從自動駕駛到疾病診斷，人工智能正在重構一個又一個行業。

“倒摩爾定律”中，醫藥研發的成功率每況愈下。而將AI技術引入新藥研發后，似乎開辟了全新的洞天。

早在1981年，美國《財富》雜志就對計算機輔助的藥物發現進行了專題報道。到了2021年，AlphaFold已可以預測完整的人類蛋白質組結構，AI正在儲備著顛覆整個生命科學行業的力量。

從2012年最早與AI公司達成合作的默沙東，到2017年與Numerate合作的武田以及與Exscientia合作的賽諾菲，再到2019年與BenevolentAI合作的阿斯利康和宣布成立AI創新實驗室的諾華?？v觀制藥巨頭與AI公司的合作情況可以發現，AI+新藥研發已可為“藥物發現和臨床前研究階段”及“臨床研究階段”各節約50%左右的研發周期，也因此為全球每年的新藥發現節約了30%左右的成本。

在此過程中，AI研發的落地場景也日趨多元，除了在藥物靶點的化合物匹配中能夠提高尋找藥物分子的效率之外，在化合物的優化過程和臨床研究后期數據的積累，甚至在臨床試驗患者招募的過程中，也都發揮著非常重要的作用。

2015年，中國誕生了第一家人工智能藥物研發科技公司晶泰科技。此后，在資本的強力驅動之下，中國的AI制藥業也拉開了自己的歷史大幕。如今，從MNCs和藥明康德等藥企，到云深智藥、百圖生科等互聯網巨頭背景的企業，再到后勁十足的AI創企新秀們，百花齊放中，企業們正努力用技術和資源構建自己的護城河。

不過需要承認的是，中國的AI制藥公司雖然享受到了資本和技術的紅利，但并沒有享受到市場的紅利。他們仍要經歷從起初只需要用獨有的技術解決很小的問題，到持續性交付能力的挑戰;經歷從起初只需要通過大量計算模擬來獲得更多虛擬數據，到后期必須構建自上而下的數據獲取能力和商業模式的挑戰。

01 突破降臨

2021年，人工智能向生物界投下了一枚核彈。

7月，谷歌旗下的Deepmind宣布，AlphaFold2已預測出35萬種蛋白質結構，涵蓋了98.5%的人類蛋白質組以及20種生物的蛋白質，并開源了它的數據庫。

“長久以來，蛋白折疊都是一個重要的科學命題，被稱為第二半的遺傳密碼。第一半是由DNA到氨基酸序列，而由氨基酸到蛋白質構象目前則還沒有一個相應的解。純化蛋白質、形成晶體、X射線衍射和解析結構也需要多年的工作才能完成?！苯⌒略EO李玉玲對E藥經理人表示。 

這一次，AlphaFold無疑為研究者們叩開了新世界的大門。

和鉑醫藥董事長王勁松就用“人類從石器時代向鐵器時代的邁進”，來形容AlphaFold的蛋白結構預測技術帶來的劃時代意義。這也讓他在研發藥物、戰勝疾病的道路上倍感任重而道遠。

截至目前，FDA每年獲批的First-in-class新藥數量在20款左右，靶點發現和候選藥物開發已然成為制藥行業發展的瓶頸。AlphaFold2的開源，有望給各大藥企提供一個彎道超車的機會。

“如果在AlphaFold的幫助下，能夠全面準確地掌握蛋白質結構，每年獲批的新藥將可能達到現在的2倍甚至更多，這將讓更多患者受益?！闭楦裆顲EO陳建新表示。

根據他的推測，Deepmind把它的數據庫開源后，算法精度和執行速度會得到更好提升，也許很快就能迭代出一批AlphaFold++，并在未來誕生一個“金標準”，用此算法來測定人類的蛋白質結構。

盡管AlphaFold對生命科學和生物醫藥領域的影響深遠，但需要直面的是，目前它僅對人類蛋白質組中30%~40%的蛋白質結構完成了比較準確的預測，在這一部分，它確實能夠幫助科學家更快更好地完成藥物發現和篩選，但對于剩下的60~70%的蛋白質結構，AlphaFold的幫助還比較有限。

“比如對于抗體的結構預測，AlphaFold的精度就遠不能達到預期。人類免疫系統可以產生1012的不同抗體。這些需要通過Deepmind和整個學術界、產業界以及開源社區來共同努力，優化迭代?！标惤ㄐ卤硎?。

在開拓藥業創始人、董事長兼CEO童友之看來，AlphaFold的應用目前會受到兩個因素的限制:

一是想要確認這個計算模型解析出來的結構預測是否準確，還需要試驗來驗證;

