Science | AI 生成药物的专利，透露了哪些真相？

研究人员预测，人工智能（AI）在药物研发中的应用将加速并降低药物发现与开发的成本，尤其是在申请专利之前的临床前阶段。然而，AI 的使用也可能导致更多“化合物类”专利的申请，这些专利往往缺乏实际测试证据，从而加剧了传统药物开发中已存在的问题。研究人员对一组小分子药物专利数据的初步分析发现，相较于传统药企，AI 原生药企在申请专利前更少进行体内深入测试。这种早期专利行为可能抑制后续研发活动，因此值得探索鼓励更充分披露证据的政策，同时激励对已披露但未申请专利的结构开展研究。

尽管计算机辅助药物发现已发展多年，但 AI 引入了更难解释的全新虚拟发现路径，加剧了人们对现有问题的担忧。AI 在药物研发中的应用包括利用知识图谱识别靶点、使用 AlphaFold 预测蛋白质结构、以及筛选数以亿计的化合物。由于生物医药行业对专利高度敏感，因此专利披露的质量尤为关键。如果企业仅凭设想、缺乏实质测试就过早申请专利，可能会抑制其他具备验证能力的企业参与。此外，即便未申请专利，仅仅披露新化合物也可能阻碍他人专利申请。

由于专利通常不包含发现过程信息，研究人员采用间接方法构建 AI 衍生专利数据集：首先从 PitchBook 数据库中筛选出 500 多家声称使用 AI 药物研发的公司，并进一步筛选出主要依赖 AI 的企业；随后结合另一研究来源，将最终“AI 原生”企业数定为 116 家。

之后，研究人员利用美国专利商标局数据识别这些公司所拥有的全部已授权化合物专利，仅保留首次申请的小分子专利，排除生物药、机器学习方法和工艺类专利。同时构建对照组，匹配申请时间、公司规模、代理律所等因素，确保公正比较。最终样本包含 77 项 AI 原生专利及其 77 项对应对照专利。

研究人员发现，在 2022 年前提交的 AI 原生专利中，仅有 23% 包含任何体内实验，相比之下，对照专利中为 47%。此外，AI 原生专利平均每项测试 0.8 个化合物，占专利所披露化合物的 3.0%；而对照组平均测试 3.1 个化合物，占比 6.4%。AI 原生专利中，仅有 12% 披露体内 ADMET 实验，1% 提及药物配方；而对照组分别为 26% 和 14%。

尽管两组在图像数量、专利页数、是否包含体外实验等方面差异不显著，但总体来看，AI 原生企业披露的测试深度较低。

这种差异可能源于 AI 工具对药效和安全性具有较强预测力，也可能反映出 AI 原生企业为抢占先机而过早申请专利。然而，如果 AI 的预测无法替代体内测试，这种策略可能阻碍新药发现。

外界担忧 AI 生成的大量分子一旦被公开，可能因构成“现有技术”而阻止他人申请专利，削弱研发动机。研究人员发现，AI 原生企业披露的化合物数量与非 AI 企业相当（中位数分别为 101 和 90），并未出现数量级上的爆炸性增长。但由于两类企业都常在专利中披露数百个化合物，这种现象依然值得关注。

此外，由于本研究样本截止于 2022 年，尚未包括大语言模型（LLMs）大规模应用后的情况。因此，AI 原生企业在 2023 年后可能会在专利中披露更多化合物。

尽管样本量有限，且 AI 工具不断演进，研究人员仍建议关注以下几点：

• 许多 AI 原生专利缺乏体内实验，即便 AI 工具可能可靠，这一趋势仍令人担忧；

• 当前专利普遍未披露分子发现与验证方法，AI 原生专利尤甚；

• 高度新颖的分子若在未经测试的情况下申请专利，可能长期被搁置，因为其他企业难以获得首个专利，通常也不愿意投资尚未“去风险化”的候选物；

• 建议提高申请专利所需的实验门槛，推动披露更多验证数据；

• 建议允许对已披露但未测试的化合物重新申请专利，鼓励进一步研发；

• 可加强临床试验成功后所获得的监管独占权，作为非专利激励；

• 鼓励 AI 原生企业在专利中公开 AI 测试过程，以增强可信度。

这些政策的实施不仅能保护创新，同时也可能反而惠及 AI 原生企业。早期专利申请意味着开发时间受限于专利期限，而更安全的政策环境可能鼓励企业延迟专利申请、完成更充分验证。

随着 AI 技术发展，或许未来其预测能力足以满足更高证据门槛。而无论当前还是将来，提高披露质量与测试透明度都将有助于保护创新生态。

整理 | WJM

Janet Freilich, Arti K. Rai ,What patents on AI-derived drugs reveal.Science388,924-926(2025).

DOI:10.1126/science.adw1972