AI 药物研发： hype 背后的临床真相
So How Is AI Drug Discovery Doing, Really?
AI 药物研发领域充斥着大量文章和发布会，但真正能证明临床价值的证据却少得可怜。这篇来自 Nature 的深度分析指出，尽管各种 AI 方法层出不穷，但在改善疾病领域选择、靶点筛选及临床试验设计等关键决策上，目前的 AI 技术仍显乏力。文章犀利地揭示了行业“报喜不报忧”的倾向：成功项目常被归功于 AI，而失败案例则被刻意忽略。更严峻的是，早期发现阶段的数据噪音巨大，且缺乏高质量的清洗和标注，导致机器学习难以在复杂的生物系统中找到规律。作者呼吁从业者停止在低价值数据上“自嗨”，转而投入资源生成真正能推动临床转化的数据，哪怕这意味着要告诉投资者和媒体：真正的突破需要更长的时间和更高的成本。
虽然各种 AI 方法已被开发、应用和基准测试，但到目前为止，关于其临床相关影响的证据令人失望地有限。
HN 评论区
89- plaidfuji
“……AI 在药物发现中的重心必须从‘能做之事’（例如建模那些现成但难以推动实质进展的数据）转向‘应做之事’，哪怕这需要例如大规模生成新数据……”这是一个值得追求的目标，但我认为许多从事这项工作的人，哪怕是下意识地，都在想“你先来”。
这就是 AI 应用于所有科学领域（而不仅仅是药物发现）的问题所在。应用机器学习在过去十年间像野火一样在学术界蔓延——这早在 LLM 热潮之前就已经开始了。这是一个完美的蜜罐陷阱：科研过程艰辛且缓慢，而 ML 提供了一条捷径，最棒的是，它只需要数据。而科研恰恰能产生海量数据！这看起来简直是天作之合。
我在不同角色中至少目睹过四五次同样的模式上演：
(1) 提出一种由 ML 引导的材料/化学发现或优化方案。
(2) 收集现有数据（真实的实验数据）。
(3) 意识到关于感兴趣输出结果的真实数据行少于 50 行。
到了这一步，你要么：
(4a) 回归传统方法，但保留使用 ML 的表象以保全颜面；
要么
(4b) 转向计算/模拟工作，或者转向一个与你原始问题相去甚远的高通量系统，但这能让你继续玩弄 ML 玩具。
这真的很糟糕。我已经离开了这个行业。我不知道那些做真正科学的人要多久才能重新掌握主导权（以及……）
- colingauvin
我是一家中型生物技术公司的结构生物学家，每天使用 AI 工具。它们让我能以前所未有的速度和轻松程度完成过去能完成的工作。它们并不能帮我神奇地实现以前无法完成的新任务。
例如，它帮我安装学术软件、调试问题。它帮我处理大型数据集并编写脚本来提问。它帮我审阅实验草稿，检查是否有遗漏。它帮我回忆那些每六个月才用一次的生僻公式。至少在我的经验中，它从未提出过任何真正新颖的东西。
一个具体的例子：AlphaFold 很棒……可以用来为嵌合融合蛋白之类的东西生成一个起始模型。以前我在 PDB 或 CIF 文件中摸索需要 1-2 小时的工作，现在只需一个简单的提示就能完成。
- redox99
显然，缺失的部分（我们在软件和数学领域已经拥有了）是：我们需要智能体能够在现实世界中运行自动化循环。这基本上需要机器人。我认为我们不到 5 年就能达到这一步。
- arionhardison
我认为真正的赢家是像我这样的傻瓜：
A) 没受过教育
B) 没有资源
C) 不够聪明，无法成为自学成才的生物黑客
每个人都听到