二是它只能提供蛋白質的三維結構，但還不能告訴我們這個蛋白質在細胞中的功能性注解。

“未來的場景應該是，AlphaFold等計算軟件在算出大致蛋白質結構基礎上，再通過其他實驗技術手段，更精確地了解蛋白質的作用機理和調控機制?！蓖阎硎?。

康寧杰瑞董事長徐霆也認為，現在AI在藥物，特別是小分子藥物的開發過程中，對于蛋白質結構的依賴性還不是特別強。但未來5~10年內，會看到整個行業由此發生的深刻變化。

“目前，新靶點、新機制還有候選藥物的開發，主要瓶頸還是在于我們對復雜疾病的了解及干預方式有限。此外，大量三維結構的運用所需的算力以及對研發人員的要求都非常高?！?/p>

根據徐霆的分析，Alphafold短期內對行業的推動主要體現在四個方面:

一是由于蛋白質結構相對精準的預測，我們可以獲得大量同源蛋白的結構信息，對于蛋白質結構功能的進化和深入理解提供很大幫助;

二是可以在短時間內對于蛋白質突變做出結構模型，對于致病的突變可以找出或者快速定向篩選出小分子或者單抗藥物;

三是對于AI輔助的蛋白質的定向進化和合成生物學起到極大推動作用;

四是對于蛋白質和抗體的Denovodesign(全新設計)提供指引，為AI輔助蛋白質設計提供基礎和Trainingset(訓練樣本)。

“有這個數據庫和開源為基礎，蛋白質結構預測會更加精準，特別是對于單個蛋白的結構解析。但是傳統的結構生物學，比如晶體衍射、冷凍電鏡等不會很快退出舞臺，而是會演變進化到蛋白質修飾、復合物、弱相互作用。新的技術也會出現，用來獲得蛋白質在完成其功能的過程中的動態變化?！毙祧f。

李玉玲也表示，基于靶點結構的藥物設計在理論上是一項可行的舉措，但在真實應用中取得的成功有限。未來治療疾病的靶向治療藥物會越來越多，那些很難表達和純化的靶點，可能會通過AlphaFold來解決這個結構。

“我認為，新藥研發最終仍然需要依靠人的能動性和創造性?！眲欧结t藥董事長呂強指出，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，能證明AI靶標篩選及分子設計可以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。

02 “最終是沒有AI”

Alphafold打開了AI在生物醫藥產業的想象空間。但IT與BT的結合之路上，“欲善其事”只“利其器”是不夠的，“悟其道”更加重要。

晶泰科技CEO馬健曾經說，一個外援性技術進入一個行業，它的增長曲線不是單純的一條，而是好幾條曲線推進，可能天花板很低，要不斷提升。

而AI藥物研發面對的周期是很長的，AI在藥物研發中究竟該如何落地，如何產生對應的價值，對AI制藥企業來說至關重要。

“AI最終應該變得沒有AI，這才是未來的發展方向?！闭f這話的是未知君創始人譚驗。

在譚驗看來，生命科學過去一直被認為是實驗科學，是一種單一實驗的做法，會因為不同操作者而出現不同的結果。而未來，整個制藥行業一定會走向更標準化的實驗，或者自動化、標準化的實驗流程，通量也會極大地提高。從中得到的數據，可以更好的去闡釋生物學的原理。

“未來這種模式可能不能僅僅稱作AI制藥，而是要發展成依靠數據和高通量實驗本身，來驅動生命科學的發展，也就是‘沒有AI’的境界?！?/p>

譚驗2015年獲得美國波士頓大學生物信息與計算生物學博士學位，2017年，回國后的他創辦了專注于腸道微生態治療的AI制藥公司未知君。

去年，未知君因連續兩輪獲得數千萬美元的融資，而受到市場廣泛關注。最近，公司也獲得美國FDA對于其FMT(腸道菌群移植)藥物IND申請的正式批準，這是中國微生態制藥企業首次獲美國FDA批準的IND申請，未知君的發展也正式進入臨床階段。

雖然是科學家出身，但譚驗在創業之初就已明白，掌握了前沿技術，也不意味著就一定能做成公司，技術如何在國內的商業環境下落地是更值得思考的問題。

最終，譚驗決定從國內尚屬空白的微生物藥物研發切入。這一選擇，注定了未知君在藥物研發上與AI密不可分的關系。

人的腸道里有500~1000種菌，隨著認識的深入，這一數量還在增加。如果按傳統篩藥物的方法，一個一個菌株去篩選，幾乎是做不到的，這也是益生菌用了上百年，卻依然只有幾組菌在用的原因。

