答案可能已经存在：AI 找药的故事，与它给我们的启发
药物研发的旧算术是 10–15 年、10–20 亿美元、90% 的临床失败率。过去十年，一群人换了打法——让 AI 读人读不完的文献、看人看不过来的数据、试人试不起的组合。这里有六个故事。它们的主角都不是耳鸣，但**每一个都指向耳鸣**。
巴瑞替尼（知识图谱老药新用）与 halicin（深度学习新抗生素）同年问世
AlphaFold 开放 2 亿+ 蛋白质结构数据库
首个生成式 AI 设计药物（rentosertib）进入 II 期临床
AlphaFold 获诺贝尔化学奖
rentosertib IIa 期结果登上《自然·医学》；耳鸣 GWAS 研究筛出可药基因与老药新用候选
一道残酷的算术题
传统药物研发：10–15 年、10–20 亿美元、约 90% 的临床阶段失败率。而耳鸣还要在这道题上再加两个惩罚——异质性（多个机制不同的病共用一个名字，疗效被平均稀释）和没有客观终点（自报告量表噪声大）。于是产业界撤退，管线稀疏。
但换打法的人来了。
AlphaFold：把答案变成公共基础设施
预测蛋白质三维结构是生物学 50 年的悬案，实验解析一个结构常以年计。2020 年 AlphaFold2 惊艳业界；随后 DeepMind 做了一件比模型本身更重要的事——把预测结构免费开放。今天数据库覆盖超过 2 亿个蛋白质结构（实验解析的全部存量只有约 20 万个），全球 200 万+ 研究者在用，2024 年获诺贝尔化学奖。
最大的杠杆不是某个私有模型，而是开放数据的复利——被忽视的领域恰恰是开放资源最大的受益者。我们坚持开放数据集，不是因为慈善，是因为战略。
巴瑞替尼：答案早就写在文献里
2020 年初，BenevolentAI 的科学家查询自家的生物医药知识图谱——把散落文献连成网络——几周内提出：一款类风湿老药巴瑞替尼可能阻断病毒进入细胞的通路。论文发表在《柳叶刀》，此后大型试验证实它能将住院患者死亡率降低约 38%，获得紧急使用授权。没有人合成新分子：答案在几十年积累的文献里，缺的只是「连接」。
老药新用是资源有限者的超能力——安全性已知、成本极低，缺的只是连接。耳鸣的 GWAS 研究已经这样找到了候选老药；患者的真实用药经历，正是那张连接网络里缺的一块。
halicin：在人类的搜索空间之外
2020 年，MIT 团队让神经网络学习「分子结构 → 能否杀菌」的规律，在约 1.07 亿个分子里筛选，找到一个结构与任何已知抗生素都不同的分子，对多种耐药菌有效。他们用科幻电影里那台出问题的 AI「HAL 9000」为它命名：halicin。人类化学家的直觉会框定搜索空间；AI 的价值之一，是跳出这个框。
别只问「哪个已知药物能治耳鸣」，还要问「哪些特征组合从未被同时观察过」——比如体感型 × 夜磨牙 × 咖啡因敏感的亚群。这需要细颗粒度的表型数据，正是我们在收集的。
rentosertib：AI 药物「毕业」了
英矽智能用生成式 AI 找靶点、设计分子，针对特发性肺纤维化：发现阶段约 18 个月、数千万级成本（传统量级：数年、数亿）。2023 年它成为首个进入 II 期的生成式 AI 设计药物；2025 年，IIa 期阳性结果发表在《自然·医学》。AI 设计的药第一次拿到了属于它的临床证据。
时间与成本的坍缩是真的——小团队 + AI 碰大病，从口号变成历史。但 AI 压缩的只是发现阶段，临床成败仍取决于正确的终点与分层——这正是耳鸣最弱、也是我们数据最能补的环节。
表型组学：把「分组」本身变成发现工具
Recursion 等公司用自动化显微镜给培养的细胞持续「拍照」，用 AI 把每个细胞状态映射到高维表型图谱上。在这张图上，疾病不再是一个标签，而是一个位置；药物不再是化合物，而是「把疾病位置拉回正常位置」的向量。成千上万种细胞模型被并行筛选——因为分得足够细，发现才成为可能。
耳鸣恰恰是「一个标签下的多种病」。我们的情境自评、体感筛查与日记轨迹，就是在给每位患者标注高维表型坐标——分组本身就是发现工具。
故事讲到耳鸣门口了（这不是未来时）
以英国生物库几十万耳鸣表型为发现队列，研究者整合遗传与表达数据，在 3453 个可药基因中筛选耳鸣药物靶点；通过分子对接与药物富集分析，老药 fenretinide 被提出为再利用候选。EEG 微状态特征加深度学习，正在实现耳鸣患者的自动分型；新一代 Lenire 设备开始用机器学习做个体化匹配。这一切都发生在 2023–2025 年。
所有这些方法吃同一种燃料：大规模、结构化、表型丰富的患者数据。生物库有基因组但没有生活，文献有机制但没有个体。把患者的真实生活、症状与治疗经历结构化地组织起来——正是这条流水线上游稀缺的原料。
AI 找药的故事已经走到耳鸣门口。门后缺的不是算法，是数据。我们来补上数据。