Potential Sciences：用虚拟数据替代湿实验，加速新药研发

新药研发有个老说法叫“十年、十亿美元”，卡脖子的地方在于湿实验周期长、失败率高。生成式AI进入生物医药领域后，业界开始试着用算法替掉一部分实验环节。英国初创公司Potential Sciences就是这条路上一个走得比较激进的实验者。

从“湿实验”到“干计算”

据WIRED报道，这家英国初创公司在试一种争议不小的药物发现办法：实验室里的真实生化实验不再是唯一依靠，先由计算机生成大批模拟生化数据，再拿这些数据去训练AI模型，让模型学分子与生物靶点之间怎么相互作用。其核心假设是，只要虚拟数据跟真实世界的化学与生物学规律贴得足够近，AI就能在进实验室之前把大量筛选做完，药物发现的前期阶段也就跟着大幅压缩。传统流程一般要走靶点确认、化合物筛选、先导化合物优化、临床前研究以及多期临床试验，光临床前阶段就可能耗上好几年，失败率还极高。Potential Sciences想把一部分筛选和优化工作“前移”到计算环境里，实验室只用来验证最有希望的候选分子，不必在成千上万个化合物里盲目试错。

英国政府背书的激进赌注

报道指出，Potential Sciences拿到了英国政府的支持。英国这几年在生命科学与AI交叉领域投入挺积极，想用公共资金撬动私营部门的创新，巩固自己在生物技术领域的地位。对政府来说，支持这类公司不只是押注一家初创企业，也是在探一条可能压低整个医药行业研发成本的技术路线。不过这条路线并非没有争议。整个方法能不能成立，前提在于计算机生成的生化数据够不够可靠。真实生物系统极其复杂，分子在体内的行为受吸收、分布、代谢、排泄等多重因素影响，虚拟数据很难把这些细节完全复现。训练数据要是跟真实世界存在系统性偏差，AI模型就可能学到错误的规律，后面的实验验证阶段就会出现大量失败。

AI制药的行业背景

Potential Sciences并非孤例。这几年全球已有多家AI制药公司试着用机器学习加速药物发现，部分候选药物已经进入临床试验阶段。行业里普遍的看法是，AI在化合物筛选、蛋白质结构预测、药物重定位这些环节潜力明显，但“端到端”替代实验仍然遥远。多数公司走的是“AI辅助+实验验证”的混合模式，没有完全跳过实验室工作。Potential Sciences的特别之处在于，它把“计算机生成数据”当作训练基础，而不只是依赖公开的实验数据库。这既可能带来数据规模和多样性上的优势，也可能引入真实性风险。虚拟数据的规模效应与真实数据的可靠性之间怎么取得平衡，是这家公司必须回答的关键问题。

虚拟数据若能做到与真实世界的化学、生物学规律足够贴近，AI便可在进实验室之前先筛掉大批选项——这个前提站不站得住，直接决定该公司的技术路线走不走得通。

分析：效率诱惑与验证难题

放到行业里看，药物研发对提效的渴求，正好对上Potential Sciences的方向。制药业被“反摩尔定律”困了很久：钱越投越多，获批的新药却增长乏力。谁能把早期筛选的开销压下来，商业上的吸引力就很大。

不过，监管方和科学界的谨慎也不能忽略。药品审批要看真实实验数据，虚拟数据眼下还很难直接拿去当监管提交的依据。也就是说，AI模型在虚拟环境里再出色，最后照样得靠真实实验和临床试验来验证。对Potential Sciences来说，真正的关卡不是能不能造出好看的数据，而是它筛出的候选分子能不能在实验室和临床中兑现。还有一点：计算机生成数据的伦理和质量问题同样需要盯住。生成模型本身带偏差，就可能把错误假设放大，研发资源也跟着被带偏。行业需要为合成数据立一套评估标准，保证拿它训练时不会拖累模型的可靠性。

结语

Potential Sciences这条路，是AI制药里一种更激进的设想：不光用AI分析已有数据，还要用AI造数据，再去训练更强的AI。走通了，药物发现的成本结构可能明显改写；走不通，则又一次说明，生物学的复杂程度不是靠纯算力就能轻易绕过去的。结果如何，这场实验都值得继续盯着。