“現在我們有了測序的方法，可以先不用培養，就能從數據端知道人的腸道里有哪些菌，然后通過機器學習的建模方法去推測，看哪些菌或菌的組合是跟某種疾病相關的，最后再去進行篩選。這時AI在里邊就起到了一個很強的驅動性作用?！弊T驗表示。

如今在AI端，未知君積累了兩種能力，一是多組學的數據分析能力;二是圍繞序列進行的功能預測的能力。這些能力也可以遷移至現在一些很新的技術平臺，所以公司對自己的定位，就是用AI去賦能新的療法。

在此過程中，數據的獲取變得很重要。

譚驗承認，數據對整個AI制藥行業都是一個痛點，但長期看，它可能又會是一個增長點。他自己的體會是，從創業之初到現在，隨著數據增加，很多計算越來越精準，越來越有生物學意義。

未知君目前獲取數據的做法是以公共數據集為基礎，通過與醫院的合作收集自有數據，包括病人腸道菌群移植前后的臨床表現數據等;同時，通過數據分析的方法去縮小搜索的范圍，推測哪些代謝產物具有治療性的作用，然后進行藥物研發。

“我們通過與醫院的合作采集到的自有數據，主要是反映人的腸道微生物與它疾病相對應的情況，特別是在腫瘤病人接受PD-1的治療上，我們在多個項目中與第三方合作，合計收集了上千個樣本，這應該是全球范圍內體量名列前茅的數據集之一。如果加上公用數據集，體量應該是幾十萬條，目前還在不斷增大?！弊T驗稱。

03 源頭創新

最早的AI藥物研發大多集中在小分子領域，它也是目前發展最為成熟的領域。而隨著對大分子藥物的研發逐漸增多，AI正在給制藥行業帶來新的想象力。目前，AI已全面進入RNA、免疫、基因治療等細分領域。

煥一生物就是國內首家AI+系統免疫公司。6月，公司獲得天使+輪投資，目前累計融資近千萬美元。

雖然公司起步不久，但創始人文雯卻對煥一的發展有著清醒的認識?！拔冶旧硎轻t療和TMT投資以及互聯網的跨界背景，團隊有很多臨床背景的同事，所以對于AI制藥，我們有兩個層面的目標:一是解決底層的醫學問題，滿足未被滿足的臨床需求;二是在整個商業鏈條里，去解決最有價值的問題?！?/p>

文雯是AI制藥領域為數不多的女性創始人，行業投資人的經歷也給了她看待產業不同的視角。文雯認為，目前中國生命科學研發最大的痛點，是缺乏原始創新的生態。

“很多公司希望做差異化的管線研發，可如果在靶點和機制層面沒有創新的話，還是要跟著熱門靶點去做分子設計，很難真正做到差異化?！?/p>

在她看來，新藥研發中，最大的難點是對于復雜生物調控網絡的理解，對于適應證或者精準用藥人群與靶點的匹配。傳統單靶點，從體外實驗到動物實驗這樣的研發模式使藥物研發人員在藥物進入臨床階段之前無法判斷它進入人體會有什么樣的系統性反應，需要投入大量的時間和金錢去反復試錯，成功率非常低。所以適應證與靶點的匹配性是最需要解決的問題。

“這一問題的解決將對藥物的臨床成功產生關鍵影響，并從源頭上解決目前制藥同質化的問題。結合中國的臨床患者、數據優勢及最前沿的AI及生物計算技術，我們有信心在源頭創新獲得突破?！蔽啮┍硎?。

她為煥一選定的賽道是利用AI+多組學解碼免疫，從生物標志物和靶點發現切入。

免疫是一個龐大的調控網絡，與大多數疾病都有著緊密的聯系。但免疫又是異常復雜的，無法單純憑借人為的建模去模擬整個免疫系統與疾病和藥物的互作機制。

“人做不到的事情，AI可以做到。這種數字化的趨勢在航天、半導體等行業已經相當成熟，但在生物醫藥領域的應用還不完全。相對于在動物身上做實驗，一個利用AI模擬人體數據建立數字化模型做出來的假設，經過驗證進入臨床階段，效率上勢必會有一個顯著提升。目前，傳統研發模式中，從IND到臨床試驗到新藥獲批的轉化率是5%~8%。如果利用數字化模型賦能的研發模式加快假設的生成與驗證，將有機會大大提升臨床階段的成功率?！蔽啮┲赋?。

最近五年，數據可及性的提高讓AI解碼免疫成為可能。結合基因組、代謝組、蛋白質組、脂質組的多組學技術能夠獲取到更多維的數據，為數字化人體細胞的胞內調控打好基礎?！跋到y性地理解某個系統的調控通路也不再只是一個概念，AI+多組學技術可以幫助我們建立更為精準的模型去探索免疫?！?/p>

