物开发者自己也无法完全说清楚为什么AI选择了某个分子而不是另一个。