AI开始搞药了，药企靠什么竞争？我们和哈佛教授、连续创业者Gregory Verdine聊了聊
格雷戈里·维尔丁（Gregory L. Verdine）是化学生物学领域的先驱之一，也是将科研发现推向药物开发的重要推动者。这位哈佛大学 Erving 化学荣休教授参与开发了订书肽（Stapled Peptides）技术，为干预传统药物难以触及的靶点提供了新的分子工具。他的研究也逐渐走出实验室，延伸至更广泛的生物医药产业。
在产业界，维尔丁先后创办或联合创办了十余家生物技术公司，包括 Enanta Pharmaceuticals、Wave Life Sciences、FogPharma 和 LifeMine Therapeutics 等，布局从多肽、核酸药物到天然产物等不同方向，推动早期科学发现向临床开发和药物转化迈进。与此同时，他也长期参与生命科学领域的风险投资。2023 年，他以风险合伙人身份加入美国风险投资机构 a16z 的 Bio + Health 团队，继续支持生物技术创新与新药研发。
如今，他正将这些科研与药物开发经验带入一项新的合作。 他创办的生物技术公司 DoveTree 与晶泰科技达成最高总 金额 数十亿美元 的研发合作，由 DoveTree 负责靶点选择、研发方向及后续药物开发，晶泰则结合 AI、物理建模和自动化实验平台，开展具体的药物发现工作。 双方希望通过这样的分工，共同推进多个疾病领域的新药研发。
近日，DeepTech 在上海与维尔丁进行了交流。从开发新的分子工具，到探索 AI 参与药物发现的方式，他既看到了技术带来的机会，也对其局限保持审慎。围绕 AI 究竟能为研发解决哪些问题、药企的组织方式将如何变化，以及中国医药创新与跨国合作，他分享了自己的判断，也回顾了从化学研究走向创业和投资的经历。
轮椅和分子
维尔丁的科研之路，可以追溯到一场童年变故。“我是父亲的双手。”他这样回忆自己的童年。七岁那年，父亲因意外事故失去行走能力。为了帮助父亲更方便地生活和出行，年幼的维尔丁开始动手改造轮椅。许多机械问题没有现成的解决方案，他只能一边尝试，一边调整，在一次次摸索中找到可行的路径。“人们通常会想到音乐家，或者爵士乐手的即兴演奏。”后来，他也用这种方式理解自己的科研工作。
大学最初并不在他的计划中。高中升学辅导老师发现他没有升学打算后，便替他申请学校，寻找资助。进入大学后，他先选了英语专业。“我不知道上大学该做些什么。我的兄弟们都没有上过大学。”他笑谈当时的想法，“我会说英语，那我就学英语吧。”后来，持续写作让他感到吃力，隔壁的同学便建议他试试化学。
“上了有机化学实验课之后，我发现它也充满了即兴应变。我们研究怎样让难成药靶点变得可以成药，其中同样有很大一部分需要这种能力。”维尔丁把这份熟悉感追溯到与父亲一起动手解决问题的童年。此后，他在哥伦比亚大学取得化学博士学位，在麻省理工学院和哈佛医学院接受博士后训练，并于 1988 年加入哈佛担任教职。
他的研究逐渐走向化学与生物学的交界，包括 DNA 修饰和损伤修复机制，以及如何设计新的分子形式，干预传统药物不易触及的靶点。订书肽正是通过改变分子本身的结构，为这类问题寻找解决办法。普通多肽往往比较柔软，容易改变形状，也容易被体内的酶降解。订书肽技术则是在多肽链的特定位置引入化学连接，就像用订书钉固定纸张一样，把多肽稳定在特定的空间构象中。这为研究者干预一些传统上难以成药的靶点提供了新的可能。
图 | 订书肽（来源：维基百科） 不过，找到新的分子设计方法，只是药物研发的第一步。如何将实验室中的科学创新转化为真正的药物，同样是维尔丁长期关注的问题。 为此，他先后参与创办了多家生物技术公司，尝试将不同的科学发现推向产业化。其中，Aileron、FogPharma 等公司围绕订书肽及相关技术开展研究，另一些公司则探索核酸药物或天然产物。
这些创业实践也取得了实际成果：Enanta 与艾伯维合作发现的帕利瑞韦、格卡瑞韦，分别成为获批丙肝联合治疗方案的组成部分；Gloucester 开发的罗米地辛也获得了美国监管批准。
