AI發現海量新藥，卡在“洗干凈”這一步

你也許很難想象，當人工智能一天就能篩查完幾十萬種化學結構時，攔在新藥與患者之間的最大障礙，居然不是研發思路，也不是臨床試驗的漫長等待，而是制藥工業里一個聽起來很不起眼的環節——把分子“洗干凈”。

這幾年，AI和大數據已經徹底改變了藥物發現的速度。從海量分子庫中快速鎖定高潛力的候選化合物，原本需要幾年，現在可能只需要幾周。但隨之而來的，是一道被許多人忽略了的新裂隙：我們設計奇跡分子的能力，正遠遠超過把它們安全地、大規模地造出來的能力。從實驗室里毫升級的燒瓶，到動輒幾千升的商業化生物反應器，整個過程會經歷一系列非線性的生物和工程劇變，其中最容易翻車的，偏偏就是純化。

《新科學家》聯合生命科學企業Cytiva做了一期對談播客，就專門聊了聊這個藏在聚光燈之外的“保命工程”。兩位純化領域的專家——Cytiva的杰出科學家亨里克·伊爾（Henrik Ihre）和業務負責人保羅·貝爾徹（Paul Belcher）——用整個制藥鏈條上被忽略的那道工序，串起了從理論分子到藥房貨架上一瓶真藥的驚險一躍。

如果把新藥上市比作一場接力賽，第一棒當然是“發現”。過去幾十年里，這一棒跑得步履沉重，全靠化學家在海量的可能性中手工試錯。現在，AI接過這第一棒，直接把速度從步行變成了沖刺。它能從天文數字般龐大的化合物空間中，不斷抓出那些最有生物學潛力的分子結構，把它們像種子一樣源源不斷撒進下游的管線。問題在于，后面的棒次——尤其是負責“造出來”的制造環節——并沒有同步換裝成跑車。

從理論到貨架，一條藥要闖過數道考驗。在實驗室燒瓶里合成出幾毫克樣品，確認它有效，這僅僅是第一步。真正開始面對真實世界時，生產規模需要膨脹到以公斤、甚至噸為單位，而且絕不能只造一次就結束，每一批都必須和上一批一模一樣地純粹、穩定。燒瓶里的反應條件，到了幾層樓高的不銹鋼生物反應器里會變得完全不一樣：流體怎么混合、氧氣怎么遞送、細胞怎么生長、代謝副產物怎么分布……所有物理和生物的參數都像被扔進放大鏡，微小偏差立刻被放大成致命鴻溝。

純化就是在這樣的鴻溝里第一個被絆倒的環節。說人話就是：你得從一團由細胞、營養液、副產物、以及你真正想要的那個分子攪和成的“湯”中，把目標物完整地撈出來，并且讓雜質低到幾乎不存在的地步。專家們在播客里解釋了這個過程的核心——色譜樹脂。你可以把它想象成一批特制的小磁珠，每一顆都帶著只和特定目標分子“握手”的分子釣竿。把這鍋湯流過裝滿樹脂的柱子，目標分子就會掛在樹脂上，其他臟東西全被沖走，最后再用另一種溶液把純凈的分子請下來。原理聽起來像用吸鐵石從沙里吸出鐵屑，只是這枚“鐵屑”的結構精細到納米級，而且脾氣極怪，溫度、酸堿度、流動速度稍有不對，就可能斷裂、聚集或徹底失去活性。

如果只是在實驗室量級，一切還在掌控之中。可一到了工業量級，樹脂柱的尺寸大到一個成年人都環抱不住，液體流動的路徑立刻變得不均勻：中間的流速快，邊上的流速慢，有些地方甚至形成死區。那些在實驗室里安安靜靜待在溶液里的分子，到了這個會場就開始亂跑，有的“遲到”被提前沖出，有的被困在死角最終混入成品。換句話說，小規模成功的“干凈配方”，搬進工廠后很可能直接造出一堆不合格的廢藥。

更棘手的是，純化的難度不是一條直線，而是越往后越陡峭。初期要去除的主要是細胞碎片、大顆粒蛋白質這些相對粗糙的雜質，簡直像篩沙。可到了后期，需要剔除的雜質和產品分子長得極其相似，可能只是折疊方式有細微異常，或者多掛了一個小化學基團，但它們一旦注入人體，就可能引發免疫風暴。貝爾徹在對話中特別強調，越靠近制劑灌裝的最后一段工序，對雜質的容忍度越逼近于零，而此時每去除一點雜質所要付出的成本和工藝復雜度，幾乎是指數級上升。

這就不只是工程和經濟層面的賬了。一旦純化環節出現疏漏，最先遭殃的是活生生的人。播客里有一個專門章節討論“純化出錯時的人道代價”——當未能分離掉的有害蛋白或者殘余DNA碎片混入注射液，輕則讓整批藥品失效，重則可能誘發嚴重的過敏反應甚至更不可逆的損傷。這不是理論推演，現代制藥史上，任何一起純化事故都足以讓長達數年的整個研發計劃歸零，不僅意味著天文數字的損失，更意味著那些等著新藥救命的患者被再一次推入無望的等待。

那么，在前面跑得飛快的AI，有沒有可能也拉純化一程？伊爾和貝爾徹的看法讓人有些振奮：AI確實已經開始滲透進純化工藝的開發。過去，要找到一個最優純化條件組合（樹脂類型、洗脫液配方、流速、溫度、梯度變化），工程師們得反復像做菜一樣微調試錯，耗時漫長。現在，機器學習模型可以同時并行模擬幾萬組工藝窗口，快速篩出那些能讓回收率和純度雙雙飆高的溫點。不但如此，AI還能通過解析目標分子的序列和三維結構，提前預測它在不同色譜介質上的行為，從而在實驗還沒開始之前就為工藝指明方向。

這讓問題的另一面浮出水面：藥物發現和藥物制造，本質上都在被同一種計算力量重塑。如果說上半場的革命是讓候選分子清單變得更長，那么下半場的革命就是讓這些分子能真正安全地走出工廠。兩位專家在最后聊到時，并不遮掩仍有很多硬骨頭要啃——比如如何讓AI學會理解生物反應器里那些“說不清道不明”的物理混沌，以及如何讓算法從有限的工業數據中也能泛化出可靠的方案。但整場對話的底色里，分明流淌著一種看好：AI驅動下的發現管道越是澎湃，來自純化技術的堅實回響就越顯珍貴。當“設計出來”和“造出來”之間的裂痕開始彌合，那些曾經只存在于論文插圖里的奇跡分子，才有機會變成握在患者手里的藥瓶。