AI设计的肺纤维化药Rentosertib意外显现出抗衰老信号

Rentosertib：从肺纤维化药到抗衰老候选

最近，一款名为 Rentosertib 的在研药物突然被贴上了“抗衰老”的标签。它原本的目标很明确——治疗特发性肺纤维化（IPF），一种致死率高、进展不可逆的肺部疾病。但在重新分析 IIa 期临床试验的血液样本后，研究人员发现了一个意外现象：接受 Rentosertib 治疗的患者，在多个基于蛋白质组的“衰老时钟”模型中，预测的生物年龄出现了下降。

这项发现发表于《Nature Biotechnology》，研究团队对 42 名 IPF 患者的纵向血清样本进行了深度蛋白质组分析，覆盖了 2,841 种蛋白质。他们将数据输入 6 种不同的衰老预测模型，包括 ProtAge、OrganAge、PAC、ipfP3GPT 和 PAOPAC 等。结果一致显示，部分剂量组在治疗第 4 周或第 12 周时，预测生物年龄比基线降低了 2.7 至 3.5 年，个别模型甚至接近 6 年。

这听起来很像科幻情节——吃一种治肺病的药，身体却“变年轻”了。但科学上更关键的问题其实是：这个药是怎么来的？

全流程AI驱动：从靶点到分子

Rentosertib 的开发者是 Insilico Medicine（英矽智能），一家总部位于上海、在纽约和莫斯科也有布局的 AI 生物科技公司。它的特别之处在于，Rentosertib 是目前极少数从靶点发现到分子设计全程由 AI 完成的药物候选。

整个过程始于公司的 Pharma.AI 平台，其中两个核心工具起了决定性作用：PandaOmics 和 Chemistry42。

PandaOmics 负责“找靶点”。它不是一个简单的数据库查询工具，而是整合了基因组、转录组、蛋白组等多组学数据，结合疾病通路、生物网络、因果推断算法，以及海量科学文献和专利文本，对潜在药物靶点进行打分排序。在肺纤维化项目中，系统最终将 TNIK（TRAF2 and NCK interacting kinase）列为最高优先级靶点。TNIK 是一种丝氨酸/苏氨酸激酶，此前与癌症、炎症有关联，但在纤维化中的作用并不突出。AI 的判断让它进入了视野。

一旦靶点锁定，接力棒就交给了 Chemistry42——一个生成式化学平台。与传统 AI 预测已有分子活性不同，Chemistry42 能在庞大的化学空间中“凭空”生成全新结构。它根据 TNIK 蛋白的三维结构（或结合口袋特征）和预设的药物性质（如溶解度、代谢稳定性、毒性等），迭代生成并筛选数百万种虚拟分子，最终输出少量高潜力候选。

在 Rentosertib 项目中，团队仅合成了不到 80 个分子进行实验测试，就在 18 个月内确定了临床前候选化合物 INS018_055。这个速度远超传统药物发现动辄 4–6 年的周期。

临床验证：肺功能改善确凿

INS018_055 进入人体试验后被命名为 Rentosertib。2025 年发表于《Nature Medicine》的 IIa 期研究提供了关键疗效证据：71 名 IPF 患者随机接受不同剂量 Rentosertib 或安慰剂治疗 12 周。结果显示，每日一次 60 mg 组的用力肺活量（FVC）平均增加 98.4 mL，而安慰剂组则下降 20.3 mL。FVC 是 IPF 临床试验的核心终点，其下降速度直接关联死亡风险。这一结果不仅具有统计学意义，也具备临床价值。

基于此，Insilico 在 2026 年 7 月正式启动 III 期临床试验。这是一项更大规模、为期 52 周的随机双盲安慰剂对照研究，主要终点仍是 FVC 的年下降率。如果成功，Rentosertib 将成为首个完全由 AI 发现并设计的获批药物。

衰老信号：是副产品还是新机制？

真正引发热议的，是那批留存的血液样本。研究人员的问题很简单：如果一种药真的改变了人体状态，能不能从整体蛋白质表达谱中看出来？

蛋白质衰老时钟正是为此而生。这类模型通过机器学习，从成千上万人的蛋白质组与实际年龄、健康状态的关联中“学会”识别衰老特征。当输入一个新样本，它会输出一个“预测年龄”——即该蛋白质组在统计上最像哪个年龄段的人群。

Rentosertib 治疗后，多个模型都报告预测年龄下降。值得注意的是，这些模型训练目标各异：有的预测 chronological age（实际年龄），有的预测 mortality risk（死亡风险），有的专门针对器官功能。它们的一致性增强了结果的可信度。

但关键疑问仍未解开：这种“年轻化”是肺功能改善的间接结果，还是药物对衰老通路的直接干预？

研究团队承认，FVC 的变化无法完全解释所有蛋白质时钟的偏移。例如，某些与免疫或代谢相关的蛋白变化，似乎独立于肺部状况。这暗示 Rentosertib 可能存在超出抗纤维化的生物学效应。不过，在缺乏机制研究和长期随访的情况下，将其称为“抗衰老药”为时过早。

AI制药的里程碑意义

无论 Rentosertib 最终是否获批，或能否拓展至抗衰老适应症，它的出现本身已具标志性意义。

过去十年，AI 在药物研发中的应用多集中在单点突破：比如用深度学习预测蛋白结构（AlphaFold），或优化已知分子的 ADMET 性质。而 Rentosertib 展示了一条端到端的路径：AI 不仅提出“应该干预哪个靶点”，还设计出“用什么分子去干预”，并推动其进入后期临床。

这验证了生成式 AI 在复杂生物系统中的探索能力。面对人类尚未完全理解的疾病网络，AI 能否比传统假设驱动的方法更快找到有效干预点？Rentosertib 提供了一个初步肯定的答案。

当然，挑战依然巨大。AI 生成的分子仍需经过严格的合成、测试和临床验证；靶点的新颖性也意味着更高的失败风险。但至少现在，我们有了一个真实案例：从数据到药物，AI 不再只是辅助工具，而是真正的“共同发明者”。

至于它是否能让人类“变年轻”？答案或许要等 III 期结果，甚至更久。但在此之前，Rentosertib 已经改写了新药研发的故事开头。