计算医学补AI制药短板:十部门规划提出新路径
AI制药发展到今天,出现了一个有些反直觉的现象。 一边,是模型能力的快速跃迁。AlphaFold之后,蛋白质结构预测已经发生根本变化,生成式AI开始进入蛋白设计、小分子设计、抗体发现,生命科学基础模型、大模型和科研智能体不断出现。2026年,OpenAI发布面向生物学、药物发现和转化医学的GPT-Rosalind。Is
AI制药一路狂奔到今天,冒出一个有点反直觉的现象。
一头是模型能力蹿得飞快。AlphaFold问世后,蛋白质结构预测已经彻底变样,生成式AI逐步渗入蛋白设计、小分子设计、抗体发现,生命科学基础模型、大模型、科研智能体接连冒头。2026年,OpenAI发布了面向生物学、药物发现和转化医学的GPT-Rosalind;Isomorphic Labs拿到21亿美元融资,继续扩AI药物设计平台;Anthropic甚至把手伸向真实的生物实验环境。
另一头,药物研发几个关键指标却没跟上同样的节奏。
今年8月,《Nature Reviews Drug Discovery》对过去十年AI药物发现做了一次颇为冷静的复盘:AI技术能力的进步没什么争议,可放到真正有临床意义的结果上看,能证明AI显著改善药物研发的证据,眼下依然有限。
论文点出的毛病,不光是算法不够强,更在于一个更基础的错位:模型开发时盯的是“现有数据能预测什么”,而非“药物研发最关键的决策需要回答什么”。生物数据本身又死死绑着实验条件、患者差异和环境因素,一个在benchmark上分数更高的模型,并不自动等于一个更好的研发决策。
也就在这个节点上,9月18日发布的《医药工业发展“十五五”规划》里,冒出了一个此前不算大众化的词:
计算医学。
这份由十部门发布的《规划》提出,“加快人工智能、量子计算、超级计算、计算医学等新技术赋能药物研发”。目标是到2030年,中国首创新药(FIC)占全球比例达到25%以上,创新药产业规模年均增速达到20%以上。
要是只当成政策文件又添了个AI相关概念,恐怕就低估了它出现的位置——毕竟“计算医学”跟它前头那几个词,压根不是一回事。
AI、超算是能力,计算医学更像是一个问题框架
人工智能是通用技术;超级计算给的是基础算力;量子计算想拓宽的是未来可计算问题的边界。计算医学头一个要答的却是:
这些能力,落到医学里到底该拿来算什么?
这个差别很要紧。
前几年,AI制药比较成熟、也好量化的一批成果,大多集中在蛋白质结构、分子生成、虚拟筛选、性质预测这些环节。它们的共同点是:问题相对容易被形式化。
给一个蛋白,预测结构;给一个靶点,找结合分子;给一个分子,预测某种性质。
可药物一进人体,问题立马变样。靶点在细胞实验里有效,不代表它在人体疾病系统里还是决定性因素;分子结合能力再强,也说不清哪些患者真能获益;就算药物能改变某条信号通路,还得应付代偿机制、免疫微环境、组织差异和患者异质性。
所以AI药物研发越往后走,研究对象越不像一个孤立的“分子问题”,倒越来越像复杂系统问题。
《Nature Reviews Drug Discovery》今年谈AI药物研发局限时也专门点了这一层:生命科学数据条件依赖性很强,早期研发阶段容易拿到、容易训练的数据,跟真正决定临床结局的问题之间隔着明显距离。
说白了:AI已经越来越会解一个定义清楚的问题。医学接下来更难的部分,是把真正要紧的疾病问题定义清楚。
计算医学想切入的,正是这块地方。
计算医学不是一种算法,而是一整套“模型化医学”的尝试
“计算医学”眼下还没有全球统一的工程标准。
放到国内产业语境里,赵宇团队是较早系统提出并持续推广这个概念的一批人之一。2020年前后,相关公开讨论已把它描述成一种把生物医学知识、生命数据、数学模型、人工智能和高性能计算捏在一起、试图从系统层面理解疾病的方法;2023年,赵宇、张春明、谭光明又在论文中进一步将其定义为药物创新的“底座技术”,核心之一是通过多尺度生物数据建模,获得对疾病机制和药物疗效机制的理解,并服务研发决策。
这里更值得留意的,其实不是“计算医学”这个名字,而是它背后技术对象已经变了。
传统计算机辅助药物设计,模型对象可能是一个分子、一段序列或者一个蛋白。计算医学想建的模型则可能是:一个细胞状态;一种组织微环境;一类疾病;一组具有共同生物学机制的患者;甚至一个患者在不同治疗干预下可能出现的疾病轨迹。
研究对象一变,背后的技术栈也跟着变。除了机器学习,还得把知识图谱、多组学整合、机制模型、因果推断、药代动力学模型、真实世界数据、患者分层和数字孪生都拉进来。
所以说,计算医学更像一套跨尺度建模与决策体系,并非某个新出的AI模型。
监管端正在出现一个挺有意思的转向
要判断一种研发范式有没有走向成熟,光看多少创业公司涌进来不够。更关键的信号是监管机构愿不愿意接受它产出的证据。
2025—2026年,这方面就有了几处变化。
