过去十年，人工智能在药物发现中的应用受到持续关注。现在有必要对该领域进展进行批判性回顾：人工智能究竟在哪些方面取得了进步，又在哪些真正关系到药物发现成败的问题上仍缺乏影响？药物发现的最终目标不是在基准测试中取得更高分数，而是更快地为患者带来更安全、更有效的药物。尽管大量人工智能方法已被开发、应用和评估，但截至目前，其临床相关影响仍然有限。研究人员认为，原因可能包括模型开发过程中对临床转化关注不足，人工智能算法难以处理生命科学中高度条件化的数据，现实应用场景定义不充分，以及计算模型在真实药物发现任务中被欠规范化。此外，“技术推动”多于“科学牵引”，以及将技术能力转化为可规模化、可访问系统所需时间较长，也可能是重要因素。文章提出，未来药物发现人工智能的评估应从单纯模型验证转向判断其是否真正改善决策。

人工智能已经在图像识别和语音识别等领域产生深远影响，例如语音识别已被广泛整合到移动设备中，并达到较高准确度。人工智能也已在药物研发中应用多年，但其影响尚未达到公众叙事中常见的程度。现有综述显示，大多数“AI-first”药物发现公司的项目仍处于临床前阶段，进入I期和II期的项目数量有限，进入III期者更少。虽然有人认为药物发现周期长，因此尚未观察到人工智能的最终临床成果，但这一解释并不充分，因为人工智能倡导者本身也曾强调它会显著缩短研发周期。

相比之下，人工智能技术能力本身的进步确实令人鼓舞。研究人员已经能够预测多种蛋白质结构，设计具备特定功能的蛋白质，并利用单细胞组学、空间组学等新测量技术产生大量数据。然而，单个技术能力的提高并不等同于临床转化中的整体决策改善。药物发现和开发由一连串关键决策组成，很难准确判断某个项目成功或失败到底源于正确靶点选择、合适筛选体系、化学优化直觉、可用转化动物模型，还是偶然因素。因此，将成功简单归因于某种人工智能方法，或将失败归结为“运气不好”，都可能造成认知和传播偏差。

哪些改进最重要？

研究人员首先提出一个关键问题：在药物发现和开发的多个阶段中，人工智能工具如果要产生最大影响，应该改善什么？模型分析显示，最重要的是临床影响，尤其是提高首次疗效评价阶段通常为II期试验的成功率。II期成功率低，是因为项目从I期的安全性、耐受性和药代动力学评价，转向更大患者群体中的疗效和最佳剂量评估；患者遗传背景、疾病严重程度和合并症差异也会增加变异性和混杂因素。

然而，目前小分子药物发现中的人工智能工作主要集中于临床前阶段，例如命中发现。这样做可以理解，因为II期成功受到早期许多选择影响，包括候选药物理化性质、筛选库选择以及患者群体选择等。但如果人工智能只关注容易获得标注数据的临床前环节，就有“在灯光下找钥匙”的风险：研究人员会在有数据、易建模的地方优化模型，而不是在最可能影响药物成功的位置解决问题。真正值得关注的是那些能够改善临床成功率的决策，例如利用生物标志物匹配合适患者群体。图1显示，使用生物标志物进行患者分层的项目，其每个成功上市药物的资本化成本约为未使用生物标志物项目的一半左右，原因主要是临床阶段成功率提高。

因此，药物发现人工智能需要从“能做什么”转向“应该做什么”。仅仅建模现成数据，但这些数据无法推动关键临床决策，并不足以提升药物研发。研究人员强调，与其把不重要的问题做得很精确，不如对真正重要的问题给出近似但有用的答案。

图1｜若干药物开发参数对单个成功上市药物资本化成本的影响。

生物数据带来的挑战

药物发现中的生物数据与图像分类、语音识别等人工智能成功领域的数据有根本差异。生物数据不仅稀缺、高维且充满混杂因素，还高度依赖实验条件、遗传变异、环境因素和疾病背景。更重要的是，研究人员通常无法在坚实理论层面理解输入与输出之间的完整过程，这种情况被称为认识论不透明。其结果是，研究人员往往无法给化合物效应或治疗反应赋予稳定、无条件、可迁移的标签，从而难以训练出可靠支持临床决策的人工智能模型。