在推动科研成果走向药物开发的过程中，维尔丁也逐渐从科学家、公司创始人，转向投资和企业经营。谈及这些转变，他提到了创业初期的经历：“作为一个来自学术界的公司创始人，我没有多少控制权。风险投资人、首席执行官掌握着权力，所以我希望有更多决策权。”为了更多地参与决策，他逐渐涉足风险投资，后来又亲自经营公司。“如果你真的想掌握方向，就必须亲自经营公司。”
但亲自管理公司也意味着重新学习。刚开始管理公司时，一位管理顾问曾提醒他，他仍在用对待博士后的方式对待员工。“你得鼓舞大家，让所有人一起工作。”他坦言，“我花了相当长的时间，才学会从学术科学家转变为经营公司的人，因为整套思维方式都不同。”
随着经验积累，科研、投资与企业经营逐渐成为他工作中相互衔接的部分。2023 年，他以风险合伙人身份加入 a16z 的 Bio + Health 团队。如今，他这样描述自己的工作：“我可以决定要做一件什么大事，提供最初的资金，邀请其他投资者加入，然后亲自经营公司。”
AI 改变的不只是分子设计
对于 AI 是否只是制药行业的宣传话术，维尔丁举了一个实际应用的例子：真菌能够产生大量具有生物活性的小分子，其中一些具有潜在的药用价值。过去，研究者主要通过比较基因序列的相似性，判断哪些基因可能参与这些分子的合成。如今，AI 已经被用于这类基因功能注释，在一些情况下，其预测效果甚至优于传统方法。他的判断是，尽管尚未在药物发现上取得创新性的进展，AI 确实已经开始帮助研究者完成具体的研发工作。
在小分子药物研发中，维尔丁认为， AI 目前最明确的价值仍然是优化已有的候选分子。 例如，研究者已经找到了一种具有一定药效的分子，便可以借助 AI 调整其化学结构，尝试提高药效、改善安全性或其他成药性质，让它更有机会成为同类药物中的最佳选择。这类应用虽然不像发现全新药物那样引人注目，却已经能够切实改善药物研发的效率和质量。
相比之下，从零开始让 AI 设计全新的小分子要困难得多。计算机可以快速生成大量分子结构，但这些分子最终都需要在实验室中合成和验证，有些结构非常复杂，可能需要数月甚至一年才能制备出来。这意味着，即使 AI 能够快速提出新的设计方案，研究者也未必能及时通过实验验证其效果。 分子设计的速度提高了，化学合成却可能成为新的瓶颈。
抗体领域则呈现不同的特点。许多治疗性抗体具有相近的基本骨架，关键差异常集中在与靶点结合的区域。与在极为广阔的小分子空间中搜索相比，这种共同结构让模型面对的问题更集中，相关训练数据也更容易组织。基于这些特点，维尔丁认为 AI 辅助抗体设计已经展现出较明确的进展。他正在孵化的一个方向，就是参考抗体设计，为小分子发现寻找更统一的骨架。
不过，对于生物学模型能否迎来类似大语言模型的突破，维尔丁的态度仍然有些审慎：“我对此相当怀疑。我们还有太多生物学机制没弄明白。那你怎么拿这些来训练？ 没法训练。”在他看来，最大的障碍在于，人类对生命系统的认识还远远不够。模型只能从已有知识和数据中学习，但生物学中仍有大量尚未发现的机制。
对于这些知识与数据的局限，维尔丁认为，自动化实验室有望提供帮助：AI 可以辅助研究者设计实验，实验产生新的数据，再为模型改进提供依据。通过这种方式，AI 与实验可以相互配合，推动药物研发不断向前。
除了数据和知识的局限，药物设计本身也有一道物理学难题。维尔丁认为，AI 给出的分子结构不能只看起来合理，还需要通过物理方法检验。他提到，近年来，AI 已经能够帮助预测蛋白质与药物分子结合后的结构，但这还不足以保证设计有效。一个容易被忽略的因素是水分子：药物与蛋白质结合时，周围的水分子会重新排列，部分水分子还会被释放出去。这些变化会影响药物与蛋白质结合的能量，而目前的 AI 方法还难以准确计算这类复杂的物理过程。因此，药物设计仍需要物理模型提供辅助判断，不能完全依赖 AI 生成的结果。
因此，他并不认为分子科学很快就会迎来通用人工智能。在他看来，计算模型提出预测、实验检验结果、物理规律帮助判断设计是否可靠，三者需要相互配合，才能推动药物发现。
不过，维尔丁并不因此否定 AI 在药物发现中的潜力。 他认为，AI 带来的变化可能首先体现在研发规模上：过去一家企业可能只能同时推进少数几个候选药物，未来则有机会并行探索更多分子。 单个药物从发现到上市仍然需要漫长的时间，但研究者能够同时检验更多方向，从而提高发现新药的机会。