在50年前的那場頒獎典禮上，Anfinsen提了一個大膽的設想：按照氨基酸的序列組成，人類能對任何蛋白質結構進行預測。

　　蛋白質除了對人體的肌肉收縮、能量轉換、氧氣輸送等發(fā)揮作用，同樣也是糖尿病、帕金森、阿茨海默癥等疑難雜癥發(fā)生的原因。如果能夠實現對蛋白質結構的預測，人類就可以具體了解到遺傳病中每一個突變對應的DNA具體位置，找到并解決致病根源。

　　科學家夢幻的暢想，在50年后走進現實。

　　2020年底，一個名叫AlphaFold2的AI系統(tǒng)突然出現，基本實現了Anfinsen的設想，能夠預測人類98.5%的蛋白結構。中國科學院院士、結構生物學家、西湖大學校長施一公評價：AlphaFold對蛋白結構的精準預測，是人類在21世紀取得的最重要的科學突破之一。

　　數據是AI制藥的支點

　　AI制藥已成為一股熱潮。2021年，全球AI制藥行業(yè)內完成融資額達45.64億美元，同比上漲152%。

　　憑借大量數據與算法的積累，強大的運算能力，AI在提高新藥研發(fā)效率上有顯著優(yōu)勢。國際著名的風投數據公司CB Insight測算過，AI技術可以減少新藥研發(fā)流程中近40%的臨床前研究時間。

　　不同AI制藥公司之間開發(fā)效率差異大的原因，主要是數據源。目前，AI制藥公司的數據源多來自于公開資料，如已發(fā)表的醫(yī)學文獻，公開的靶點庫，藥企、科研機構或院校的公開數據等。AlphaFold2的數據集目前就是完全免費開源狀態(tài)。

　　在公開資料面前，各家AI制藥企業(yè)的起點差距不大。

　　AI驅動藥物發(fā)現公司英矽智能首席科學官任峰表示：“關鍵是如何將公開數據整理成自己AI平臺可讀的格式，這個過程需要花費大量時間、人力?！?/p>

　　但僅憑公開數據不足以拉開競爭差距。所以各家AI制藥公司都在積極考慮建立自己的數據優(yōu)勢?！敖⒆杂袑嶒炇?，自行獲得化合物代謝的穩(wěn)定性、透膜性等特征，專門為自己的AI平臺收集真實世界的數據，是不少AI公司建造數據壁壘的一種方式。”

　　與此同時，腫瘤藥物的扎堆內卷已給其他技術領域敲響了警鐘：合理的數據壁壘會完善數據的多樣性，不合理的數據壁壘將可能造成重復投入下的資源浪費。

　　美迪西生物創(chuàng)始人、CEO陳春麟曾表示：“隨著新藥大數據越來越豐富，如何打通不同數據之間的聯系，用好這些數據來為新藥研發(fā)服務，是值得思考的問題?！?/p>

　　2021年10月，15家AI領域相關方一起，在上海建立了“張江AI新藥研發(fā)聯盟”，聯盟希望能夠促進行業(yè)內的數據資源共享。

　　解決核心問題≠萬能

　　截至2021年底，全球有超40款AI參與研發(fā)管線進入臨床，但還沒有一款藥物上市。進展最快的BioXcel公司的BXCL501.也才剛剛進入Ⅱ期臨床。

　　國內來看，僅一款英矽智能研發(fā)的ISM001-05于2021年12月份啟動了人體試驗。這是全球第一款由AI技術發(fā)現全新靶點、并由AI技術找到對應小分子的藥物，擬用于治療特發(fā)性肺纖維化。

　　當下AI制藥企業(yè)發(fā)展面臨的最大壓力，便是還沒能完全“證明自己”。一方面，人們已經從各種APP應用中領略到大數據的全能，對AI制藥的期望在不斷攀高，對AI制藥產品零上市的現狀逐漸失去耐心;另一方面，數據壁壘正在慢慢形成，AI制藥的成本在加大。

　　AI制藥企業(yè)還較為清醒，中短期來看，AI制藥只會承擔新藥開發(fā)中的某一個部分，而不是全部。

　　易凱資本合伙人、生物與醫(yī)藥科技團隊負責人張驍表示：“制藥是個系統(tǒng)性工程，包括靶點發(fā)現、化合物篩選和確認，臨床前研究，臨床研究，申報上市等等。對于AI制藥公司來說，當下主要還是在化合物篩選和確認環(huán)節(jié)賦能比較明顯?！?/p>

　　目前AI制藥公司助力新藥研發(fā)主要通過三種基本模式，這也是AI制藥公司的主要商業(yè)模式：

　　一是搭建AI技術平臺，授權藥企使用，定期收取授權費用;

　　二是向藥企或CRO企業(yè)接單，幫助其完成研發(fā)任務，如根據既定靶點篩選出合適的化合物;

　　三是由AI制藥公司布局自研管線，自行推動管線進展，從而實現商業(yè)化。

　　第二種模式中，根據客戶提供靶點優(yōu)化出合適的臨床前候選藥物，是大多AI制藥公司合作的過程中要解決的核心問題。對于這類AI公司而言，能做的是盡可能地優(yōu)化分子，降低后續(xù)風險。

　　但藥物從臨床到上市還有其他考驗，臨床試驗、申報IND等均會影響到上市進度。因而在藥物研發(fā)中，不能單純以參與管線能否上市來評價AI制藥公司的優(yōu)劣。

　　畢竟，客戶提供的靶點，即使成藥了也不一定能很好治療疾病。

　　晶泰科技首席科學官張佩宇對健識局表示：這里涉及到兩方面問題。一方面是生物學的問題，靶點和病理之間的關系是否清楚。另一方面是化學問題，即針對這個靶點的分子化合物是否足夠好。

　　“AI制藥公司可以解決分子化合物的篩選問題，但生物學本身的問題，是篩選分子無法解決的。”

　　CRO和互聯網誰更強?