例如，同一种药物在具有特定驱动变异的患者中可能有效，在同一疾病分类下但由其他异常驱动的患者中则可能无效。药物代谢酶表达、生活方式、吸烟、营养和微生物组等因素也会改变药物反应。即便是控制条件下的细胞药理基因组筛选，不同数据集之间也可能经验上不一致。另一方面，所谓输出标签本身也依赖实验设置：化合物是否“作用于某个靶点”，取决于所用实验是结合实验还是功能实验，也取决于ATP浓度等实验参数；化合物是否“对疾病有效”，则取决于疾病内型、给药方式和临床终点选择。

图2展示了代理数据预测性不足的典型问题。肝类器官中测得的药物诱导细胞毒性与临床药物性肝损伤风险相关性较低，即使校正人体血浆暴露后仍难以区分风险类别。热迁移实验虽然容易高通量获得，但与目标酶抑制活性之间也只有边缘关联。因此，单纯把这些可得但弱预测性的代理数据输入人工智能模型，并不会自然产生更好的项目决策。

图2｜药物发现中常见代理数据预测性较低的示例。

化学数据带来的挑战

药物发现中的化学数据也具有系统性限制。化学空间巨大、高维，而且实际可用数据只覆盖其中很小且有偏的一部分。文章用宇宙类比化学空间：每个星系代表一个化学区域，恒星和太阳系代表较密集定义的局部空间。相比可观测宇宙，小分子化学空间可能更大；对于大分子和分子组装体而言，实用意义上几乎无限。因此，任何实际数据集只能覆盖极小片段。

化学空间还高度局部化。在一个骨架上添加某个官能团，可能与在另一个分子上添加同一官能团产生完全不同的性质变化。这使跨化学系列外推非常困难。某些理化性质如logD较容易建模，因为描述符能较好捕捉底层趋势；但即便是溶解度，也会受到固态结构和分子间方向性相互作用影响，仅从单分子结构难以充分推断。

这一问题还影响模型验证。常见的时间序列划分或外部测试集只能部分模拟未来项目，但未来项目往往会落在完全不同的“化学系列星系”中。此外，多目标药物设计需要同时优化活性、选择性、理化性质、ADME和药代动力学等多个终点，而不同终点训练数据往往几乎没有重叠。图3显示，四个常见ADME相关数据集中，共享化合物和共享骨架比例极低，这意味着不同模型的适用域并不同步，给多目标优化带来巨大困难。

图3｜预测建模中化学数据面临的挑战。

为人工智能应用生成数据

研究人员强调，数据本身不是知识；真正有价值的是理解某个过程，并用数据对其参数化，从而支持现实决策。药物发现涉及活体系统和实验系统中的大量变量，因此单纯累积数据不足以回答关键科学问题。若研究人员无法判断大量数据中的信号在哪里，数据甚至可能变成噪声。

当前药物发现人工智能的一大问题，是模型开发者未必充分理解数据中的混杂因素、条件性和认识论不透明性，从而过度相信标签。这会传导到基准测试体系中，造成“基准分数提高”等同于领域进展的错觉。在图像和语音识别中，基准性能提升常能较好转化为现实表现；但在药物发现中，数据标签往往条件化且含义模糊，基准集数值提升并不必然转化为真实项目中的更好决策。研究人员认为，不以推销新方法为目的、选择相关终点、无偏且朴素的基准研究更可信；盲法和前瞻性评估仍是较少数能够准确评价性能的方式。

研究人员还指出，药物发现的瓶颈并不只是生成数据，而是将数据“落地”为临床相关决策。人类基因组计划等工作确实帮助建立了生物学组成部件的静态图谱，但并未自动实现早期对药物靶点数量和高通量靶点验证的期待。真正需要关注的是数据对体内和临床结局的预测有效性。完全可重复地生成与临床问题无关的数据，并不能解决药物发现中的关键问题。

仅有模型验证并不充分

模型验证本身不足以证明模型有用。问题不只是模型在测试集上的指标是否提高，而是它在具体项目和具体决策流程中是否改善结果。图4将模型置于药物发现流程中：中心框是模型本身，外侧一端是项目背景，如疾病、内型、靶点、靶器官和预期人体剂量；另一端是模型输出之后可采取的后续实验和决策。如果研究人员只优化模型框中的性能指标，而忽视项目背景和后续行动，模型就很难真正支持实际决策。

例如，一个用于预测某浓度下毒性的模型，其训练浓度是在数据生成时确定的；但未来项目中人体实际达到的暴露浓度可能完全不同。如果模型不能覆盖相关浓度范围，即使测试集表现良好，也未必适用于真实用药情境。同样，模型输出必须连接到现实中可行、快速、经济且有转化意义的后续实验。否则，模型预测只是孤立数字，而不是药物发现流程中的有效决策支持。