而對于商業模式的探索，文雯表示，她們目前仍以科研服務和產品的聯合研發為主。其中一項合作中，用AI計算出來的一組聯合療法靶點對腫瘤殺傷性的排序在體外實驗和動物實驗均得到了驗證。

6月底，煥一生物和劑泰醫藥宣布達成戰略合作，在自體免疫疾病領域開展差異化藥物的聯合研發，希望推出全球最快AI驅動研發的新形態藥物。

“煥一生物來篩選靶點，劑泰進行藥物遞送，雙方聯手實現老藥新用，是一個非常理想的合作方式，也會開發出全新的商業價值?！?/p>

04 數據之痛

需要承認的是，到目前為止，全球還沒有一款真正意義上通過AI技術設計出的藥物。大家都在期待，AI與藥物研發的結合究竟能帶來哪些顛覆性價值。

“AI未來需要在海量數據之下，發現隱藏于臨床前研發和臨床階段研究之中的規律?！眳螐娭赋?。

數據是AI建模的基礎，可在AI藥物研發領域，數據亦是最大的挑戰。

從上世紀80年代起，醫藥行業就開始呼喚AI，但直到今天仍處在探索階段，數據就是其中重要的“卡脖子”因素。新藥研發領域的數據基本掌握在藥企手里，有高壁壘、高成本、高機密的特性，獲取的成本十分昂貴，這也成為AI藥物研發發展的一大障礙。

王勁松就指出，AI的三大核心—算法、算力和數據中，數據是相對更難解決的問題，這涉及了每家藥企的核心機密、專利技術、患者隱私等一系列問題，無法輕易共享。企業間也在利用合作尋求各種解決方案。

“我們今年5月與百圖生科達成了戰略合作協議，目的就是開拓AI技術與研發平臺的深度融合。但在此之外，我們更期待頂層設計的介入，以及后來者的智慧，共同解決這一難題?！蓖鮿潘杀硎?。

陳建新也直言，目前解決這一問題的有效方法并不多，這不僅有企業之間的博弈，也有各國政府之間的合作與抗衡問題。

“一個思路是藥企和AI-tech公司深度合作，通過投資人或者直接收購、合資等方式解決數據歸屬問題，這相當于是變相地購買了數據。另一個思路是嘗試通過算法的優化和突破來減少對有效數據量的依賴，達到小量有效數據也能得到高質量的結果。不管哪種辦法，都不容易，需要長時間的探索。國外的一種做法是成立聯盟，大家共同貢獻數據，分享結果?！标惤ㄐ陆ㄗh。

童友之也認同通過建立聯盟的方式來共享數據，打破數據孤島的現象?！艾F在有很多藥企已在各自組建或者加入一些聯盟，在藥企之間共享數據，從而促進整個行業的發展?！?/p>

徐霆提出，應該排除零和博弈，通過社區學習，加密計算和正向的獎勵機制來鼓勵數據分享。除此以外，還應實現數據采集模式和質量標準的統一。

徐霆口中的數據標準，目前正在被大家所正視。事實上，AI藥物研發落地的過程，也是一個長期的數據能力建設的過程，這種研發數據體系的完善，的確需要某種標準。

“AI只是新藥研發的一種技術策略，傳統新藥研發過程中對數據的標準不應該被降低?！眴⒌箩t藥CEO秦剛指出。

陳建新也認為，制藥行業關乎生命。首先，一旦AI在藥物研發中發揮主導作用，必然需要在數據的質量、管理、使用和追溯等方面建立標準，規范數據和AI算法的使用不造成不良后果。其次，類似GMP的標準，一般只在原則上規定什么需要做，什么不能做，而不會在實際操作上做具體的規范，這也意味著，各個企業不管是制藥公司還是AI技術公司，都要自己根據標準來制定切合自身實際可操作的規范。

王勁松進一步指出，不同的研發公司數據格式、種類、分類等都不盡相同，只有以統一的標準來建立并完善數據體系，才能實現企業間的數據互通、互聯及整合。

“一些龍頭企業應該率先擔起責任，牽頭建立好行業標準，促進整個行業更健康、更有序地發展?！蓖阎f。

然而數據標準的制定，也需要頂層設計。

翰森生物執行副總謝岳峻就認為，這一工作需要由跨國GMO組織，如WHO或者WTO來協調，可以從資料庫的數據結構規劃開始。

呂強也同意數據應有標準，但他同時認為，AI藥物研發才剛剛開始發展，標準究竟該如何設置尚需要仔細考量，還是應以發現新分子實體、探索適應證的結果為導向，鼓勵更多創新、防止壟斷。

