你也许很难想象，当人工智能一天就能筛查完几十万种化学结构时，拦在新药与患者之间的最大障碍，居然不是研发思路，也不是临床试验的漫长等待，而是制药工业里一个听起来很不起眼的环节——把分子“洗干净”。
这几年，AI和大数据已经彻底改变了药物发现的速度。从海量分子库中快速锁定高潜力的候选化合物，原本需要几年，现在可能只需要几周。但随之而来的，是一道被许多人忽略了的新裂隙：我们设计奇迹分子的能力，正远远超过把它们安全地、大规模地造出来的能力。从实验室里毫升级的烧瓶，到动辄几千升的商业化生物反应器，整个过程会经历一系列非线性的生物和工程剧变，其中最容易翻车的，偏偏就是纯化。
《新科学家》联合生命科学企业Cytiva做了一期对谈播客，就专门聊了聊这个藏在聚光灯之外的“保命工程”。两位纯化领域的专家——Cytiva的杰出科学家亨里克·伊尔（Henrik Ihre）和业务负责人保罗·贝尔彻（Paul Belcher）——用整个制药链条上被忽略的那道工序，串起了从理论分子到药房货架上一瓶真药的惊险一跃。
如果把新药上市比作一场接力赛，第一棒当然是“发现”。过去几十年里，这一棒跑得步履沉重，全靠化学家在海量的可能性中手工试错。现在，AI接过这第一棒，直接把速度从步行变成了冲刺。它能从天文数字般庞大的化合物空间中，不断抓出那些最有生物学潜力的分子结构，把它们像种子一样源源不断撒进下游的管线。问题在于，后面的棒次——尤其是负责“造出来”的制造环节——并没有同步换装成跑车。
从理论到货架，一条药要闯过数道考验。在实验室烧瓶里合成出几毫克样品，确认它有效，这仅仅是第一步。真正开始面对真实世界时，生产规模需要膨胀到以公斤、甚至吨为单位，而且绝不能只造一次就结束，每一批都必须和上一批一模一样地纯粹、稳定。烧瓶里的反应条件，到了几层楼高的不锈钢生物反应器里会变得完全不一样：流体怎么混合、氧气怎么递送、细胞怎么生长、代谢副产物怎么分布……所有物理和生物的参数都像被扔进放大镜，微小偏差立刻被放大成致命鸿沟。
纯化就是在这样的鸿沟里第一个被绊倒的环节。说人话就是：你得从一团由细胞、营养液、副产物、以及你真正想要的那个分子搅和成的“汤”中，把目标物完整地捞出来，并且让杂质低到几乎不存在的地步。专家们在播客里解释了这个过程的核心——色谱树脂。你可以把它想象成一批特制的小磁珠，每一颗都带着只和特定目标分子“握手”的分子钓竿。把这锅汤流过装满树脂的柱子，目标分子就会挂在树脂上，其他脏东西全被冲走，最后再用另一种溶液把纯净的分子请下来。原理听起来像用吸铁石从沙里吸出铁屑，只是这枚“铁屑”的结构精细到纳米级，而且脾气极怪，温度、酸碱度、流动速度稍有不对，就可能断裂、聚集或彻底失去活性。
如果只是在实验室量级，一切还在掌控之中。可一到了工业量级，树脂柱的尺寸大到一个成年人都环抱不住，液体流动的路径立刻变得不均匀：中间的流速快，边上的流速慢，有些地方甚至形成死区。那些在实验室里安安静静待在溶液里的分子，到了这个会场就开始乱跑，有的“迟到”被提前冲出，有的被困在死角最终混入成品。换句话说，小规模成功的“干净配方”，搬进工厂后很可能直接造出一堆不合格的废药。
更棘手的是，纯化的难度不是一条直线，而是越往后越陡峭。初期要去除的主要是细胞碎片、大颗粒蛋白质这些相对粗糙的杂质，简直像筛沙。可到了后期，需要剔除的杂质和产品分子长得极其相似，可能只是折叠方式有细微异常，或者多挂了一个小化学基团，但它们一旦注入人体，就可能引发免疫风暴。贝尔彻在对话中特别强调，越靠近制剂灌装的最后一段工序，对杂质的容忍度越逼近于零，而此时每去除一点杂质所要付出的成本和工艺复杂度，几乎是指数级上升。
这就不只是工程和经济层面的账了。一旦纯化环节出现疏漏，最先遭殃的是活生生的人。播客里有一个专门章节讨论“纯化出错时的人道代价”——当未能分离掉的有害蛋白或者残余DNA碎片混入注射液，轻则让整批药品失效，重则可能诱发严重的过敏反应甚至更不可逆的损伤。这不是理论推演，现代制药史上，任何一起纯化事故都足以让长达数年的整个研发计划归零，不仅意味着天文数字的损失，更意味着那些等着新药救命的患者被再一次推入无望的等待。
那么，在前面跑得飞快的AI，有没有可能也拉纯化一程？伊尔和贝尔彻的看法让人有些振奋：AI确实已经开始渗透进纯化工艺的开发。过去，要找到一个最优纯化条件组合（树脂类型、洗脱液配方、流速、温度、梯度变化），工程师们得反复像做菜一样微调试错，耗时漫长。现在，机器学习模型可以同时并行模拟几万组工艺窗口，快速筛出那些能让回收率和纯度双双飙高的温点。不但如此，AI还能通过解析目标分子的序列和三维结构，提前预测它在不同色谱介质上的行为，从而在实验还没开始之前就为工艺指明方向。
这让问题的另一面浮出水面：药物发现和药物制造，本质上都在被同一种计算力量重塑。如果说上半场的革命是让候选分子清单变得更长，那么下半场的革命就是让这些分子能真正安全地走出工厂。两位专家在最后聊到时，并不遮掩仍有很多硬骨头要啃——比如如何让AI学会理解生物反应器里那些“说不清道不明”的物理混沌，以及如何让算法从有限的工业数据中也能泛化出可靠的方案。但整场对话的底色里，分明流淌着一种看好：AI驱动下的发现管道越是澎湃，来自纯化技术的坚实回响就越显珍贵。当“设计出来”和“造出来”之间的裂痕开始弥合，那些曾经只存在于论文插图里的奇迹分子，才有机会变成握在患者手里的药瓶。
热门跟贴