Co-Scientist: AI 发现肝纤维化老药新用

药物研发的漫长周期和巨额成本，一直是制约新疗法落地的核心瓶颈。尤其是肝纤维化这类慢性病，现有治疗手段有限，而开发全新药物的风险极高。Google DeepMind 的 AI 系统 Co-Scientist 最近帮斯坦福大学的研究者找到了一条更务实的路径：从已获批的老药里挖出对抗肝纤维化的新潜力。

老药新用：AI 如何加速筛选

传统老药新用依赖专家经验和大规模文献调研，效率有限。Co-Scientist 本质上是一个基于大型语言模型的科学推理引擎，它能够理解复杂的生物医学文献、基因表达数据和已知药理机制。研究团队将肝纤维化的病理分子特征输入系统，Co-Scientist 在数小时内生成了一份候选药物清单——这些药物已经上市多年，安全性数据完整，若能证实对纤维化有效，就能跳过漫长的一期临床。

项目主导者、斯坦福遗传学家提到：“我们以往需要几个月才能整理出一个可行的候选列表，AI 把时间压缩到了几天。而且它给出的理由很扎实，从信号通路到组织分布都有依据。” 该系统并非简单做文献检索，而是基于底层知识图谱进行推理，甚至能提出一些人类研究者容易忽略的跨领域关联。

对肝纤维化治疗的现实意义

肝纤维化是多种慢性肝病进展至肝硬化的关键阶段，全球影响数亿人。目前临床上几乎无特效抗纤维化药物——唯一获批的 OCA（奥贝胆酸）效果有限且副作用明显。如果能从现有抗生素、心血管药或代谢类药物中“筛出”几款有效候选，将极大降低患者的经济负担和治疗风险。

“这不是要替代传统科研，而是让科学家把精力集中在最有希望的方向上。” DeepMind 健康团队在博客中写道。

Co-Scientist 不直接做实验，但它能给出高度可检验的预测。团队已对部分候选药物启动了体外和动物模型验证，初步结果积极。这离临床应用还有距离，但至少证明了 AI 驱动的药物再利用是可行且高效的。

局限与下一步：AI 不是万能药

需要直说的是，Co-Scientist 的预测能力高度依赖输入的数据质量和全面性。对于罕见通路或缺乏公开数据的机制，它的表现会打折扣。此外，从候选到真正获批仍需要完整的临床验证，AI 只能缩短前期的假设生成阶段。

对制药行业和科研机构而言，这类工具的价值在于降低试错成本。未来若能将更多真实世界患者数据、体内药效数据纳入模型，预测的精准度还会再上一个台阶。值得注意的是，Google 强调 Co-Scientist 目前仍是研究性原型，尚未商业化，但已向学术合作方开放评估。

简而言之，Co-Scientist 这次在肝纤维化上的应用，是 AI for Science 的一个典型缩影——不是替代人类，而是让科学家跑得更快。