AI制药走向虚拟人体：Differentia Bio用前瞻性临床证据验证新范式
“AI制药正卡在一道被称为“II期鸿沟”的关口：分子优化能力突飞猛进，人体疗效预测却依然靠试错。一家名为Differentia Bio的公司，用一条跨越三年的证据链提供了一个值得产业界重新审视的样本。”
一个行业公认的困境：AI能设计分子，却猜不准人体
过去十年，AI在药物研发中的主战场是临床前阶段。分子生成、ADMET预测、靶点结合亲和力优化，这些环节的效率被显著提升。但一个更加关键的的问题正在浮现。
波士顿咨询2024年的一项行业分析给出了两组关键数据：AI发现的药物在I期临床试验中成功率达到80%—90%，远高于传统药物约52%的历史水平；但进入II期后，成功率骤降至约40%，与传统药物的约37%几乎持平。
这意味着，AI擅长的是“把分子做出来”，而不是“预测分子在复杂人体疾病中是否真的有效”。动物与人体的生物学差异、患者疾病机制的高度异质性，使临床转化始终存在巨大不确定性。更棘手的是，进入临床阶段后，早期数据通常稀疏且碎片化，只能反映有限患者、剂量和治疗方案下的结果。药企面对“调整剂量会怎样”“换患者群体会怎样”“联合治疗会怎样”这些直接影响研发成败的问题，往往只能依靠有限数据做高成本决策。
这正是AI制药的下半场命题：AI不仅需要能够生成分子，更需要能够理解复杂人体疾病、模拟药物干预，并在临床结果出现之前为研发决策提供科学依据。 从分子生成走向人体疾病模拟，正在成为AI驱动药物研发值得关注的新方向。
一条罕见的证据链：预测在前，临床验证在后
在这个背景下，总部位于美国旧金山的AI数字孪生企业Differentia Bio公布的一项前瞻性验证进展，提供了一个值得重视的案例。
这家企业针对IgG4相关性疾病（IgG4-RD）的治疗机制预测，获得了后续独立人体临床研究及FDA获批药物的重要支持。
2023—2024年，前瞻性模型预测与公开学术记录。 Differentia团队整合患者多组学数据、AI知识图谱与定量疾病机制模型，对IgG4-RD潜在治疗通路进行系统性模拟与优先评估，识别出CD19+及IL-4/Th2等具有治疗潜力的干预方向。相关成果在ACOP、PAGE、NBC等国际学术会议公开展示，留下了可追溯的早期科学记录。
2025年4月，靶向CD19+治疗获得FDA批准。 靶向CD19+的inebilizumab获美国FDA批准用于IgG4-RD，成为该适应症首款获批治疗药物。其关键III期临床研究显示，在52周治疗期内，与安慰剂相比，疾病发作风险降低87%（HR=0.13，p<0.0001）。
2026年1月，IL-4/Th2通路获得进一步独立临床支持。 第三方研究团队公开了IL-4Rα靶向药物dupilumab治疗IgG4-RD的早期临床研究：5名患者中4名出现临床改善及血清IgG4水平下降，其中3名患者IgG4水平恢复至正常范围。
对于复杂疾病，药物研发的难点往往不是缺乏潜在靶点，而是面对数十种治疗假说与分散、甚至相互矛盾的科学证据，如何判断哪些干预机制最值得投入临床开发。
Differentia的核心能力并非简单发现全新靶点，而是在统一的计算框架下模拟不同治疗通路的干预效果，对候选治疗策略进行系统性比较与优先排序。
在AI药物研发行业，大量平台展示预测能力的方式是历史数据回测、回顾性分析或细胞及动物实验结果。Differentia案例的不同在于：先有模型预测与公开学术记录，后有独立人体临床结果提供支持。 这为评价AI疾病模型的预测能力提供了一个稀缺的参照——不是“拟合过去”，而是“预测未来并被验证”。
更重要的是，稀缺的前瞻性临床验证正在构筑Differentia难以复制的长期竞争壁垒。 算法与模型可以不断迭代，但预测在先、独立临床验证在后的科学证据，需要数年的真实的人体研究与时间积累，无法通过历史回测或大量资本投入快速复制。随着更多跨疾病、跨治疗机制的独立验证不断积累，这种可追溯的预测能力有望成为Differentia持续扩大的技术与信任优势。
世界级工业界与科学领导团队，构筑跨学科技术壁垒
Differentia汇聚了一支兼具国际顶尖学术背景与全球顶尖MNC研发经验的核心科学团队，包括现任美国明尼苏达大学临床药理学兼职教授Catherine Sherwin、前德国慕尼黑工业大学计算免疫学PI Atefeh Kazeroonian、前澳大利亚新南威尔士大学（UNSW）肿瘤免疫学PI Simon Junankar，以及拥有30余年行业经验、曾任Applied BioMath建模研发高管的全球QSP科学领军人物，同时也是公司的CEO Kas Subramanian.
