計算進入生物科技的歷史其實并不短，但被投資圈關注，也不過是近5年內的事。 

上世紀末，以IBM為首的巨頭就提出過用超級計算機來預測蛋白質的三維結構，在當時的條件下，這個實驗所需要的計算量可以說是天文數字。 

近幾年來，隨著AI、人工智能、機器學習等技術的不斷發展，疊加醫療領域新知識和數據的快速增長，“生物X計算”得以在越來越多的方向落地來幫助醫學創造更大的價值。 

當然，當我們在這篇文章里提到計算時，更多是指宏觀的生物計算，而不是基于公式的單純計算方式。這在某方面類似于將原先研究室里試管+電鏡式的研發過程搬到了電腦機房。 

在投中近期舉辦的，由金浦健康基金支持的2?沙龍上，我們邀請了16位企業端以及資本端的嘉賓在上海黃浦江畔暢聊“生物X計算的未來想象”。關于這一話題，他們的共識和分歧來自于哪里？對于行業未來實際應用的探索和想象，又做到了哪一步？

“生物X計算”的當下和未來是什么樣的？ 

在高特佳投資執行合伙人張鵬看來，無論是何種形式的干涉，再加工，合作還是顛覆，計算技術正在逐一改變我們身邊所有的產業形態。目前在醫療領域比較早落地的，應該是互聯網醫療、AI醫療語音識別及結構化、AI影像及文本智能輔助診斷、AI藥物研發等行業。 

深創投江蘇大區副總經理吳萍更關注AI作為工具在醫藥領域的應用。她認為，生物科技和數字計算的結合是循序漸進的，著力于生物醫藥研發的團隊如果能把AI作為工具很好的運用起來，拓展深度和廣度，隨著認知進步和儀器創新，取得更充分更全面的數據，在這個基礎上談計算的反饋和指導才更有意義。在當前醫藥領域測序環節和影像篩查領域，AI都是醫生必不可少的輔助工具。 

潤邁德醫療副總經理、董事會秘書劉康健前期也一直從事投資工作，對AI在醫療里的應用也給出了理性而謹慎的判斷。他認為，AI肯定是未來的方向，但是在醫療行業里，不管是智能分析還是輔助診斷，目前還在研究試用階段，還沒有體現出特別好的臨床場景和研究證據，很多還都是為了應用而應用。醫學講求循證醫學證據，很多AI應用現在還在探階段，需要長時間的跟蹤和大量的證明。另外，全球最前沿的計算技術、通信技術、AI算法等等還沒有廣泛應用到醫療領域，這也正是醫療行業嚴謹高冷的屬性決定的，未來也蘊含著巨大的機遇。因此，從事科技研發的科學家和醫學屆也需要更多的交流、更多的理解、更多的合作。 

潤邁德醫療一直在推動流體力學、自動控制等在醫療中的應用，為心血管診療打開了一個全新的局面。此外，還有不少創業公司在“生物X計算”這條大道上進行了各個方向的探索。勝澤泰是一家致力于多肽新藥研發、多肽原料藥生產的科技公司，其創始人何潤澤表示，公司最初的業務模型誕生于博士期間導師在瑞士的Camera Space研究組。 

已經有不少創業公司在“生物X計算”這條大道上進行了各個方向的探索。勝普澤泰（Space Peptides）是一家致力于以AI及大數據驅動多肽新藥研發、多肽原料藥CDMO的科技公司，創始人何潤澤表示公司最初的業務模型誕生于其在瑞士博士期間導師Jean-Louis Reymond的研究組。 

勝普澤泰使用的Chemical Space在2010年就形成了全球的公開數據庫，里面一共有1664億個分子，其中絕大多數是小分子。2016年后才開始切入大分子領域。目前Chemical Space不僅包含靶點的藥物設計，藥物多維度成藥性的生成算法，以及AI的循環神經網絡學習，而且最后能生成3D指紋圖譜可視化地圖。通過這樣的技術，勝普澤泰目前不僅能預測藥物的活性，而且能預測藥物毒性，例如能做抗生素溶血性實驗。下一步有希望做到藥物動力學的一部分預測。

