华盛顿大学推进 AI 驱动药物发现与开发新研究机构

华盛顿大学成立 I2D3，推进 AI 驱动药物发现与开发

华盛顿大学宣布成立 Institute for Innovations in Drug Delivery and Disposition（I2D3），这是一家设在 UW School of Pharmacy 的新研究机构，目标是把人工智能、药物发现、药理学、数据科学和生物技术更紧密地结合起来，加快新疗法从候选分子走向真正药物的过程。

这项机构化投入之所以值得关注，在于它并不只聚焦 “AI 找到新分子” 这一前端环节，而是把重点放在药物研发中更难、也更容易失败的转化瓶颈上。

机构想解决的是候选分子到成药之间的断层

根据校方介绍，现代药物开发是科学领域中最缓慢、失败率最高的流程之一，约 90% 的候选药物最终无法上市。人工智能已经在第一步发挥作用，即从大量可能性中挑出潜在分子，但真正成功的药物还必须同时满足安全性、有效性、递送方式、稳定性、体内分布和到达靶点能力等多重要求。

I2D3 的定位，就是围绕这些“成药性”问题建立新的模型和研发方法，帮助研究者不只找到能结合靶点的分子，而是更早预测哪些分子有机会一路通过后续开发流程。

三位联合负责人覆盖设计、代谢和转化

I2D3 由三位华盛顿大学教师共同领导：药物化学副教授 Gaurav Bhardwaj 负责 AI 驱动的分子设计，药剂学专家 Nina Isoherranen 侧重药物代谢和体内处置，精神病学与行为科学教授 Marco Pravetoni 则负责药物发现、转化和商业化推进。

这种配置说明，机构并不是把 AI 当作单独的算法工具，而是试图把分子设计、药代动力学、个体化预测和临床转化串成同一条研发链路。

研究重点从“找到分子”转向“让分子真正成为药”

Bhardwaj 在采访中提到，传统药物发现往往依赖试错：要么从自然界中找到有用分子后再花多年优化，要么做大量随机组合并期待其中一个有效。AI 虽然显著改善了找到候选分子的效率，但现在真正的瓶颈已经转向如何给分子加入更多药物属性，让它通过体内屏障、保持稳定并达到合理暴露。

I2D3 想做的，是构建能同时考虑这些因素的模型，让候选分子从设计之初就更贴近真实开发需求。

个体化药代预测和数字孪生也是重要方向

Isoherranen 表示，机构也会使用机器学习和 AI 去预测药物在不同人体中的处置方式，例如肾功能、体重指数等个体差异如何改变药物行为。

她提到的一个重要方向是 “数字孪生”，即为个体患者建立计算模型，用于预测某种药在体内的表现、最合适的剂量和给药策略。这类能力若成熟，不仅可以提高临床试验成功率，也可能让孕妇等传统上缺乏试验数据的人群更安全地获得治疗机会。

UW 想把发现、开发和临床转化串成更完整生态

Pravetoni 在采访中强调，华盛顿大学已经拥有像 Institute for Protein Design 这样的世界级蛋白设计能力，也有 Institute of Translational Health Sciences 这样的临床转化资源，但在发现与临床之间仍缺少一个专注药学开发和制剂转化的关键层。

I2D3 试图填补的，正是这一空白。校方希望它成为连接早期创新与临床实施的核心转化伙伴，帮助更多研究成果跨越从实验室到市场的关键阶段。

高校正在成为 AI for Drug Discovery 的长期基础设施

从行业角度看，I2D3 的成立体现出一个更明显趋势：AI 制药的竞争不只发生在创业公司和药企之间，高校和研究机构也在通过建设长期平台，把算法、实验、药学开发和临床转化能力系统地组织起来。相比单次论文或单个模型发布，这类研究机构对人才培养、跨学科协同和长期技术积累的影响可能更深。