Insilico Medicine：AI 制药公司案例拆解

Insilico Medicine（英矽智能）是把「AI 参与从靶点发现到候选化合物全流程」这条路线推进得最远的公司之一，也是最早把 AI 参与设计的分子推进到临床中期的公司之一。它的公开信息较多，是理解 AI 制药实际能做到什么程度的一个好样本。

三平台结构

覆盖「靶点 → 分子 → 临床」三段，是它区别于单点工具公司的定位。但也要清醒：三个环节的成熟度差别很大——分子设计相对成熟，靶点发现依赖公开证据的质量，临床预测则是公认最难的一环。

最受关注的案例：特发性肺纤维化项目

公司公开披露的代表性项目是一个针对特发性肺纤维化（IPF）的候选药物，靶点为 TNIK，该靶点由其 AI 平台从组学与文献证据中提出，分子由生成平台设计。项目推进到了临床中期阶段并公布过初步结果。

这个案例常被引用的两个数字是从靶点发现到提名临床前候选的时间与成本——公司披露的数字明显低于行业传统平均水平。看待这类数字时应注意几点：

• 可比性问题：不同项目的难度差异极大，单个项目的时间成本不能直接与行业平均对比；
• 幸存者偏差：公开的是成功推进的项目，未推进的项目情况通常不披露；
• 「AI 发现」的边界：AI 参与了靶点提出与分子设计，但湿实验验证、化学优化、临床前研究、试验设计仍由人完成，工作量巨大；
• 最终判据是临床结果：加速临床前阶段固然有价值，但新药研发的失败绝大多数发生在临床阶段。只有药物最终获批，才能说这条路线被验证。

能学到的方法论

• 把 AI 嵌进完整流程，而非替代某一步：三个平台各自解决一段，中间由人衔接与判断。这比追求「端到端自动化」现实得多。
• 靶点新颖性与风险的权衡：选一个全新靶点，AI 的价值最大（省下大量文献调研），但生物学风险也最高。他们的做法是用多源证据交叉验证，并快速用实验证伪。
• 生成分子必须配合成可行性：Chemistry42 内建合成可及性打分，避免产出无法合成的分子。
• 快速证伪比精确预测更重要：AI 提出的靶点假设，用相对便宜的实验（细胞模型、敲除验证）尽快检验，而不是先做大量计算优化。这个「快速试错」的节奏，比模型精度更决定项目效率。
• 公开发表建立信任：把方法与结果发表在同行评审期刊上，是这个领域建立可信度的必要方式。

对自建团队的启示

• 不必追求全流程覆盖，先把一个环节做到能产生实际价值；
• 靶点侧可用 Open Targets（见 249《Open Targets Platform》）等开源资源自建大部分能力；
• 分子生成侧 REINVENT4（见 221《REINVENT4》）是成熟的开源起点；
• 真正的差异化在于实验闭环的速度——能多快验证一个假设，比模型多准几个点更重要。

延伸资源

• 平台详解：271《Chemistry42》、272《PandaOmics》、273《InClinico》；
• 开源替代：249《Open Targets Platform》、221《REINVENT4》；
• 其他公司案例：310《Recursion》、311《Exscientia》、313《Isomorphic Labs》。