2025年,FDA提出要逐步减少部分药物研发中的动物试验要求,并明确提到用AI计算模型、类器官等New Approach Methodologies来补充,特定场景下甚至替代传统动物实验。到了2026年的后续进展中,FDA又披露已先行完成AI药物开发工具的资格认定。
更直接的信号来自MIDD,也就是Model-Informed Drug Development。今年6月,FDA发布ICH M15《模型指导药物研发一般原则》最终指南,把模型评价、证据生成、报告和监管沟通的框架进一步统一起来。
数字孪生同样在动,从概念展示走进了临床试验方法学的讨论。今年6月,剑桥大学以及阿斯利康、GSK、武田、赛诺菲等机构的研究者在《npj Digital Medicine》发表路线图文章,讨论怎么把因果推断和数字孪生用在患者分层、治疗效果异质性分析、试验设计和患者轨迹模拟上。
这篇论文对数字孪生的定位其实相当克制:探索性研究和早期试验里可以多发挥作用;一旦到了确证性试验和监管阶段,就必须进入预先定义、严格验证的使用场景。
这或许就是计算医学日后真正进入产业时的一条基本原则:
模型越大,不代表能参与的临床决策就越重要;越靠近临床决策,验证要求反而越高。
真正的瓶颈,已经从“有没有模型”变成“模型能不能做决定”
未来五年,这可能是计算医学最难啃的技术问题。
如今一个生物医学模型做到AUC 0.9,并不稀奇。难的是追问:这个AUC来自什么人群?换一家医院还站得住吗?换一种治疗方式呢?三年后疾病状态变了以后呢?模型学到的是疾病机制,还是某家医院的检测习惯?患者治疗之后,这些变量之间的关系会不会变?
生物医学AI和很多互联网AI应用的关键区别就在这里。语言、图像这些领域可以靠海量数据学出稳定的统计规律,医学数据却高度条件化。患者基因背景不一样、疾病阶段不一样、治疗历史不一样、样本处理方式不一样,甚至两个实验室做同一种检测,都可能带进系统性差异。
更麻烦的是,医学真正要解决的是干预问题。临床关心的不是“这个患者过去长得像谁”,而是:给他药A会怎样?给他药B又会怎样?什么都不做呢?
这就从预测问题又往前走了一步,进入因果问题。
所以,计算医学未来真要成为产业基础设施,评价模型的方式恐怕也得变:从看“预测准不准”,转向看“能不能改善研发决策”。这也是今年《Nature Reviews Drug Discovery》提出的重要建议——AI药物研发的benchmark要慢慢离开单纯的模型验证,转向评估模型是否真的改善了项目决策。
中国为什么现在把它写进去?
从技术条件看,这个时间点并不意外。
中国在基因组、多组学、医学影像、病理和临床真实世界数据上的积累越来越完整;高性能计算基础设施也在持续发展;AI模型本身则进入了能处理科学文献、基因组学、药物化学甚至调用科研工具的新阶段。
《十五五》也没有把“计算医学”单独拎出来部署。同一份规划里,深化人工智能赋能、推动数智转型、培育精准诊疗新范式、畅通临床高效转化通道,是放在一起提的。
这几件事之间,其实有一条潜在的连接:
规划布局的各项新技术并不彼此割裂,而是串成了一套完整的医药创新体系。多维度生物数据打底,智能计算模型加深对疾病机制的认识,再支撑精准的药物研发决策,最终形成标准化、可落地的临床证据。
这条链条的中间位置,很可能就落在计算医学身上。往上看,它接住的是AI、算力和生命科学数据;往下走,靶点发现、患者分层、临床研究、精准治疗都靠它衔接。
所以计算医学能不能站住脚,关键不在有没有一个足够惊艳的大模型。说到底,还是要看整条链能不能真的闭合。
写进规划之后,更需要一次“去概念化”
一个技术名词一旦进了政策和产业热点,总会碰上一种情况:什么都往这个名字里装。生物信息学可以叫计算医学,AI制药可以叫计算医学,一个疾病预测模型也能叫计算医学。问题是,如果最后只是换了一轮概念,这条新赛道带不来多少技术增量。
往后真正该盯的,其实是几个很具体的问题。
计算模型有没有发现以前不知道的疾病机制?有没有提出新的、能做实验验证的靶点假设?找药物响应人群,它能不能比现有方法更准?一个大概率失败的项目,它能不能在临床试验之前就认出来?
还有一个虚拟患者模型,能不能在前瞻性研究里预测真实患者的治疗结局?监管机构又愿不愿意接受这些模型产出的证据,拿去支撑真实的研发决策?
这些问题答不上来,“计算医学”就还只是一个方法论愿景。
反过来,它们要是开始一个个有答案,局面就完全不一样了。那意味着计算机在医药研发里的角色会迎来一次很关键的转变:
以前,计算机主要是帮科学家处理数据、设计药物。以后,它可能再往前走一步,帮科学家建起疾病模型,并在模型里检验治疗假设。
这正是“计算医学”被写进《十五五》之后,真正值得关注的地方。
这不代表这个领域已经成熟。
恰恰相反。
它代表的是,接下来五年,行业得开始拿临床结果来证明它。