近来，AI制药圈接连发生了几件大事。赛诺菲与英国药物研发AI技术服务提供商Exscientia达成了一笔价值331亿元的AI制药天价大单。英矽智能半年内两次宣布发现新药，并率先进入临床试验新阶段。阿斯利康、默克、辉瑞、梯瓦等制药巨头联合建立的AI药物研发实验室AION Labs宣布正式启动。
如果说2020年是AI制药爆发元年，实现了从“0”到“1”的突破，那么经过两年的持续升温，这个赛道已经以突飞猛进之势走进了从“1”到“10”的新阶段。多位业内专家认为，AI制药重新定义了制药流程，给整个制药行业带来了一场巨大变革。
AI如何制药？
对于大多数普通民众而言，生物制药是一个陌生的领域。电影《我不是药神》中抗癌群体面对天价药的无助感让观众感同身受。
庞大的研发成本、漫长的研发周期、难以预估的失败率，让新药研发变成一件吃力不讨好的事情。
通常说，新药物发现的过程需要先确定好某疾病的靶点，而靶点相当于“锁”，研究员需要在众多药物分子可能性中，设计和筛选最合适的分子作为“钥匙”去解锁。以《我不是药神》中的神药“格列卫”为例，其靶点就是一个融合蛋白，通过药物小分子去抑制融合蛋白，达到控制慢性髓性白血病的发展。谁更“懂”蛋白质，谁就能找到那把破解重大疾病、研发新药的“钥匙”。
“传统的蛋白质组学分析技术和方法，并不完全适合用来研究蛋白质系统，它所缺乏的是对蛋白质进行定量数据积累的过程，而且它没有一个合适的算法。”西湖大学特聘研究员、西湖欧米创始人郭天南说。
AI技术的出现，让传统实验不再是唯一的选项，以数据为中心的药物发现逐渐走上舞台。“AI在其中的主要作用是对候选药物分子、化合物、蛋白质的结合以及基因的作用完成机理上的模拟和计算，典型的应用场景包括虚拟药物筛选、蛋白质结构预测等。”阿里云高性能计算负责人何万青表示，“这里面涉及分子动力学、量子化学、量子色动力学等大量传统的高性能计算应用，在利用已有的蛋白质结构进行学习、预测的过程中也引入了机器学习的算法。基本上是一个典型的HPC（高性能计算）+AI的应用场景。”
简而言之，以数据为基础的人工智能医药研发范式本质上是通过机器自主学习数据、挖掘数据，总结归纳出专家经验之外的药物研发规律，从而优化药物研发全流程的各个环节。它不仅大大提升了药物研发效率与成功率，还有效降低了研发费用和试错成本，让制药行业看到了摆脱“反摩尔定律”困境的曙光。
赛道上都有谁？
新冠肺炎疫情驱动市场对生物医药行业给予了前所未有的关注。据不完全统计，2021年，全球AI制药领域共发生77起融资事件，累计融资额达45.64亿美元（折合人民币约290.73亿元），相较于2020年增长高达152%。国内发生融资事件34起，总金额超过80亿元。截至2022年第一季度，新增融资事件十余起。
晶泰科技、英矽智能、深势科技等“年轻”公司的步伐很快，成为了资本的“宠儿”。成立于2015年的晶泰科技现已完成将近8亿美元（折合人民币约50.96亿元）的融资，刷新了全球AI制药领域融资金额纪录，总估值超过130亿元。
成立于2018年的深势科技，首创“多尺度建模+机器学习+高性能计算”新范式，在短短18个月内完成4轮融资。
成立于2014年的英矽智能，在全球首次利用AI发现了一种全新机制的用于治疗特发性肺纤维化（IPF）的临床前候选化合物，整个研发过程只花了不到18个月的时间和大约200万美元，刷新了新药研发的速度和最低成本记录，目前也完成了6轮融资，累积金额超3亿美元。
与此同时，传统药企和互联网巨头纷纷发力，要么投资合作，要么亲自上场。例如，复星医药牵手英矽智能，在全球范围内共同推进针对多个靶点的AI药物研发。英矽智能获得了1300万美元的首付款及里程碑付款。这是国内迄今为止AI制药企业收到的最大金额预付款。
再看阿里云与全球健康药物研发中心GHDDI合作开发的人工智能药物研发和大数据平台、腾讯发布的人工智能药物发现平台“云深智药”、百度推出的螺旋桨PaddleHelix生物计算开源工具集、华为成立的医疗智能体EIHealth……这些巨头的高歌猛进在很大程度上推动了整个赛道快速向着纵深方向迈进。
行业春天将至？
古有神农尝百草，今有AI技术开启制药行业新篇章。从概念提出到发展至今，人工智能技术在生物制药中发挥的作用，已从初期的计算机辅助药物设计，发展到如今的人工智能药物研发，甚至有望贯穿从药物靶点发现到进入临床实验的早期药物发现全过程。大胆想象，未来会不会有一天，AI能够从一个辅助工具变成主导，甚至独立担负起药物研发的重任？
尽管想象空间巨大，但前方也并非一片坦途。在全球范围内，AI制药都处在较早期的阶段，距离技术成熟、真正走向市场还很远。数据、算力、算法及人才等都是赛道选手们不得不面对的“拦路虎”。
深势科技创始人、CEO孙伟杰坦言：“一方面，市面上大部分AI制药依然停留在以数据驱动的AI模型辅助药物分子发现的阶段，目前主要面临的是数据总量稀疏和数据标准差的问题，对应比较典型的有ADME/T性质预测和分子生成等相关挑战；另一方面，我们认为AI制药还有另一种范式，即从物理模型驱动的AI对传统CADD（计算辅助药物发现）模式进行创新，最大的挑战在于计算效率和计算精度无法兼顾的问题，比如传统的分子动力学模拟在应对复杂的蛋白体系以及蛋白动态构象采样方面还是力不从心。”
“未来一段时间，AI制药依然会在数据驱动和模型驱动两种范式下持续突破和演进。”孙伟杰说道，“无论哪种范式的发展，本质上都要看AI或计算是否可以真正替代一部分实验，从而带来效率的提升。我们相信未来三五年内强调的不会是AI制药，而是AI成为药物发现的必要手段、成为标配。到那个时候，大家不会再刻意强调AI制药，而是会将其作为普遍使用的一种方法。”
对于AI制药这一多学科交叉的高壁垒行业来说，人才的稀缺或许是更为根本的痛点。中科院上海药物研究所药物博士段宏亮直言：“对制药和AI都理解深刻，才会知道制药环节中哪些关键问题是AI擅长解决的，找到两者的契合点才能发现适合的业务场景。”
在他看来，AI制药发展虽然看似火热，但也只是刚刚拉开了序幕，重量级的选手还一直处于试水阶段。随着药物数据的逐渐积累，AI制药将会迎来一个数据驱动的2.0时代。届时，随着大家逐渐消除疑虑，深度拥抱AI制药，行业的春天也将真正到来。
鄂公网安备: