過去兩周，生物制藥領域最受關注的事情莫過于在 2026 年美國臨床腫瘤學會（ASCO）年會上公布的胰腺癌口服新藥 daraxonrasib 的數據：經過治療的晚期胰腺癌患者，死亡風險降低 60%，中位總生存期為 13.2 個月，整整翻了一倍。

在這之前，禮來的 VERVE-102 項目數據顯示，僅需單次輸注，即可對人體肝臟內的 DNA 進行活體編輯，使 PCSK9 蛋白水平降低高達 88%，低密度脂蛋白（LDL）降低高達 62%，且療效維持一年以上。

作為生物技術領域的風險投資人、癌癥生物學家，Liang Chang 對于這些進展同樣倍感興奮。他在哈佛大學獲得癌癥生物學博士學位，同時，Liang Chang 也是一名 AI 重度使用者，在過去短短兩個月里，他消耗了價值高達 1.4 萬美元的 Token。

在人工智能和科技領域，存在著名的“縮放定律（Scaling Law）”，即投入的算力、數據越多，模型的能力就越強，呈現指數級增長。

但在制藥領域，他提出了一個反向判斷：AI 在短期內可能更多是造成研發管線的擁擠，而不是直接大幅提高藥物獲批的最終成功率。他認為生物學與新藥研發領域存在“反縮放定律”（Anti-Scaling Law），即第一個成功往往消耗了該領域最容易、最有價值的靶點，后續靶點會越來越難，沒有復利，只有衰減。

（來源：Liang's AIxBIO foundry）

科技行業的縮放定律，為什么不能直接套到生物學

如果只看表面，daraxonrasib 和 VERVE-102 這兩個項目的結果確實容易讓人陷入樂觀情緒：既然 RAS 和 PCSK9 這樣的重大靶點都出現了突破，那么在 AI 加持下，未來藥物研發豈不是能夠取得更大的突破？未來 5-10 年，是不是會有一批類似成果不斷涌現？

作者的回答很謹慎。他認為，這兩個項目數據當然值得興奮，但不能簡單推導出 AI 會讓藥物研發像軟件一樣規模化。原因很直接：RAS 和 PCSK9 并不是 AI 剛剛發現的新靶點，它們是生物醫藥領域最古老、最明確、最被反復研究的靶點之一。

（來源：Liang's AIxBIO foundry）

科技行業的增長邏輯，通常建立在可復制性之上。一個產品模型被驗證后，可以迅速擴展到更多用戶、更多場景、更多國家。用戶越多，數據越多；數據越多，模型越好；模型越好，又會吸引更多用戶。這個循環可以復利式增長。

但藥物研發不是這樣。在生物學里，第一個被驗證的靶點，往往不是隨機選出來的。它之所以被最先驗證，是因為它本來就有最強的人體遺傳學證據、最清晰的疾病關聯、最明確的商業價值，或者最值得長期投入的科學理由。

這就是作者所謂的“反縮放定律”：在生物學里，第一場勝利并不意味著后面也能勝利。相反，它可能意味著最明顯、最強信號、最值得攻克的機會已經被消耗掉了。第二個靶點更難，后面會越來越難。

這與互聯網行業的直覺完全相反。互聯網里的一個成功產品可以復制到相鄰場景，但藥物研發里的一個成功靶點，并不意味著相鄰靶點也同樣有效。疾病機制、組織環境、患者差異、毒性窗口、給藥路徑、代謝特征，每一項都可能讓看起來相近的問題變成完全不同的問題。

所以，AI 制藥如果沿用科技行業的規模化想象，就很容易高估自己的能力。模型可以遷移，生物學不一定能遷移；工程經驗可以復用，但人體內的因果機制不一定能復用。

真正稀缺的不是模型，而是可靠的生物學靶點

作者在文章中提出的一個重要判斷是：好靶點極其稀缺。

人類大約有 2 萬個蛋白編碼基因，其中可能有 3,000 到 6,000 個在傳統意義上具備一定成藥性，而真正擁有獲批對應藥物的靶點，僅僅只有 700 個左右。每一個階段的跨越，都伴隨著數量級的銳減。

更重要的是，這些被留下來的靶點并不是隨機樣本，而是生物學證據最強、最容易被理解、最容易被驗證的一批。2024 年，一項關于遺傳優先級的實證研究發現，排名前 0.28% 的頂級靶點，從 Ⅰ 期臨床試驗一路過關斬將最終獲批的概率，要比普通靶點高出近 9 倍。

（來源：Liang's AIxBIO foundry）

PCSK9 就是一個典型案例。它之所以重要，不是因為模型從文獻里推理出了它，而是因為人類遺傳學給出了非常清楚的說明：一些人生來就攜帶 PCSK9 功能缺失變異，這類人群的 LDL 水平更低，冠心病風險也顯著下降。

AI 抬高了研發下限，卻尚未突破成功率上限

事實上，作者明確承認 AI 在藥物研發中有巨大價值。

從一個靶點到一款藥物，中間有大量工程環節：尋找苗頭化合物，優化分子結構，預測蛋白結構，設計抗體或小分子，改善成藥性，評估藥物代謝動力學，設計實驗，優化生產工藝，篩選適應癥，設計臨床試驗，提高運營效率。這些環節中，AI 都可能顯著提高效率。

