国内首款AI辅助的1类创新药获批了，仅用时三年半！

国内首款凭借人工智能（AI）辅助研发的原创药——艾普司韦（盐酸伊司特韦片）已获国家药品监督管理局附条件批准上市。

艾普司韦是由西湖大学、西湖实验室、西湖制药联合研发的1类创新药，用于成人轻型、中型新型冠状病毒感染的治疗。

1类创新药是中国药品注册分类中的最高级别，代表从0到1的源头创新，其核心在于拥有全新的化学结构、全新的作用机制，且具备明确的临床价值。传统新药研发，平均需要10到15年；而艾普司韦从靶点确认到完成临床试验，仅用时三年半。

这三年半是如何走完数十年的路？

答案或许藏在这组数据里：从490亿种化合物到9个候选分子，命中率超过60%。

这并非寻常的研发提速：

是DEL技术诞生34年来，第一次有药物走完全程。

是国内AI辅助制药，第一次从论文走进药房。

34年未破的“DEL魔咒”被终结了

1992年，Scripps研究所的Sydney Brenner和Richard Lerner在《PNAS》上提出了DNA编码化合物库（DEL）技术的构想。

此后三十余年，全球药企几乎人手一套DEL筛选平台。但一个尴尬的事实始终存在：DEL筛选出的“苗头化合物”从未真正转化成一款获批上市的药物。

问题出在哪里？

DEL的筛选逻辑是“大海捞针”——构建一个包含上亿种化合物的分子“大池子”，每个化合物带一段独一无二的DNA条形码。将靶点蛋白投进去再捞上来，能结合的化合物就会“上钩”，通过读取DNA条形码就能知道是哪些分子。

这个原理不复杂。但现实远比想象复杂：有的分子虽然能结合，但结合的位置不对；有的分子没有特异性，和谁都能黏附。更关键的是，一次捞上来的“阳性 hits”可能有成百上千个，逐一合成验证的成本和时间高到无法承受。

于是DEL在全球制药界长期扮演一个尴尬的角色：每个大药企都在用，但没有一个人靠它做出一款药。

西湖大学团队改变了这个局面。

他们构建的DEL库包含490亿种化合物。将靶点蛋白酶投入筛选后，回收了大量候选分子。按照传统做法，接下来是漫长的逐一合成验证。但团队选择了一条不同的路径——在筛选过程中引入AI模型辅助判断，从海量hits中只选出9个分子进行合成测试。

结果令人意外：9个分子中，6个显示出很强的抑制活性。

如果放在传统高通量筛选中，0.01%到1%的命中率已经是超常发挥。而这一次，命中率超过了60%。

从490亿到9再到1

AI没有“一键生成”艾普司韦。其承担的角色是“从海量数据中筛选有效信号”的过滤器。

DEL筛选输出的不是结论，而是海量的噪声信号。

哪些分子真正结合在靶点的活性位点？哪些只是非特异性黏附？哪些具备初步的成药性？

这些问题在传统流程中需要依赖药物化学家的经验和大量重复实验来回答。

而西湖大学团队建立的AI模型，基于此前积累的靶点结构数据和构效关系，对这些hits进行了结合模式预测和结合自由能评分，把人工筛选的范围从几百个压缩到了个位数。

这是AI真正的价值所在——高效的筛选；让研发人员把精力从“大海捞针”中解放出来。

更关键的是，后续的每一轮分子优化都遵循“设计-合成-测试-分析”的闭环迭代，每一步产生的高质量实验数据都实时反馈回AI模型，持续提高预测精度。整个构效关系优化的周期被压缩到了24个月以内。在传统药物化学中，这一阶段通常耗时3到5年。

“我们借助AI实现了新药研发中的数据整合，形成了计算预测、实验验证、数据反馈、模型再优化的闭环。”

——西湖大学生命科学学院教授 黄晶

三个“全球第一”

如果只看适应症，艾普司韦很容易被归入“抗病毒药物”的常规队列。但它在技术层面的坐标有三个独特的标记：

第一，全球第一款基于DEL技术成功获批的小分子创新药。

DEL技术从1992年提出概念，到2026年终于实现从0到1的突破，整整跨越了34年。

第二，全球首款非共价结合的同类靶点抑制剂。

已上市的同类药物均为共价抑制剂，通过与靶点形成共价键实现不可逆抑制。而艾普司韦采用非共价可逆结合机制，脱靶风险更低，在人源蛋白酶谱中表现出极高的选择性。

第三，全球首款无需联用增效剂的同类靶点抑制剂。

已上市的同类药物大多必须联用利托那韦等CYP3A酶抑制剂来减缓代谢，但这会带来大量药物相互作用风险。艾普司韦单药即可达到有效暴露量。

这三个特征叠加，让艾普司韦在技术维度上具备了全球差异化竞争力，而不仅仅是“国产替代”的叙事。

AI是否真正变革新药研发体系

行业对艾普司韦的兴奋有其合理性，但也需要保持冷静。

一个容易被忽略的事实是：AI的作用范围集中在药物发现早期——从靶点确认到候选化合物提名。这一阶段在传统研发周期中约占3-5年，艾普司韦将其缩短至3.5年，确实亮眼。

但药物研发的后半程——GLP毒理评估、制剂开发、I-III期临床试验、注册申报——几乎仍然由传统力量推动。艾普司韦的临床开发依然依赖1350例受试者的随机双盲试验，耗时两年以上。

AI压缩的是“试错”阶段，而非“验证”阶段。

西湖大学黄晶教授坦承：“当下，AI已在原创药物研发中起到显著的降本增效作用，但尚未真正变革整个新药研发体系。”

他进一步解释，药物研发的链条非常漫长，目前AI往往只被用于早期研发中的某个具体环节。

“AI更重要的价值，是成为药物早期研发中信息流整合和决策支持的核心工具，把结构生物学、药物化学、活性、成药性等不同来源的数据贯穿起来，减少研发过程中反复试错的成本。”

另一个现实是：AI模型的高预测精度依赖高质量的实验数据输入。西湖大学团队使用了大量高分辨率的共晶结构数据和生化活性数据来训练模型，这些数据的获取本身需要相当的成本和积累。在靶点结构未知或自由实施受限的场景下，AI的预测能力会大幅衰减。

因此，艾普司韦的成功是一次重要的验证，但不是终点。

行业真正期待的，是这套方法论能否迁移到更复杂的靶点——比如蛋白-蛋白相互作用靶点、固有无序蛋白——并在肿瘤、神经退行性疾病等领域复制。

一个坐标，诞生无数可能

艾普司韦不会改变药物研发的根本逻辑——安全性和有效性最终只能靠人体数据来回答。

但它确实改写了早期发现阶段的效率曲线。

当药物化学家开始信任模型预测多于直觉经验，当DEL+AI的组合被写入更多项目的立项报告，整个行业的研发范式正在经历一次静默的迭代。

浙商医药团队指出，多Agent加干湿试验闭环形成AI制药平台，本质上是药物临床前研发和验证的自动化，将早期药物发现从低频验证的范式转向高频、高通量、多轮快速迭代的新范式。

从490亿到1，这不仅是数字的压缩，更是一种思维方式的转向。

正如西湖大学校长助理王廷亮所说：

“艾普司韦的成功上市证明，真正的AI辅助药物研发当前是高效可行的。”

而艾普司韦，在这条转向的路径上画下了第一个可以被临床数据验证的坐标。

加入读者交流群：

联 系 我 们 ：wbfsh@staff.weibo.com