　　幫助藥企完成化合物的篩選，這在某種程度上與CRO的工作內容重合。AI技術完善后，CRO工作是否會被替代?

　　在張驍看來，AI制藥和CRO是一個雙向迭代的過程：AI制藥需要CRO的大量數據來訓練自己的算法模型;CRO也需要AI制藥幫助更好地設計試驗?！坝嬎銠C、人工智能機器人出現多久了，它們把人替代了嗎?沒有吧。”

　　在多數AI制藥公司看來，AI制藥技術與CRO服務，不會出現一方完全替代另一方的情況，但未來可能會慢慢融合。

　　英矽智能首席科學官任峰認為：“主要看企業(yè)自身的定位如何。定位不同，生存規(guī)則也就不同。CRO+AI和AI+CRO，是兩回事?！?/p>

　　對CRO+AI類公司來說，服務重點仍舊在傳統(tǒng)的合同研發(fā)外包服務，AI作為一種工具幫助他們提高了工作效率?？蛻羧旱木S護，以及制藥鏈條中各環(huán)節(jié)的跑通等是他們的立足之本;

　　對AI+CRO類公司而言，企業(yè)的定位是科技公司，核心在于其算法能力。后期提供的CRO實驗服務，是為了AI預測的驗證和落地，同時迭代自身AI模型，提高平臺的核心能力。

　　AI制藥在業(yè)務上“撞衫”CRO，卻也開啟了另一扇門。不少互聯網大廠對醫(yī)藥行業(yè)產生了濃厚的興趣，加上引發(fā)世界關注的AlphaFold誕生于谷歌，更加激勵了一些頭部互聯網公司邁入醫(yī)藥領域：

　　中國互聯網企業(yè)中，騰訊開發(fā)的AI藥物發(fā)現平臺“云深智藥”已對科研人員全面開放;華為布局了華為云EIHealth，集成了醫(yī)藥領域內包含算法、AI模型等功能;阿里云與全球健康藥物研發(fā)中心合作，開發(fā)AI藥物和大數據平臺……

　　藥企在引進AI技術，而互聯網企業(yè)在用算法“做藥”。今后醫(yī)藥行業(yè)會被互聯網徹底改變嗎?

　　張驍認為，兩種AI制藥公司的狀態(tài)各有千秋，發(fā)展側重點也各不相同?；ヂ摼W企業(yè)入局醫(yī)藥領域，依托自己的技術優(yōu)勢建構具有革命性的AI+藥物篩選平臺，但這些平臺的效用有多少還待觀察；

　　藥企的話，他們的價值體現在管線的價值，包括靶點選擇夠不夠精準，制藥系統(tǒng)夠不夠強等。他們培養(yǎng)自身的AI團隊，主要是希望AI在藥物研發(fā)的某些環(huán)節(jié)可以提升效率，在AI與傳統(tǒng)藥物研發(fā)流程的結合方面更加謹慎務實。

　　“但不管哪一種，都需要做到極致。”

　　想象空間大，但仍需謹慎

　　全球來看，AI制藥行業(yè)自2014年才開始興起，目前還沒有一款產品推向市場，顯得十分稚嫩。

　　稚嫩，意味著想象空間更大。眼下，除了聚焦在臨床前的藥物發(fā)現，已有相關公司開始探索將AI技術應用于成本更高的臨床階段。

　　臨床試驗是新藥研發(fā)中耗時最久、資金花費最高、最容易出問題的環(huán)節(jié)。尤其是一些小眾疾病、罕見病，患者招募都成大難題。據統(tǒng)計，近三分之一的Ⅲ期臨床因患者招募問題而失敗。

　　目前已有AI公司介入藥物臨床試驗患者招募工作。它們通過將醫(yī)療記錄，醫(yī)學文獻，患者主動上傳的病理內容等信息，與受試藥物信息進行匹配，幫助實驗主體找到合適的受試患者。如Mendel.ai公司鼓勵患者向自建平臺提交病歷，算法會將患者與合適的臨床試驗進行匹配。

　　除此之外，還有一些公司基于已有的公開臨床數據，利用AI技術幫助實驗者判斷臨床試驗的成功率。比如治療某神經系統(tǒng)疾病的藥物，設計的臨床試驗中僅包含10個病人，這在AI的評估體系下將無法通過。因為對于慢性病來說，10個病人的樣本太少了，即便試驗成功也沒有說服力。

　　更被業(yè)內人員期待的，是AI技術幫助預測患者反應，即通過特定的生物標志物來預測藥效。

　　Arcus Biosciences公司生物信息學家王寧曾在公開講座中表示，患者反應預測很有可能成為AI制藥發(fā)展的下一個方向，前提是AI技術具備成熟的預測模型。但起碼未來3年內，我們都仍將處于信息分析及建立簡單預測模型階段。

　　這意味著前路漫長，如何持續(xù)長跑將會是年輕的AI制藥行業(yè)需要思考的問題。

　　2021年，AI制藥公司insitro獲得4億美元融資，其首席執(zhí)行官Daphne Koller最擔心的問題之一，就是一旦AI技術遭遇失敗，很可能會被原有的熱度所反噬，導致整個領域的停滯。

　　這擔心并非毫無道理。任何一個新興事物，除了需要時間、耐心及外界的支持外，也特別需要理性的認知。