05 打破“黑箱”

隨著AI研發技術的不斷發展，如何理解AI制藥結果的確定性，正成為判斷AI制藥公司成長潛力的關鍵部分。而這除了要追蹤其前期模型產出環節的精準度，也要對后期決策證據的可靠性和結果的確定性進行驗證。

可一個矛盾是，生物醫藥是一個高度嚴謹，且需要確定性的行業，而AI技術的很多細節則很難解釋，更像一個黑箱。如何讓這一對矛盾體更加和諧地發揮作用，真正地提高創新效率，成為擺在AI制藥企業面前的一大難題。

對此，童友之認為，一方面可以通過將關鍵決策過程中使用的AI算法開源，增加透明性;另一方面則通過行業的倫理規范和標準、政府的鼓勵和支持、適當的法律責任分配以及監管機制等多種途徑，來推動AI藥物研發行業的健康發展。

星亢原創始人陳航則以自己的公司舉例稱，他們的理念就是AI+生物物理+高通量實驗，將這三者有機地結合起來，在頂層設計上構建一個創新藥研發平臺，然后隨著藥物研發實戰的經驗積累，不斷激發平臺的創新力。

“生物物理提供了第一性原理的認知，高通量實驗不僅僅為AI提供了更多維的數據，也暗含了大自然生物的力量。我們的AI+噬菌體展示這一大分子篩選平臺，就實現了抗體的定向進化?！标惡秸f。

目前，AI制藥賽道已愈發火熱，各路資本和科技巨頭紛紛跑步進場。自2020年3月以來，已有十幾家AI制藥公司完成了1億美元以上的融資。

其中英矽智能今年6月獲得2.55億美元的C輪融資，晶泰科技則在8月初完成了4億美元的D輪融資，企業們正不斷地刷新著AI制藥領域的融資紀錄。除了美國之外，中國也正成為該領域第二大融資交易地區。

可另一個現實是，目前在國內，除了少數頭部公司，大部分AI制藥企業距離商業化仍有距離，短期內想有大規模收入幾乎不現實。他們每天仍需面對一種抉擇——是做最懂AI的Biotech，還是做最懂Biotech的AI，是自己開發藥，還是做CRO？

徐霆認為，從歷史上看，Genomic、Combichem、基因治療、CAR-T的投資幾乎都與AI制藥有著類似的投資路徑。行業外，光伏產業也有同樣情況。投資人對新技術有一個“學習曲線”，這種學習有時還可能是滯后的?！暗珳髮τ诋a業發展往往不是壞事，對于AI制藥這一行業，資本可以多些謹慎，也多些耐心?！?/p>

而對于商業模式問題，譚驗則認為，這應該是一件“水到渠成”的事。AI制藥是一個新領域，從第一性原理去思考，要去加快藥物的發現，就需要更好、更多的數據和更好的算法，而企業先在這兩端去打基礎肯定是沒錯的。這兩端做好了，商業模式自然就會出來。

“你有好的分子、好的藥物，總會有人支付。License-out是很好的出路，在資本的支持下也可以自己做管線。但是企業首先解決的還是活下來的問題，所以很多公司目前必須要更多地去提供服務，然后在摸索中建立自己的管線，真正地去加強自己的能力。這方面我還比較樂觀?！弊T驗說。

在這個新興賽道上，除了商業模式，人才問題亦是一大瓶頸。AI制藥需要更多既懂科技又懂制藥的跨界人才，但目前，這部分人才是稀缺的。

“AI和藥物研發都是專業性很強的領域，各具獨特的知識體系，行業壁壘極高，很難培養出AI+醫藥研發的復合型人才，目前的捷徑，還是人才合作?！蓖鮿潘山ㄗh。

“純粹的BT人才確實不能解決效率的問題，而目前行業里計算背景的人才，可能又普遍對實驗的理解少些，還沒有建立統計學的思考邏輯。我們公司內部也在積極促進BT和IT人才的融合?！弊T驗表示。

謝岳峻也認為，“斜杠人才”的培養，需要從產，學，研，甚至于政府層面介入著手解決。

不過在徐霆眼中，人才問題并無必要太悲觀?！癆I藥物研發現在看起來需要很多跨界人才。但是很快，隨著AI的普及以及各種工具包的開發，AI藥物研發會平民化。DavidBaker的Rosseta就是很好的例子?！?/p>

AI制藥人才瓶頸如何如破？如何理解AI制藥結果的確定性？AI與藥物研發的結合究竟能帶來哪些顛覆性價值？