AlphaFold 對蛋白結構預測的推動，就是一個典型例子。今天，大量公司正在嘗試使用 AI 預測抗體結合、優化成藥性特征、生成新分子結構、提高篩選效率。

但作者提醒道：藥物研發里有一層絕非工程學所能解決的，那就是為正確疾病選擇正確靶點。新藥研發真正的考驗往往是針對患者開展的 Ⅱ 期臨床概念驗證（Phase 2 PoC）試驗，到了這個階段，藥物必須面對真實患者、真實疾病、真實人體復雜性。

（來源：Liang's AIxBIO foundry）

而這一階段的數據多年來幾乎毫無起色：一款藥物從步入臨床試驗到最終獲批上市的成功率，在 2014 年大約是 10%，而到了 2020 年這一數字甚至降到了接近 8%。在此期間，基因組學、CRISPR、機器學習等工具快速發展，但卻始終未能提高這一階段的勝率。

歸根結底，AI 抬高了工程執行的下限，但它尚未突破生物學規律的上限。

當 AI 成為標配，熱門靶點會更加擁擠

文章里最值得關注的一部分內容是關于“擁擠”的判斷。

如果 AI 讓藥物研發的工程層變得更便宜、更快，但沒有同步擴大經過驗證的靶點池，那么資本和創業團隊會往哪里去？答案很可能是：更加集中地涌向已驗證靶點。

原因并不復雜。AI 平臺本身已經帶有技術風險。如果一個團隊還同時押注一個完全未經驗證的新靶點，風險就會疊加。為了讓融資故事更容易被理解，讓早期結果更容易被市場接受，理性的選擇往往是把新技術用在老靶點上。靶點越成熟，投資人越容易理解；已有數據越多，AI 越容易訓練；臨床路徑越清楚，項目越容易推進。

于是，AI 反而可能把行業推向同一個方向。就 PCSK9 這一個靶點而言，目前已有至少 15 款抗體、10 款 siRNA、4 款 ASO（反義寡核苷酸），以及 5 款口服小分子/環肽藥物獲得了批準或已步入臨床階段；而針對 CD19 靶點，更是有超過 300 個不同臨床項目在研：自體 CAR-T、異體 CAR-T、CAR-NK、單抗、T 細胞銜接器（T-cell engagers）……

（來源：Liang's AIxBIO foundry）

作者認為，當 AI 成為唾手可得的工具，而可用靶點卻依然屈指可數時，短期內的必然結果，就是引發一場針對同一批已驗證靶點的慘烈價格戰。

如何尋找同類首創的全新靶點？

如果 AI 不能憑空變出真正的新靶點，那 first-in-class（同類首創）靶點到底從哪里來？

作者的答案很明確：最重要的來源是人類遺傳學，但人類遺傳學不是坐在電腦前做推理。

你不能靠一個最先進的 AI 模型，在已有知識庫上更努力地推理，就找到下一個 PCSK9；也不能單靠所謂虛擬細胞擾動，在模擬環境里推出一個足夠可靠的新靶點；必須去真實世界中測序大量真實的人，然后做漫長的濕實驗，弄清楚這個遺傳信號到底意味著什么。

（來源：Liang's AIxBIO foundry）

再生元制藥（Regeneron）的 GPR75 就是一個典型案例。為了找到 GPR75 這個靶點（其保護性突變與更輕的體重相關，能將肥胖概率降低 54%），他們測序了大約 64 萬個人類外顯子組（exomes）。結果發現，這種保護性突變在每萬名受試者中僅出現約 4 例——如此微弱的信號，只有在這樣龐大的數據規模下才有可能被捕捉到。

GPR75 是 2021 年被提出的重要肥胖相關靶點。但五年后，即使已有 3 個平行項目推進，仍然還沒有 GPR75 藥物進入人體臨床。

治療代謝相關脂肪性肝炎（MASH）的靶點 HSD17B13 也是，這個靶點和代謝相關脂肪性肝炎相關。它同樣來自人類遺傳學發現，目前還沒有獲批藥物，但已經有 5 個臨床階段項目和更多臨床前項目。

因此，作者認為，靶點的發現絕非終點線，它僅僅是打響了又一個長達十年的物理世界艱苦鏖戰的發令槍。

這也是 AI 無法逾越和走捷徑的鴻溝，因為絕大多數同類首創靶點，根本還未曾存在于任何 AI 的訓練數據之中。它們依然深藏在真實的臨床隊列里、在實驗室的試管檢測中，以及無數科學家在現實物理世界里，用歲月和心血筑就的堅守之中。

歸根結底，作者的核心論點是：在科技領域，概念驗證（PoC）意味著大功告成；但在生物學中，概念驗證往往意味著九死一生。

他建議保持足夠的謙遜，繼續扎扎實實地去測序、去尋找，并在任何人能夠證明其可行性之前，依然選擇去押注那些看似不露鋒芒、勝算未卜的冷門嘗試。

1.https://liangchang.substack.com/p/the-anti-scaling-law-in-biology-and

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成