與勝普澤泰不同，星亢原目前主要聚焦于蛋白降解藥物、抗體藥物、T細胞治療等領域。不過，將計算和生物藥結合做藥物研發同樣是星亢原的特點之一。 

星亢原CEO陳航提到，AI制藥是未來藥物研發的重要趨勢。和生物醫藥過去傳統的篩選工具相比，AI制藥一是能有效提升效率，做出有差異化的成果。二是能利用計算驅動的價值，做出源頭創新的創新藥。第三是在細胞治療等方向，基于個性化的治療方案。目前星亢原也是朝著這樣的方向在做包括基因治療領域的一些拓展，全面構建管線優勢。 

勁方醫藥CEO蘭炯表示，人工智能深入藥物設計領域，已大大提升研發效率和化合物成藥性。但業界更期待重磅的跨界技術成果和真實世界數據，證明AI靶標篩選及分子設計能夠溝通早期發現和轉化科學，甚至超越傳統開發模式的療效和安全性。勁方自成立以來，持續關注前沿跨界創新成果并積極打造CADD平臺，近期與業界領先的AI藥物開發企業和結構生物學平臺分別達成戰略合作，加速開發全新高選擇性抑制劑，以及有望破解耐藥機制的新一代靶向藥物。 

對于計算技術在生物領域的效率提升作用，領星生物CEO許強表示認同。在計算和生物兩大領域，領星生物更偏向于前者，不過，許強覺得，數據的質量和相關性同樣是計算技術無法忽略的重要因素。過去五年領星生物一直專注于腫瘤領域的數據積累，值得注意的是，腫瘤領域中西方患者情況，臨床方式都有很大不同，因此很多研究不能照搬國外的模式和研究結果。

相比已經投身生物計算的創業公司，瑞石生物更偏向于傳統制藥企業。不過，觀望技術發展之余，瑞石生物早期研發負責人周玲同樣表示“非常有焦慮感”。在她看來，在AI技術開始涌入醫療領域方方面面時，不知道，不學習，不跟AI合作，企業可能很快面臨淘汰。在傳統生物研發環節的確有很多痛點可以利用AI技術來解決，例如靶點尋找，AI技術可以增加很大的成功率。當然，目前AI和藥企之間的融合還存在一定的認知錯位問題。 

來凱醫藥CEO呂向陽提出了一個很有趣的觀點，他表示，目前計算更多是在幫助人類在能做到的事情上提高效率，而不是做人類做不到的事情?，F在生物計算的方向還是人在指導計算，但生物學太復雜了，人類自身都知之甚少，你很有可能把計算教壞了，未來像AlphaGo這種不需要人去教導的計算方式，也許會在生物計算領域有新的突破。 

仁東醫學生信副總裁、轉化醫學研究院執行院長朱瑞新認為AI從被動學習已進入主動學習，其實已經能干很多人類極限以外的事情，但是要真正要像人一樣會獨立思考，則需要學會“因果推理”。而這是當下AI的瓶頸和最前沿方向。 

“生物X計算”的共識和分歧來自于哪里？

在醫療領域，理論和模型可能走在行業前面，但應用落地確確實實是企業和投資機構關注的重要一環。落實到產業本身，計算能發揮多大的作用，形式是什么樣的，又有誰會來買單呢？

朱瑞新對此有自己的看法。朱瑞新提到，大家對計算的印象還停留在早期階段，覺得計算主要起輔助作用。其實計算早就不是這個階段了，計算不僅可以提高研發的各個環節的效率，包括使得原本實驗“不可能”完成的工作成為“可能”，這點在藥物研發過程早已被證實；更為要緊的是，計算模擬能獨立于實驗和“形式理論”的產生新洞見。1953年著名的Fermi-Pasta-Ulam的計算機實驗，研究了動力學體系非線性項的微擾是如何改變單一的周期振動行為。結果出人意外，竟然恢復初始狀態的時間遠遠比想象的Poincare回復時間短得多。這個計算機實驗不僅開創了“計算物理”這門新學科，更為重要的是，從此人們明白除了實驗、形式理論這兩條能夠創造、發現新的科學概念的途徑之外，還存在第三條途徑——計算模擬。