文章进一步区分了三类模型使用场景：选择、排除和定量预测。早期命中发现属于选择场景，关键是优先排序后实验可测试子集中的命中率；毒性或高 clearance 筛除属于排除场景，关键是尽可能识别不应继续推进的化合物；而体内剂量预测属于定量预测场景，关键是对固定候选分子给出足够准确的数值和误差理解。通用指标如AUC无法同时反映这些差异。图5显示，两个AUC相近的模型，在早期选择和晚期排除场景中的实用表现可能完全相反。

图4｜模型验证与将预测模型转化为药物发现流程改进之间的区别。

图5｜评估模型性能时使用场景的重要性。

目前处在什么阶段？

研究人员认为，当前人工智能在药物发现中的应用呈现出“技术能力进展明显，但临床影响有限”的状态。最具影响力的例子包括AlphaFold及相关蛋白结构预测方法。AlphaFold蛋白结构数据库拥有庞大用户群，其成功建立在PDB多年沉积的蛋白结构数据和进化信息基础上。然而，这更多是模型验证层面的成功，即蛋白折叠预测成功；它并不自动等同于药物发现流程验证中的成功，因为药物发现的目标是获得具备合适整体性质、可推进为候选药物的调节剂。

当AlphaFold预测结构用于虚拟筛选时，结果较为混合，有时与传统同源模型相当。AlphaFold3等新方法因显式建模分子相互作用而有所改进，但某些共折叠方法仍未充分捕捉真实物理结合过程。小分子生成模型也已成为命中发现中的重要工具，并在提高命中率和发现新化学型方面有实验验证案例；但其贡献主要在于更有效搜索化学空间，成功仍多局限于配体设计而非完整药物设计，因为体内性质、人体生物利用度和临床相关属性仍难以准确预测。不同应用领域差异很大。小分子合成预测、ADME预测、生成式分子设计、蛋白结构预测、蛋白/肽/抗体设计、细胞与基因治疗制造、高内涵成像、单细胞和空间转录组学、深度学习、大语言模型、真实世界证据和临床试验设计等方向都取得了一定进展，但共同挑战是如何把数据、模型和使用场景更紧密地连接起来。尤其在高维生物实验中，关键不在于单纯生成更多数据，而在于识别与临床决策相关的变量。

未来应走向何处？

研究人员提出两步路径。第一，识别当前药物发现数据与临床开发结局预测性之间的最大缺口，也就是决定应该测量什么来弥合转化鸿沟。第二，在与使用场景相关的方式下迭代人工智能模型设计和验证，包括可重复性、计算建模方式、生产化和规模化。更重要的是，必须先做正确的事情，而不是把错误的事情在技术上做得很漂亮。

研究人员将预测模型价值理解为两方面的结合：它能否提高项目临床成功率，以及它能适用于多大范围的项目决策。安全性和药代动力学模型往往跨项目适用性较广，而靶点或疾病特异性模型则更受限。模型适用域还取决于训练数据覆盖的化学空间和治疗模态。

确定应该做什么

未来人工智能在药物发现中应更重视生成和选择能预测人体疗效与安全性的数据。高维功能读出，如Cell Painting、单细胞RNA测序和扰动图谱，可以帮助机器学习模型区分生理细胞状态，并将基因扰动与通路层面生物效应连接起来。若这些实验在更接近人体生物学的系统中进行，例如原代人细胞、诱导多能干细胞模型、器官芯片、类器官或多供体体系，就有望将更多人群变异纳入临床前测试，从而提高转化预测性。

在神经退行性疾病等领域，疾病相关细胞类型的选择性脆弱性非常关键。诱导多能干细胞来源模型可捕捉动物模型缺乏的人类神经元特征，并已在肌萎缩侧索硬化、帕金森病和阿尔茨海默病等疾病研究中显示潜力。未来，还需要将基因编辑、疾病相关扰动、多组学测量和相关生物系统结合起来，形成“因果遗传学”框架，直接检验疾病假设并连接机制原因与表型效应。

参考资料：

Bender, A., Thomas, M.C., Scannell, J.W. et al. Artificial intelligence in drug discovery — what it is, where we stand and the path forward. Nat Rev Drug Discov (2026). 

