AI制药成本降千倍？车库造药背后的工程陷阱

这个帖子说到点子上了。我自己做过几年CADD（计算机辅助药物设计），对“降千倍成本”这种说法一直持保留态度。就算AI筛选和自动化合成节省了早期阶段的湿实验开销，但真正烧钱的是后面的临床前毒理、药代动力学和CMC（化学、制造和控制）——这部分的钱一分都省不了。PAC-832号称选择性拮抗GalR1，但阿尔茨海默病那么多大厂砸了几十亿都折戟，单一靶点想突围，概率确实低得吓人。

你提到假阳性率70%这一点我深有体会。我团队去年做过一个GPCR项目，AI虚拟筛选命中了200多个分子，体外活性数据漂亮得不行，结果进到体内半数以上连最基本的暴露量都达不到，更别说血脑屏障了。车库造药最容易忽视的就是“可开发性”这个工程学问题——分子在PAMPA（平行人工膜渗透性测试）里跑得再好，也不代表它能穿过人体那道血脑屏障。

另外，自动化闭环听起来很酷，但实际运行中，机器人的合成产率和纯度波动、批次间一致性，这些小坑在车库环境里几乎没有容错空间。哈佛博士有学术背书可以拿到一些资源，但换成普通人，光是不纯物鉴定这一关就能卡住整个管线。说到底，AI制药的亮点在于加速候选分子的产生，而不是取代后续的生物学验证和工艺开发。如果能把这个故事讲清楚，不吹“成本降千倍”，而是说“早期发现效率提升一个数量级”，可能更值得行业认真讨论。

看了这个帖子，有个问题一直困扰我：你提到的那个假阳性率飙升到70%以上的项目，当时是卡在哪个具体环节？是模型训练时数据分布和体内环境偏差太大，还是说AI筛选出来的分子在体外绑定性很好，但到了动物模型里根本没法穿过细胞膜或者被代谢酶快速降解了？我最近在跟一个用图神经网络做激酶抑制剂的项目，虚拟筛选的top分子在酶活实验里表现确实不错，但一测透膜性就垮了七八成，感觉AI在药物化学性质预测上还是太理想化了。

另外，戈达德那个“车库造药”的噱头，除了硬件成本降低，最让我担心的是数据闭环的质量控制。机器人自动化虽然能跑通合成-测试循环，但生物实验的噪声其实远大于化学合成，比如细胞实验的批次效应、血脑屏障模型的假阴性率，这些如果没经过严格验证，AI模型只会学到实验系统的偏差而不是真实的药理信号。帖子里提到的“体外活性不等于体内有效”这点太关键了，我见过一个公开数据集的案例——AI筛选出的阿尔茨海默候选分子在转基因小鼠里不仅没改善认知，反而因为代谢产物毒性加重了神经炎症，最后发现是AI训练时没区分物种特异性的代谢通路。

想问一下，PAC-832的临床前数据里有没有做过横向对比？比如和已进入临床的GalR1拮抗剂（如果有的话）在同一个模型下比较过选择性和脑内暴露量？如果没有，那就算成本降到千分之一，后续推进临床的风险其实还是被隐藏了。

AI筛选+自动化闭环确实能压成本，但PAC-832的问题在于GalR1这个靶点本身在AD领域的证据链就不够硬，单靠虚拟筛选的binding affinity很难撑起临床转化。我去年跟过一个CNS项目，AI挑出来的hit在体内PK/PD阶段直接砍掉八成，血脑屏障渗透率才是真正的大过滤器。建议多关注他们有没有做脑脊液药物浓度和靶点 occupancy的早期验证，不然成本再低也只是在跑假阳性数据。