Iambic Therapeutics 的定位是把 AI 分子设计与临床开发结合，公开发表过 NeuralPLexer 等蛋白-配体复合物结构预测模型，并推进自有管线进入临床。它提供了一个观察「从 AI 设计到临床」完整链条的视角。
从设计到临床的完整链条
| 阶段 | 周期 | AI 的作用 | 主要风险 |
|---|---|---|---|
| 靶点选择 | 数月 | 证据整合 | 生物学假设错误 |
| 苗头发现 | 数月 | 虚拟筛选、生成 | 找不到起点 |
| 先导优化 | 1～2 年 | 贡献最大：多参数优化 | 性质难以同时满足 |
| 候选提名 | 数月 | ADMET 预测辅助 | 成药性不过关 |
| 临床前 | 1～2 年 | 有限 | 毒理、药代不达标 |
| I 期 | 1～2 年 | 很有限 | 安全性、暴露不足 |
| II 期 | 2～3 年 | 几乎没有 | 疗效不足（最大关口） |
| III 期 | 2～4 年 | 几乎没有 | 确证性疗效、罕见不良反应 |
这张表说明了一个关键事实：AI 的贡献集中在链条前段，而失败集中在后段。先导优化阶段能省一年，对总周期十几年的项目而言是有意义的改进，但改变不了 II 期疗效验证这个最大关口。
NeuralPLexer 类模型的定位
- 属于蛋白-配体复合物结构预测，与 AlphaFold 3、Boltz、Chai-1 是同一类问题；
- 价值在于不需要实验共晶结构就能获得可用的结合模式假设，这在项目早期特别有用；
- 但仍需交叉验证：与传统对接比对、做物理有效性检查（PoseBusters）、最终以共晶结构确证；
- 预测姿势准 ≠ 亲和力预测准：这是所有这类模型的共同限制。
「AI 制药公司」推进临床的现实
- 临床开发的能力与 AI 无关：试验设计、患者招募、监管沟通、数据管理、安全性监测——这些需要传统的临床开发团队与经验，AI 帮不上什么忙。
- 资金需求量级不同：临床试验的成本远超计算与临床前，一个 II 期试验可能耗资数千万美元。这对创业公司是巨大压力。
- 常见策略：推进到某个临床节点后与大药企合作或授权出去，由后者承担后期开发。
- 验证标准：只有药物最终获批，才能说这条技术路线被验证了。目前尚无完全由 AI 端到端做出的上市药物，这是判断整个领域进展时应始终记住的事实。
对从业者的实际启示
- 把 AI 用在它真正能贡献的地方：先导优化的多参数权衡、虚拟筛选的覆盖面、ADMET 的早期预警。这些是明确有价值的。
- 不要用 AI 的成绩掩盖生物学风险：分子设计得再好，靶点错了就是全盘皆输。靶点验证的投入应该与分子优化同等重要。
- 对时间线保持诚实：「AI 把药物发现从 5 年缩短到 1 年」这类说法通常只覆盖临床前的某一段。完整开发仍需十年量级。
- 关注失败原因的分布：如果你的项目失败风险主要在临床疗效，那么投入更多算力优化分子的边际收益很低。应该把资源投向降低生物学风险。
提示
公司管线与临床进展变动较快，本文为方向性观察，具体信息请以官方披露与监管备案为准。AI 的贡献集中在研发前段，而失败集中在临床阶段，这是评估任何 AI 制药叙事时的基本框架。
延伸资源
- 结构预测对照：192《Boltz》、193《Chai-1》、184《DiffDock》；
- 同类公司：311《Exscientia》、323《Genesis Therapeutics》；
- 临床决策见「决策与监管」模块。