2016年，IBM Watson与辉瑞达成一项新协议，将前者的超级计算能力应用于癌症药物研发。根据Healthcare IT News的报道，辉瑞计划利用Watson for Drug Discovery平台的机器学习、自然语言处理及其他认知推理能力，在免疫肿瘤学领域进行新药物辨识、联合疗法和患者选择策略的研究。然而，这一合作在后续发展中的实际效果并未达到预期。Watson for Drug Discovery虽宣称能加速药物发现，但其在真实生物医学数据中的表现受到数据质量、模型泛化能力及临床转化难度的制约。至2022年，IBM Watson Health因盈利困难而被出售部分资产，标志着以规则与知识图谱为核心的早期AI药物发现模式面临瓶颈。
当前，机器学习在癌症药物发现中的范式已发生显著转变。深度学习，尤其是图神经网络、注意力机制及生成模型，能够从大规模分子库、基因组数据和蛋白质结构中提取特征，用于预测药物-靶点相互作用、设计全新分子及优化临床试验入组策略。例如，AlphaFold2在蛋白质结构预测上的突破为基于结构的药物设计提供了新工具；而基于Transformer的分子表征模型（如ChemBERTa、MolGPT）则能生成具有理想药理学性质的候选分子。与IBM Watson的符号逻辑方法不同，现代方法更强调端到端学习与多模态数据融合，从而提升效率与可靠性。
在免疫肿瘤学领域，机器学习被用于分析高通量组学数据（如单细胞RNA测序、空间转录组学），以识别肿瘤微环境中的免疫逃逸机制和生物标志物。例如，基于深度学习的整合分析可预测免疫检查点抑制剂在不同患者亚群中的疗效，从而指导联合疗法的设计。此外，生成对抗网络和变分自编码器被用于合成虚拟患者数据，以克服临床样本不足的挑战。尽管技术不断进步，药物发现的“死亡之谷”依然存在——从靶点发现到上市的平均周期仍超过10年，且成功率低于10%。
目前，人工智能驱动的癌症药物发现已进入产业落地阶段。多家生物科技公司（如Recursion、Insilico Medicine、Exscientia）利用AI管线获得了临床试验批件。值得注意的是，数据的标准化、可获取性及多中心验证仍是限制AI模型可靠性的关键。辉瑞自身也在持续投资AI技术，例如与Cyclica等初创合作，但2016年Watson项目的失败警示：单纯的算力堆积无法自动产生药物发现洞见，只有紧密结合生物学机制与高质量数据，才能让机器学习真正造福癌症患者。
参考文献：
- Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.
- Vamathevan, J., et al. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(6), 463-477.