Fu等人最近发表在《医学年度评论》上的一篇引人入胜的综述文章引起了我的注意，因为它预示了人工智能与药物研发未来将产生的交叉，以及随之可能产生的知识产权问题。“人工智能引导药物再利用”（Fu等人，《医学年度评论》2026；77：381–398），全面综述了如何运用人工智能和机器学习（ML）为已知药物寻找新的治疗用途。
推动新发现的数据爆炸
其前提很简单——我们正被海量的生物数据所淹没。多组学数据集（基因组学、转录组学、蛋白质组学、代谢组学和影像组学）的快速增长，加上日益数字化的电子健康记录，既带来了非凡的机遇，也带来了巨大的挑战。现有数据的庞大体量已远远超出了研究人员使用传统方法进行探索的能力，而人工智能和机器学习工具正是填补了这一空白。
药物再利用旨在为已知药物寻找新的适应症，这些药物的药代动力学、安全性特征和生产工艺可能已得到充分表征，与从头研发新药相比，这种方法有望提供更快、更经济的治疗途径。
两种已知药物再利用的框架
傅等人描述了两种主要的战略方法。第一种是以靶点为中心的药物转用，其前提是同一靶点蛋白可能与多种疾病有关；因此，作用于该靶点的药物可以治疗其原适应症以外的疾病。 傅等人，第382页。例如，二甲双胍正在被探索用于治疗心房颤动；而GLP-1受体激动剂司美格鲁肽，除了已获批的糖尿病和肥胖症适应症外，还正在被研究用于治疗神经退行性疾病和物质滥用。同上，第384页。
第二种方法是以疾病为中心的药物再利用，即寻找可能对具有相似生物通路、症状或特征的多种疾病均有效的药物。此处的关键一步是识别原发疾病与目标疾病之间重叠的作用机制。西地那非便是广为人知的例子：该药物最初用于治疗勃起功能障碍和肺动脉高压，目前正被用于阿尔茨海默病的研发，这说明基于网络的疾病模块分析如何能发掘出意想不到的治疗候选药物。同上，第382页。
AI 工具包
人工智能驱动的药物再利用背后的计算基础设施依托于五大类数据库：化学信息学、生物信息学、系统生物学、多组学以及药理学数据库。同上，第384-388页。这些数据库提供了用于训练和评估模型的“适合人工智能”的数据集。
作为机器学习和深度学习子领域的AI，利用算法从输入数据中学习模式，可分为监督学习（需要标注数据）、无监督学习（无需标注）和半监督学习（部分标注）。 同上，第386页。基于网络的方法通过分析代表药物、靶点、基因和通路之间关系的图数据，在以疾病为中心的药物再利用领域中尤为强大，擅长揭示药物与其潜在靶点之间此前未被发现的关系。同上，第387页。
尽管计算预测前景可期，但仍需经过验证。作者强调，在基于人工智能的药物新用途开发之后，实验和临床验证是至关重要的步骤，因为它们能够证实其在现实世界中的准确性和可靠性。同上，第389页。验证方法包括诱导多能干细胞（iPSC）衍生的模型（例如来自阿尔茨海默病患者的神经元）、动物模型，以及从电子健康记录或医疗保险索赔数据中获取的现实世界证据。同上，第383页。
已取得的成功与持续存在的挑战
基于人工智能的药物再利用已为阿尔茨海默病、心血管疾病、癌症和新冠肺炎的治疗带来了显著成效。同上，第389-390页。
然而，要实现广泛应用仍面临重大挑战。复杂的人工智能模型需要耗费大量计算资源的超参数调优。同上，第391页。大型语言模型虽然在整合异构数据方面前景广阔，但容易出现“幻觉”和偏颇的输出结果。同上。数据安全依然令人担忧：患者层面的多组学和临床数据需要采取强有力的保护措施，例如联邦学习和互操作性标准。 同上。或许最关键的是，多组学和临床数据源自不同实验室和医疗体系中的异质性患者样本，这使得数据标准化变得困难。同上。要取得进展，需要生物制药公司、学术机构、临床医生和计算科学家之间开展真正的跨学科合作。同上。
知识产权视角：专利代理人为何应予以关注
从知识产权的角度来看，人工智能驱动的药物新用途开发引发了一些值得关注的问题。当算法为现有化合物识别出新的用途时，究竟什么才属于可专利的发明：治疗方法、算法本身，还是促成这一发现的数据处理流程？ 能否开发出新型类似物和衍生物？用途转换是否需要新的剂型和给药方案？其次，医疗用途权利要求长期以来一直是制药专利工具箱的一部分，但人工智能参与这些发现的生成，可能会使发明人归属分析变得复杂，并引发关于公开充分性和实施可能性的质疑。
此外，数据作为竞争性资产的问题也值得关注。傅等人指出，生物制药公司拥有海量数据集，但出于知识产权方面的考虑，这些数据无法共享。作为人工智能驱动的药物再利用基础的专有数据库、经过精心整理的知识图谱以及训练有素的模型，代表着巨大的无形价值，这些价值可通过商业秘密、专利或两者结合的策略加以保护。
对于我们这些在此领域为客户提供咨询的人来说，傅等人综述中的结论发人深省：“人工智能是未来针对棘手人类疾病进行药物再利用和精准医疗不可或缺的一部分”。同上，第391页。围绕这些发现的法律框架需要与科学同步发展。