華道生物董事長兼總經理余學軍既是醫生也是企業家，在他看來，目前人類對于生物醫藥領域連1%的了解都沒有，現階段使用AI技術設計出一個治療某種疾病的東西，為時過早。 

我們國家智能識別公司、算法公司的臨床影像學系統、核磁共振技術都不差，差的是軟件識別系統。國產設備和國外設備的區別最終是算法，這是最大的區別。華道生物目前做CAR-T細胞，數據非常重要。目前公司有20多個軟件開發工程師，生產管理數據分析以及生產運營管理的工程師。但現階段能幫公司做CAR-T的地方還很少。 

弘暉資本高級副總裁嚴競然先生在討論中表示，在其看來，計算是一個手段，但是生物才是最終的目的。只有企業的某個技術或者平臺能在某個應用領域產生明確的價值時，客戶才會愿意為之買單。如果這個應用領域還不清晰，或者產生價值的路徑還不明確，大部分還停留在理論上，那公司本身就難以獲得較高的資本市場價值。 

金浦健康業務董事魏峻在討論中同樣提到，如果要被企業或者資方所認可，創新藥企業的AI實力需要能夠表現出替代企業在技術創新、邏輯創新方面非常在行的人才的作用，從某個角度來說，解決了driving還是driven的問題。 

業內曾有“未來得生物計算者得天下”的說法。但在生物計算前景和方向尚不那么明朗的當下，機構對企業又有哪些建議？ 

中金資本董事總經理劉森林強調，基于傳統的靶點和疾病的關系，過去有很多經驗的積累。但人類產業發展的歷史證明，一個新的技術拐點出現的時候，都是年輕人的天下，絕對不是按照過去的路徑來發展。 

劉森林表示，當未來確定，現在不確定時，那你要找一個賺錢的方式活下去。過去很多人比較AI+制藥和AI+影像，這兩個領域不一樣，AI+制藥，至少有一個付費方。 

對于生物計算企業的發展，毅達資本大健康投資事業部孟曉英在現場表達了自己的部分疑慮。 

人才是每個行業發展的基石。孟曉英提到，目前行業從業者一部分是之前做生物醫藥的創業者，對計算的理解有限，另一部分可能專精計算，對生物醫藥行業的背景環境不夠了解，這兩者之間的壁壘難以打通，企業很難實現領域融合和跨界。除此之外，計算的前提是高質量的數據集合。數據從哪里來，如何高效率的采集和研究，都是影響研發端效率和成果的現實因素。 

松禾資本董事總經理周瀟薇同樣表達了相似的疑問。在她看來，對一家生物計算企業來說，機構考慮的問題主要有三點。第一，企業的數據來源是哪里，是循證醫學、臨床、后期還是基因數據，亦或者是傳統的小分子高通量篩選？這一問題首先是機構關心的重點。其次，公司如何驗證自己的機器學習路徑，是自身有驗證能力還是要和其他制藥公司合作？第三，如果一家企業數據和驗證方式都有了，那他的速度有多快？ 

對于生物計算這塊新興領域，什么發展階段才是機構投資的最佳時間點呢？ 

在同創偉業董事總經理吳迪看來，當企業有希望出現一個新的算法，對機構來說就是一個好的投資時點。這個算法可以是因果關系，也可以是相關性，也可以是存量數據，也可以是預測的數據，這都不重要。而且這個算法也有可能失敗，也有可能沒有商業化前景，但是作為VC來說，至少當企業有希望出現算法，不要考慮太多后端的商業化，當然這只是一家之言。 

吳迪表示，對于生物醫藥未來的落地形式，也許機構和創業者都只是一個模糊的概念。但是如果現在不嘗試的話，可能這個概念一直不會落地。不需要太去束縛企業說現在數字化一定要怎么做，也許五年之后會有很多新的做法冒出來。五年前誰都沒想到生物計算企業的產品可以作用于臨床，但實際上行業發展日新月異，進展迅猛。