https://doi.org/10.1038/s41573-026-01496-2

过去十年，人工智能在药物发现中的应用受到持续关注。现在有必要对该领域进展进行批判性回顾：人工智能究竟在哪些方面取得了进步，又在哪些真正关系到药物发现成败的问题上仍缺乏影响？药物发现的最终目标不是在基准测试中取得更高分数，而是更快地为患者带来更安全、更有效的药物。尽管大量人工智能方法已被开发、应用和评估，但截至目前，其临床相关影响仍然有限。研究人员认为，原因可能包括模型开发过程中对临床转化关注不足，人工智能算法难以处理生命科学中高度条件化的数据，现实应用场景定义不充分，以及计算模型在真实药物发现任务中被欠规范化。此外，“技术推动”多于“科学牵引”，以及将技术能力转化为可规模化、可访问系统所需时间较长，也可能是重要因素。文章提出，未来药物发现人工智能的评估应从单纯模型验证转向判断其是否真正改善决策。

人工智能已经在图像识别和语音识别等领域产生深远影响，例如语音识别已被广泛整合到移动设备中，并达到较高准确度。人工智能也已在药物研发中应用多年，但其影响尚未达到公众叙事中常见的程度。现有综述显示，大多数“AI-first”药物发现公司的项目仍处于临床前阶段，进入I期和II期的项目数量有限，进入III期者更少。虽然有人认为药物发现周期长，因此尚未观察到人工智能的最终临床成果，但这一解释并不充分，因为人工智能倡导者本身也曾强调它会显著缩短研发周期。

相比之下，人工智能技术能力本身的进步确实令人鼓舞。研究人员已经能够预测多种蛋白质结构，设计具备特定功能的蛋白质，并利用单细胞组学、空间组学等新测量技术产生大量数据。然而，单个技术能力的提高并不等同于临床转化中的整体决策改善。药物发现和开发由一连串关键决策组成，很难准确判断某个项目成功或失败到底源于正确靶点选择、合适筛选体系、化学优化直觉、可用转化动物模型，还是偶然因素。因此，将成功简单归因于某种人工智能方法，或将失败归结为“运气不好”，都可能造成认知和传播偏差。

哪些改进最重要？

研究人员首先提出一个关键问题：在药物发现和开发的多个阶段中，人工智能工具如果要产生最大影响，应该改善什么？模型分析显示，最重要的是临床影响，尤其是提高首次疗效评价阶段通常为II期试验的成功率。II期成功率低，是因为项目从I期的安全性、耐受性和药代动力学评价，转向更大患者群体中的疗效和最佳剂量评估；患者遗传背景、疾病严重程度和合并症差异也会增加变异性和混杂因素。

然而，目前小分子药物发现中的人工智能工作主要集中于临床前阶段，例如命中发现。这样做可以理解，因为II期成功受到早期许多选择影响，包括候选药物理化性质、筛选库选择以及患者群体选择等。但如果人工智能只关注容易获得标注数据的临床前环节，就有“在灯光下找钥匙”的风险：研究人员会在有数据、易建模的地方优化模型，而不是在最可能影响药物成功的位置解决问题。真正值得关注的是那些能够改善临床成功率的决策，例如利用生物标志物匹配合适患者群体。图1显示，使用生物标志物进行患者分层的项目，其每个成功上市药物的资本化成本约为未使用生物标志物项目的一半左右，原因主要是临床阶段成功率提高。

因此，药物发现人工智能需要从“能做什么”转向“应该做什么”。仅仅建模现成数据，但这些数据无法推动关键临床决策，并不足以提升药物研发。研究人员强调，与其把不重要的问题做得很精确，不如对真正重要的问题给出近似但有用的答案。

图1｜若干药物开发参数对单个成功上市药物资本化成本的影响。

生物数据带来的挑战

药物发现中的生物数据与图像分类、语音识别等人工智能成功领域的数据有根本差异。生物数据不仅稀缺、高维且充满混杂因素，还高度依赖实验条件、遗传变异、环境因素和疾病背景。更重要的是，研究人员通常无法在坚实理论层面理解输入与输出之间的完整过程，这种情况被称为认识论不透明。其结果是，研究人员往往无法给化合物效应或治疗反应赋予稳定、无条件、可迁移的标签，从而难以训练出可靠支持临床决策的人工智能模型。

