Exscientia：AI 设计小分子的经验和教训

Exscientia 在 AI 制药史上有特殊地位：它是最早宣布把 AI 设计的分子推进到临床试验的公司之一。它的完整经历——包括早期的高调进展和后来遇到的挫折——对理解这个领域的真实状况比任何成功案例都有价值。

技术路线：主动学习驱动的设计

• Centaur Chemist 的核心不是某个生成模型，而是「人机协同的主动学习循环」：模型提出候选分子 → 化学家评审筛选 → 合成少量 → 测试 → 数据回流更新模型 → 下一轮。
• 强调每轮只合成很少的分子（几个到几十个），用主动学习最大化每次实验的信息量；
• 目标是压缩 DMTA 闭环的轮数与总合成量。

「用更少的分子达到同样的优化效果」是这条路线的核心主张，公司曾报告过在部分项目上大幅减少合成量的数据。这个方向本身是合理的——先导优化的主要成本正是合成与测试。

公开的进展与挫折

• 公司曾宣布多个 AI 设计的分子进入临床试验，包括与日本住友制药合作的项目；
• 但其中多个项目后来被终止或停止推进，原因包括临床数据未达预期、战略调整等；
• 公司后续经历了管线重组、领导层变动，最终与 Recursion 合并。

这段经历最重要的信息是：把分子设计出来并进入临床，与这个分子最终成为药物，中间还隔着巨大的鸿沟。AI 加速了「设计」环节，但临床失败的主要原因——靶点生物学不成立、疗效不足、安全性问题——大多不是设计环节能解决的。

可迁移的经验

• 主动学习确实有价值：用模型指导「下一个该合成什么」，在数据积累到一定程度后能实质性减少无效实验。这个方法论独立于任何具体公司。
• 人机协同优于全自动：模型提候选、化学家把关，是目前最现实的模式。完全自动化的设计尚不成熟。
• 快速迭代比单次精确更重要：DMTA 闭环转得快，即使每轮预测不够准，累积效果也可能更好。
• 但「AI 设计」不解决生物学风险。这是最重要的教训。如果靶点选错了、疾病机制理解有误、患者群体不合适，分子设计得再优雅也无济于事。AI 制药的叙事一度过度聚焦分子设计，而新药研发的失败重心在临床。
• 对时间线要保守：「AI 把药物发现从 4～5 年缩短到 12 个月」这类说法通常只覆盖先导化合物发现阶段，而完整的新药开发仍需十年量级。

对自建团队的启示

延伸资源

• 合并方案例：310《Recursion》；其他公司：308《Insilico Medicine》、323《Genesis Therapeutics》；
• 主动学习与 DMTA 见「实战流程」模块；开源生成：221《REINVENT4》。