2026年9月,Insilico Medicine在Nature Biotechnology发表研究,基于42名特发性肺纤维化患者12周的随机双盲临床试验,应用六种蛋白质组衰老时钟验证了AI生成的TNIK抑制剂的抗衰老活性——治疗组生物年龄显著降低,而安慰剂组无变化。这一成果验证了AI驱动药物发现的可行性,但也呈现了当前AI制药的主流路径:以单一靶点为核心,针对特定疾病开发小分子药物。

单分子发现的局限与复合配方的难题

单靶点药物发现的技术范式已相对成熟,但天然产物和复合原料类健康产品面临截然不同的挑战。这类产品的核心难点不在于找到某个“明星分子”,而在于判断多种成分之间是“互相增强”还是“彼此抵消”。此前,MIT团队在《自然·衰老》上展示的图神经网络成果,虽能从2352个化合物中预测出可清除衰老细胞的候选分子,但仍停留在单分子发现阶段。

成分协同预测的数学复杂性远超单靶点筛选。当配方中仅包含10种候选成分时,需要评估的相互作用组合就超过1000种;成分数量增至20种时,组合空间呈指数级膨胀。传统实验方法无法穷举这一空间,这正是AI方法的用武之地。

多成分协同的AI解法

LAIFE母公司Regenerative Bio 旗下 RevOrgan平台针对的正是这一缺口。它搭建了一套“原料筛选—机制解析—配方优化”的完整系统,其中成分协同与组合优化模型专门用于判断多种原料之间的增强、互补或拮抗关系。

NMN与白藜芦醇的组合优化是这一能力的集中体现。机制层面,NMN作为NAD+的直接前体负责“补充原料”,白藜芦醇则通过上调NMN向NAD+转化的限速酶NMNAT的表达来“优化通路”,二者形成“1+1>2”的多维度协同。一项发表于Pharmacology Research & Perspectives的动物实验研究表明,与单独使用NMN相比,NMN联合白藜芦醇可使心脏NAD+水平提升约1.59倍,肌肉NAD+水平提升约1.72倍。 RevOrgan通过AI进一步优化了两种成分的配比,使NAD+生物活性达到同类组合的1.7倍。

从技术基础设施看,AI驱动的配方优化正在成为一个活跃的研究方向。2025年发表于npj Computational Materials的研究生成了超过30,000种溶剂混合物的高通量模拟数据集,证明机器学习方法可以将配方筛选效率提升至随机猜测的2至3倍。2026年《中国天然药物》发表的综述也系统梳理了AI在天然产物组合预测中的进展,指出多源异构数据的整合与自主特征提取正在显著提升协同组合的预测准确率。

目前,AI驱动的天然产物协同组合发现已成为国际研究热点。AI制剂研发正在从单点突破走向系统优化,而复合配方的精准设计将是这一演进中最具落地价值的场景之一。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005

文章投诉热线:157 3889 8464  投诉邮箱:7983347 16@qq.com