不同于很多初创公司主要依赖外部学术顾问或者专家兼职，Differentia将多领域科学领导力深度整合于核心研发体系，融合人工智能、多组学生物信息学、计算免疫学、肿瘤生物学、定量系统药理、临床药理、监管科学等关键领域，使Differentia能够将前沿AI、真实患者多组学数据、深度疾病生物学与定量机制模拟紧密结合，建立从科学假说到临床决策的完整能力，为构建复杂人体疾病数字孪生奠定了坚实基础。
为什么这件事对产业界重要：从“黑箱相关”到“可计算机制”
当虚拟细胞、虚拟组织等技术不断拓展AI模拟生命系统的边界，Differentia已将模拟能力延伸至人体疾病和患者层面，并通过前瞻性预测与后续独立临床证据，展示了从生物学模拟走向真实药物研发决策的潜力。
要理解这条证据链的价值，需要看清Differentia技术路径与主流AI药物发现的技术路径差异。
Differentia的切入方式不是从分子端出发，而是从真实患者疾病生物学出发。真实患者多组学数据，是这一技术体系的重要基础。 Differentia依托长期建立的全球临床科研合作网络，持续积累来自真实患者的多维度多组学数据，这些多层次人体数据为重建复杂疾病机制、刻画患者异质性及校准动态疾病模型提供了重要基础，也构成了公司持续积累的数据与模型壁垒。
Differentia依托自主研发的DHARMA™ AI疾病数字孪生引擎，将生成式AI、多组学机器学习、知识图谱、系统生物学与定量机制模型深度融合，构建覆盖分子、细胞、组织至患者层面的多尺度人体疾病模拟体系。目前，平台已覆盖肿瘤、自身免疫及代谢疾病等领域，具备面向小分子、大分子、ADC、核药、CGT等多种治疗方式的模拟能力。
在这一架构中，AI不仅用于知识检索与数据分析，更深入参与疾病机制推理、模型构建与参数校准，并通过AI Agents编排虚拟实验、探索治疗假设与分析模拟结果。底层定量机制模型则提供符合生物学规律的动态计算环境，使AI生成的科学假设能够通过可解释的机制模拟进行检验。
这不是简单地用大模型预测药物是否成功，而是让生成式AI与可计算的人体疾病模型协同工作，形成从科学推理、虚拟实验到研发决策的闭环。
这一能力主要在药物研发的三个关键环节创造价值：
· 临床前：提高候选药物选择质量。 通过模拟不同治疗机制对人体疾病的潜在影响，更早识别高潜力治疗方向，减少注定人体失败的项目进入临床。
· 临床开发：优化试验设计，减少可避免的失败。 虽然一个管线只做了数百例真实临床试验，但结合超过200万次虚拟患者模拟，系统比较超过5000个不同剂量、患者分层、适应症及联合治疗和竞品场景，可以最大化提升临床试验的成功率。
· 阶段性决策：提高研发资源配置效率。 随着临床数据持续积累，模型不断校准更新，帮助研发团队分析疗效不佳的潜在原因，区分机制局限与可优化的开发问题，支持继续开发、调整策略或终止项目等关键决策。
Differentia正将AI驱动的人体疾病模拟融入从候选药物选择到临床开发的关键决策环节。药物研发不缺科学假设，缺的是能够在复杂人体疾病中系统比较、量化评估并优先选择最有潜力治疗策略的能力。
监管窗口正在打开：为什么是现在
人体疾病数字孪生的发展，正迎来全球监管方法学演进的重要窗口期。
FDA、EMA等主要监管机构持续推动计算建模与模型引导的药物研发（Model-Informed Drug Development，MIDD）。2026年，ICH M15《模型引导的药物开发一般原则》正式进入实施阶段，为模型证据的规划、评价、报告及监管沟通建立了更加协调的国际框架。中国CDE也持续推进模型引导药物研发相关技术指导原则与监管实践。
监管正在为计算模型参与药物研发建立更加清晰的评价路径，而模型的科学可信度、适用性及证据质量将成为关键。
Differentia的数字孪生模型在这三个维度上具备适配性——所有预测结果均基于真实人体疾病机制推导，拥有完整的学术记录与临床验证依据，可直接服务于合规研发与临床申报工作。
对产业界而言，这意味着“虚拟模型参与药物研发”不再是一个远期概念，而是正在进入合规化、常规化的窗口期。谁在这个窗口期积累了可追溯的前瞻性验证记录，谁就拥有先发优势。
从验证到商业化：嵌入核心决策环节
在商业化层面，公司已与全球多家大型跨国制药企业（MNC）、头部Biotech、临床CRO及投资机构开展商业合作，将AI驱动的数字孪生模拟应用于治疗机制评估、研发策略优化、临床试验设计及资产价值研判等关键场景。
值得关注的是，Differentia已通过模拟收入实现盈利。在研发周期长、资本投入高的AI生命科学领域，这为公司技术的实际商业价值提供了进一步佐证。
从科幻想象到临床验证：药物研发的新范式正在开启
让AI模拟复杂人体疾病，在真实患者接受治疗之前预测不同药物的潜在疗效，曾经被认为是遥远的科学愿景。
如今，Differentia用一条跨越数年的前瞻性预测与独立临床证据链，正在让这一愿景从概念走向现实。这背后指向的，是一场重塑药物研发底层效率变革——系统性减少可避免的临床失败、大幅提高研发成功率、缩短研发周期，并实现研发效率与投资回报率的革命性提升。
而其更深远的意义，是让人类逐步具备理解、模拟和预测复杂疾病的能力，从而加速破解疾病机制，找到更多过去难以实现的治疗方案。
在虚拟人体中预演，在真实临床中验证。改变药物研发经济学、乃至人类理解与治疗疾病方式的范式革命，已经拉开序幕。