例如，同一种药物在具有特定驱动变异的患者中可能有效，在同一疾病分类下但由其他异常驱动的患者中则可能无效。药物代谢酶表达、生活方式、吸烟、营养和微生物组等因素也会改变药物反应。即便是控制条件下的细胞药理基因组筛选，不同数据集之间也可能经验上不一致。另一方面，所谓输出标签本身也依赖实验设置：化合物是否“作用于某个靶点”，取决于所用实验是结合实验还是功能实验，也取决于ATP浓度等实验参数；化合物是否“对疾病有效”，则取决于疾病内型、给药方式和临床终点选择。

图2展示了代理数据预测性不足的典型问题。肝类器官中测得的药物诱导细胞毒性与临床药物性肝损伤风险相关性较低，即使校正人体血浆暴露后仍难以区分风险类别。热迁移实验虽然容易高通量获得，但与目标酶抑制活性之间也只有边缘关联。因此，单纯把这些可得但弱预测性的代理数据输入人工智能模型，并不会自然产生更好的项目决策。

图2｜药物发现中常见代理数据预测性较低的示例。

化学数据带来的挑战

药物发现中的化学数据也具有系统性限制。化学空间巨大、高维，而且实际可用数据只覆盖其中很小且有偏的一部分。文章用宇宙类比化学空间：每个星系代表一个化学区域，恒星和太阳系代表较密集定义的局部空间。相比可观测宇宙，小分子化学空间可能更大；对于大分子和分子组装体而言，实用意义上几乎无限。因此，任何实际数据集只能覆盖极小片段。

化学空间还高度局部化。在一个骨架上添加某个官能团，可能与在另一个分子上添加同一官能团产生完全不同的性质变化。这使跨化学系列外推非常困难。某些理化性质如logD较容易建模，因为描述符能较好捕捉底层趋势；但即便是溶解度，也会受到固态结构和分子间方向性相互作用影响，仅从单分子结构难以充分推断。

这一问题还影响模型验证。常见的时间序列划分或外部测试集只能部分模拟未来项目，但未来项目往往会落在完全不同的“化学系列星系”中。此外，多目标药物设计需要同时优化活性、选择性、理化性质、ADME和药代动力学等多个终点，而不同终点训练数据往往几乎没有重叠。图3显示，四个常见ADME相关数据集中，共享化合物和共享骨架比例极低，这意味着不同模型的适用域并不同步，给多目标优化带来巨大困难。

图3｜预测建模中化学数据面临的挑战。

为人工智能应用生成数据

研究人员强调，数据本身不是知识；真正有价值的是理解某个过程，并用数据对其参数化，从而支持现实决策。药物发现涉及活体系统和实验系统中的大量变量，因此单纯累积数据不足以回答关键科学问题。若研究人员无法判断大量数据中的信号在哪里，数据甚至可能变成噪声。

当前药物发现人工智能的一大问题，是模型开发者未必充分理解数据中的混杂因素、条件性和认识论不透明性，从而过度相信标签。这会传导到基准测试体系中，造成“基准分数提高”等同于领域进展的错觉。在图像和语音识别中，基准性能提升常能较好转化为现实表现；但在药物发现中，数据标签往往条件化且含义模糊，基准集数值提升并不必然转化为真实项目中的更好决策。研究人员认为，不以推销新方法为目的、选择相关终点、无偏且朴素的基准研究更可信；盲法和前瞻性评估仍是较少数能够准确评价性能的方式。

研究人员还指出，药物发现的瓶颈并不只是生成数据，而是将数据“落地”为临床相关决策。人类基因组计划等工作确实帮助建立了生物学组成部件的静态图谱，但并未自动实现早期对药物靶点数量和高通量靶点验证的期待。真正需要关注的是数据对体内和临床结局的预测有效性。完全可重复地生成与临床问题无关的数据，并不能解决药物发现中的关键问题。

仅有模型验证并不充分

模型验证本身不足以证明模型有用。问题不只是模型在测试集上的指标是否提高，而是它在具体项目和具体决策流程中是否改善结果。图4将模型置于药物发现流程中：中心框是模型本身，外侧一端是项目背景，如疾病、内型、靶点、靶器官和预期人体剂量；另一端是模型输出之后可采取的后续实验和决策。如果研究人员只优化模型框中的性能指标，而忽视项目背景和后续行动，模型就很难真正支持实际决策。

例如，一个用于预测某浓度下毒性的模型，其训练浓度是在数据生成时确定的；但未来项目中人体实际达到的暴露浓度可能完全不同。如果模型不能覆盖相关浓度范围，即使测试集表现良好，也未必适用于真实用药情境。同样，模型输出必须连接到现实中可行、快速、经济且有转化意义的后续实验。否则，模型预测只是孤立数字，而不是药物发现流程中的有效决策支持。

