AI 制药行业正在经历一轮资本与口碑的双重回暖：全球由 AI 设计的药物临床管线数量持续攀升，头部创业公司数月内连获大额融资，投资人不再满足于"讲故事"，转而要求可验证的数据与工作流。但硬币的另一面同样清晰——现有 AI 工具高度集中在分子发现与早期筛选，而药物研发最昂贵的失血点其实位于更后端：II 期临床。近期《自然·药物发现综述》的一篇观点文章算过一笔账：仅将 II 期临床失败率降低 20%，每次成功上市即可节省近 9 亿美元；相比之下，在早期候选物筛选环节做同等改善，对总研发成本的影响要小得多。早期与临床之间的这道断层，正是下一波 AI 制药工具必争之地。
近日，北京深度甲基健康技术有限公司（DeepoMe，下称"深度甲基"）宣布，与清华大学未来实验室合作推进"人类响应智能"（Human Response Intelligence）技术路线，先导评价引擎 SteeraMed Bench 已完成跨疾病情境的初步验证分析，相关研究预印本《面向药物重定位的自学习智能体：为虚拟患者构建人体尺度表征》已在 Preprints.org 发布。这套工具瞄准的正是 AI 制药链条上最烧钱也最缺工具的环节：临床决策阶段的人体响应推演。
早期与临床之间的断层怎么补？这一路线的要点，是打通实测人体生物状态、结构化干预与纵向观察响应三类数据，并率先深耕长寿科学与衰老相关疾病。
这条路线的第一步是"定义状态"——确定哪些生物维度最能刻画一个人在特定决策下的状态。深度甲基把这些维度组织成一张人体尺度生物地图：其中可复用、与证据挂钩的基本单元称为模块，如衰老过程、免疫状态、器官功能、营养与暴露史；针对特定疾病、干预与响应问题选定的模块组合称为表征，可直接用于决策。
作为地图的评价与优化引擎，SteeraMed Bench 在本次报告中整合了覆盖衰老、器官系统、免疫、营养与食源性干预的 332 个模块，并在涉及 1,916 个小分子、多种疾病情境的药物重定位任务上系统评估其效用。结果给出了一个对 AI 制药颇具分量的判断：没有放之四海而皆准的生物地图，不同疾病需要不同的生物坐标组合——也就是说，表征选择本身就是决策质量的可度量驱动因素。
此外，框架引入大语言模型辅助工作流，可依据明确的效用与冗余标准提出并评估候选模块。以衰老标识框架为例，它已从 9 个标识扩展至 12 个、再到如今的 14 个主要标识；这类过去依赖专家综合文献而演进的框架，如今可以被量化检验——区分哪些维度真正提升决策质量，哪些只是冗余。
"AI for Science 已经非常擅长看见分子和细胞，"深度甲基首席科学家熊江辉博士表示，"但在追问一项干预如何改变一个人之前，必须先定义对这个人、这项决策真正重要的生物状态。人类响应智能有两大任务：其一，识别最能表征人体状态的维度；其二，学习这些状态在干预之下可能如何变化。SteeraMed Bench 通过对模块进行评价与优化，让第一项任务变得可度量，为干预推理奠定最坚实的地图基础。"
面向科研机构与生物医药伙伴，深度甲基正在开发一套可审计的转化决策工作流，用于药物重定位假设的优先级排序、候选应答人群的界定，以及下一项验证实验或纵向研究的设计。当 AI 制药的竞争从"生成更多分子"转向"减少更贵的失败"，这套瞄准临床决策断层的基础设施，或许正是行业等待的那类新工具。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
