新药研发里有一类难题，卡点不在分子设计，而在看不清靶点。结构信息缺失时，设计只能靠盲筛试错，成功率与周期都无法控制。近日公布的一项艾滋病治疗方向进展，正是从补齐缺失结构入手的：合作团队首次拿到了关键蛋白区域的原子级结构，AI随后在千万级虚拟化合物库中完成定向筛选，最终提名临床前候选分子。
这次攻关的靶点是HIV-1包膜蛋白上的MPER区域，属于gp41蛋白的关键片段。HIV依靠这一区域入侵人体细胞，它在不同毒株之间的序列保守性接近90%，因此很适合用来开发广谱药物与疫苗。保守意味着变异少，针对它设计的药物不容易因为病毒变异而失效。
问题出在结构上。这段蛋白片段本身极易聚集，构象很不稳定，长期以来全球科研机构始终无法拿到它完整的高分辨率结构。靶点的三维形状不清楚，药物设计就没有立足点，因为分子设计本质上是在三维空间里寻找能与靶点表面匹配的形状与电荷分布。
合作团队针对这些技术难点攻关，克服了MPER区域寡聚聚集、构象不稳定等障碍，在全球范围内首次解析出HIV-1包膜蛋白MPER-TMD-CT结构域，拿到了这一关键区域的原子级精细三维结构，补齐了靶向药物设计缺失的核心结构信息。这一步是后续所有工作的前提，也解释了为什么这条管线长期停滞。
从方法上看，这是实验结构与计算设计的接力。实验侧负责把蛋白稳定下来并测定形状，计算侧负责在这个形状上搜索可能的结合分子。两段之间缺少任何一段，整条链路都无法闭合。
拿到关键蛋白结构之后，研究团队搭建起结构生物学加AI加精准递送的一体化研发平台，摆脱传统制药高度依赖盲筛试错的路径。团队以解析得到的靶点真实构象为起点，结合算力开展分子设计，形成看清靶点、精准设计、有效递送的完整闭环。
晶泰科技作为艾玮泰的孵化方与产业协同伙伴，其AI药物发现平台在项目开发阶段提供了支持。基于靶点的原子结构，AI对千万级虚拟化合物库做定向筛选，快速锁定十余个有结合潜力的化合物。相比传统的逐个实验筛选，虚拟筛选把需要做实验的候选数量压缩了几个数量级。
虚拟筛选出的分子还需要实验验证。研究团队随后开展病毒抑制、细胞毒性等细胞实验，从中筛出抗病毒活性较强的分子；再利用AI分子生成与骨架跃迁算法，持续优化分子的成药性与选择性，最终得到这款临床前候选分子。
骨架跃迁是药物化学中的常用策略，指在保持核心药效团的前提下替换分子骨架，用来改善溶解度、代谢稳定性或选择性。这类改造需要同时考虑大量约束条件，人工枚举的覆盖面有限，而算法可以在约束空间内做批量生成与排序，把候选范围收窄后再交给化学家判断。整个过程体现的是分工，而不是替代。
据披露，这款候选分子作用于HIV入侵细胞的关键步骤，有望应对现有药物的耐药问题，目标开发长效给药方案，摆脱每日服药的限制，减轻患者用药负担。长效化是艾滋病治疗近年的重要方向，因为依从性直接影响治疗效果与耐药风险。
围绕MPER这一保守靶点，研究团队同时推进多条管线，覆盖预防、病毒抑制与清除潜伏病毒库等不同需求。除长效小分子药物之外，还包括预防性疫苗、基因治疗与原位CAR-T细胞治疗。
疫苗方向采用多种纳米抗原递呈技术。动物实验显示，新抗原诱导产生的抗体水平明显优于传统免疫原；恒河猴血清即便稀释一千倍，依旧能够抑制假病毒感染，有机会覆盖绝大多数流行毒株。团队同时在与剂泰科技合作，推进HIV mRNA疫苗研发。
基因治疗管线采用不会复制的假病毒载体，可以特异性靶向CD4阳性T细胞，装载CRISPR-Cas9工具清除潜伏病毒库，目前已经完成细胞以及人源化小鼠层面的验证。清除潜伏病毒库是功能性治愈的核心难点，因为抗病毒药物可以抑制病毒复制，却无法清除整合进宿主基因组的病毒序列。
多管线并行的意义在于风险分散。同一个保守靶点可以从预防、抑制、清除三个方向切入，任何一条管线遇到瓶颈，其他管线积累的结构与分子数据仍可复用。这种围绕单一靶点做深度开发的策略，与传统药企广撒网式的管线布局不同，更适合资源有限的团队。
把这件事放到AI4S的整体进展里，能看出效率提升已经不是概念。券商研究机构在9月下旬发布的主题报告中给出几组对比数据：设计端，从头抗体命中率由不足0.1%提升到约16%，靶点发现到临床前候选的周期由5到6年缩短至13到18个月；验证端，一期临床成功率由40%到65%提升至80%到90%，二期约40%仍是待攻环节。
验证环节的改善幅度小于设计环节，这个不对称值得注意。设计端的效率提升主要来自算力替代实验枚举，而临床阶段受制于人体生理复杂性与试验组织成本，模型能提供的帮助有限。这也意味着AI4S的价值目前更集中在临床前阶段，把它描述成能全面压缩新药周期并不准确。
需求侧的证据也在出现。以合成DNA供应商的业绩为观察窗口，其对应科研需求的分部收入同比增长39%，占比升至48%；基因实物交付量同比增长56%，快于收入增速，说明增长来自真实的产能消耗而非涨价；经营现金流单季首次转正。这些数字比融资额更能说明科研机构是否真的在用这些工具。
对国内AI4S团队来说，这次进展提供了两个可借鉴的点。一是把AI放在结构解析之后而不是之前，先解决数据缺失问题再谈模型设计，顺序不能颠倒。二是围绕单一高价值靶点做多管线布局，让一份结构数据支撑多个方向的开发，提高单次投入的回报。能否把这种方法复制到其他结构难解的靶点上，是接下来值得观察的方向。