文章进一步区分了三类模型使用场景：选择、排除和定量预测。早期命中发现属于选择场景，关键是优先排序后实验可测试子集中的命中率；毒性或高 clearance 筛除属于排除场景，关键是尽可能识别不应继续推进的化合物；而体内剂量预测属于定量预测场景，关键是对固定候选分子给出足够准确的数值和误差理解。通用指标如AUC无法同时反映这些差异。图5显示，两个AUC相近的模型，在早期选择和晚期排除场景中的实用表现可能完全相反。

图4｜模型验证与将预测模型转化为药物发现流程改进之间的区别。

图5｜评估模型性能时使用场景的重要性。

目前处在什么阶段？

研究人员认为，当前人工智能在药物发现中的应用呈现出“技术能力进展明显，但临床影响有限”的状态。最具影响力的例子包括AlphaFold及相关蛋白结构预测方法。AlphaFold蛋白结构数据库拥有庞大用户群，其成功建立在PDB多年沉积的蛋白结构数据和进化信息基础上。然而，这更多是模型验证层面的成功，即蛋白折叠预测成功；它并不自动等同于药物发现流程验证中的成功，因为药物发现的目标是获得具备合适整体性质、可推进为候选药物的调节剂。

当AlphaFold预测结构用于虚拟筛选时，结果较为混合，有时与传统同源模型相当。AlphaFold3等新方法因显式建模分子相互作用而有所改进，但某些共折叠方法仍未充分捕捉真实物理结合过程。小分子生成模型也已成为命中发现中的重要工具，并在提高命中率和发现新化学型方面有实验验证案例；但其贡献主要在于更有效搜索化学空间，成功仍多局限于配体设计而非完整药物设计，因为体内性质、人体生物利用度和临床相关属性仍难以准确预测。不同应用领域差异很大。小分子合成预测、ADME预测、生成式分子设计、蛋白结构预测、蛋白/肽/抗体设计、细胞与基因治疗制造、高内涵成像、单细胞和空间转录组学、深度学习、大语言模型、真实世界证据和临床试验设计等方向都取得了一定进展，但共同挑战是如何把数据、模型和使用场景更紧密地连接起来。尤其在高维生物实验中，关键不在于单纯生成更多数据，而在于识别与临床决策相关的变量。

未来应走向何处？

研究人员提出两步路径。第一，识别当前药物发现数据与临床开发结局预测性之间的最大缺口，也就是决定应该测量什么来弥合转化鸿沟。第二，在与使用场景相关的方式下迭代人工智能模型设计和验证，包括可重复性、计算建模方式、生产化和规模化。更重要的是，必须先做正确的事情，而不是把错误的事情在技术上做得很漂亮。

研究人员将预测模型价值理解为两方面的结合：它能否提高项目临床成功率，以及它能适用于多大范围的项目决策。安全性和药代动力学模型往往跨项目适用性较广，而靶点或疾病特异性模型则更受限。模型适用域还取决于训练数据覆盖的化学空间和治疗模态。

确定应该做什么

未来人工智能在药物发现中应更重视生成和选择能预测人体疗效与安全性的数据。高维功能读出，如Cell Painting、单细胞RNA测序和扰动图谱，可以帮助机器学习模型区分生理细胞状态，并将基因扰动与通路层面生物效应连接起来。若这些实验在更接近人体生物学的系统中进行，例如原代人细胞、诱导多能干细胞模型、器官芯片、类器官或多供体体系，就有望将更多人群变异纳入临床前测试，从而提高转化预测性。

在神经退行性疾病等领域，疾病相关细胞类型的选择性脆弱性非常关键。诱导多能干细胞来源模型可捕捉动物模型缺乏的人类神经元特征，并已在肌萎缩侧索硬化、帕金森病和阿尔茨海默病等疾病研究中显示潜力。未来，还需要将基因编辑、疾病相关扰动、多组学测量和相关生物系统结合起来，形成“因果遗传学”框架，直接检验疾病假设并连接机制原因与表型效应。

参考资料：

Bender, A., Thomas, M.C., Scannell, J.W. et al. Artificial intelligence in drug discovery — what it is, where we stand and the path forward. Nat Rev Drug Discov (2026). 

https://doi.org/10.1038/s41573-026-01496-2