9月，诺和诺德与丹麦生物技术公司Orbis Medicines达成最高14亿美元的重磅合作，共同开发口服大环药物。在这场合作背后，一套前沿的研发闭环浮出水面：Orbis的nGen平台先从近千亿规模的DEL(DNA编码化合物库)中筛选出起始命中物，生成式AI据此设计出不同骨架与侧链的大环分子；随后，自动化系统在数周内完成约10万个化合物的合成与分析，并将实验数据回传给模型，用于下一轮设计。显然，环肽正成为“AI for Science”的下一个核心落点。
然而，必须认清的一个现实是：AI提速的是“设计分子”，而非“验证分子”。 环肽是从头设计难度最高的分子类型之一，AI在膜通透性预测、构象与自由能计算上确实如虎添翼，但这些虚拟预测最终都必须经过真实“湿实验”的残酷检验。当设计端被AI无限提速后，新药研发的真正瓶颈已然悄悄后移：后端的合成与测试产能跟不跟得上，直接决定了AI给出的分子是能成为救命的候选药物，还是永远停留在屏幕上的结构图。
药明康德(603259.SH，2359.HK)的D2B(Direct-to-Biology)平台，正是为击穿这一后端瓶颈而生。在传统流程中，单轮分子胶的合成往往需要一个多月，产物还需分离纯化，生物测试又要再加两周。而D2B平台将化学反应直接搬进384/1536孔微孔板，产物无需纯化即可直通生物检测，将一次“设计—合成—测试”的完整周期极限压缩至2到3周。在实际项目中，该平台曾在一个月内完成了2000个分子的设计、合成与检测；面对另一个极难成药的靶点项目，仅用两个月便构建了超20万个化合物的定制库并同步完成筛选。
在支撑复杂靶点开发方面，DEL筛选同样是不可或缺的底层基石。以新型E3连接酶为例，人体编码的E3连接酶超600种，但绝大多数缺乏已知配体，广泛应用的仅有CRBN、VHL等少数几种。药明康德从30个候选E3连接酶出发，在超400亿分子的化学空间中进行“大海捞针”，成功锁定了CTLH复合物的底物识别亚基GID4；经截短与结构优化，得到分子量低于400的配体，最终构建的靶向BRD4降解分子，其活性较初始苗头化合物大幅提升10倍。过去12个月内，药明康德R端(药物发现)已累计合成并交付了超过44万个全新化合物。
9月，诺和诺德与丹麦生物技术公司Orbis Medicines达成最高14亿美元的重磅合作，共同开发口服大环药物。在这场合作背后，一套前沿的研发闭环浮出水面：Orbis的nGen平台先从近千亿规模的DEL(DNA编码化合物库)中筛选出起始命中物，生成式AI据此设计出不同骨架与侧链的大环分子；随后，自动化系统在数周内完成约10万个化合物的合成与分析，并将实验数据回传给模型，用于下一轮设计。显然，环肽正成为“AI for Science”的下一个核心落点。
然而，必须认清的一个现实是：AI提速的是“设计分子”，而非“验证分子”。 环肽是从头设计难度最高的分子类型之一，AI在膜通透性预测、构象与自由能计算上确实如虎添翼，但这些虚拟预测最终都必须经过真实“湿实验”的残酷检验。当设计端被AI无限提速后，新药研发的真正瓶颈已然悄悄后移：后端的合成与测试产能跟不跟得上，直接决定了AI给出的分子是能成为救命的候选药物，还是永远停留在屏幕上的结构图。
药明康德(603259.SH，2359.HK)的D2B(Direct-to-Biology)平台，正是为击穿这一后端瓶颈而生。在传统流程中，单轮分子胶的合成往往需要一个多月，产物还需分离纯化，生物测试又要再加两周。而D2B平台将化学反应直接搬进384/1536孔微孔板，产物无需纯化即可直通生物检测，将一次“设计—合成—测试”的完整周期极限压缩至2到3周。在实际项目中，该平台曾在一个月内完成了2000个分子的设计、合成与检测；面对另一个极难成药的靶点项目，仅用两个月便构建了超20万个化合物的定制库并同步完成筛选。
在支撑复杂靶点开发方面，DEL筛选同样是不可或缺的底层基石。以新型E3连接酶为例，人体编码的E3连接酶超600种，但绝大多数缺乏已知配体，广泛应用的仅有CRBN、VHL等少数几种。药明康德从30个候选E3连接酶出发，在超400亿分子的化学空间中进行“大海捞针”，成功锁定了CTLH复合物的底物识别亚基GID4；经截短与结构优化，得到分子量低于400的配体，最终构建的靶向BRD4降解分子，其活性较初始苗头化合物大幅提升10倍。过去12个月内，药明康德R端(药物发现)已累计合成并交付了超过44万个全新化合物。
当这些复杂分子跨越发现阶段，走向临床与商业化时，WuXi TIDES平台则稳稳接过了接力棒。目前，其多肽固相合成反应釜总体积已超10万升，并正向13万升强势扩容；寡核苷酸固相合成规模突破8摩尔，实现了从毫摩尔到摩尔级的跨越。这意味着，无论分子是来自高通量筛选还是AI设计，都能在药明康德的同一平台上，走完从研发到商业化生产的全流程。
AI极大地降低了“提出假设”的成本，这反而让“验证假设”的价值急剧攀升。 对于CXO而言，能够将虚拟假设快速转化为真实数据，再将数据转化为工业化生产工艺的实体能力，正是AI时代最坚固、最难被替代的护城河。
加载全文
