編輯導語：AI與制藥的融合過程中，主要有兩種模式——VIC模式和AI-Driven模式，前者AI公司只是作為技術外包，后者才是以AI技術來驅動分析，自己研發(fā)創(chuàng)新藥。相比外包，AI公司“自立山頭”制藥，有著更大的商業(yè)想象空間，也吸引了大規(guī)模的融資。那么，如今AI制藥發(fā)展的怎么樣了？中國在AI制藥上的贏面又有多大？一起來看看吧。

AI能制藥，早已不是啥新鮮事了。

尤其是疫情之后，包括輝瑞、羅氏、默克、阿斯利康、葛蘭素史克、賽諾菲、強生等在內的頂級制藥公司，紛紛加速擁抱人工智能，不是與AI公司合作，就是收購或自建AI部門。

從分子實驗到制造供應鏈甚至市場營銷，AI已經(jīng)在整個制藥價值鏈上，展現(xiàn)出極大的潛力。

AI與制藥的融合過程，以兩種模式為主：

1. VIC模式，即“VC（風險投資）+IP（知識產(chǎn)權）+CRO（研發(fā)外包）”，其中AI公司作為技術外包，為藥廠提供降本增效的解決方案；
2. AI-Driven模式，專門以AI技術來驅動分析預測發(fā)現(xiàn)新的化合物、蛋白質，自己研發(fā)創(chuàng)新藥。

相比“傳統(tǒng)產(chǎn)業(yè)智能化”的外包服務商，AI企業(yè)“自立山頭”制藥，有著更大的商業(yè)想象空間，也確實在過去幾年間，吸引了大規(guī)模的融資和巨頭攜資入場，僅2021年中國該領域的投融資規(guī)模就超過了80億。

其中最具代表性的，就是谷歌母公司Alphabet不久前成立的AI藥物公司Isomorphic Labs，其創(chuàng)始人正是研發(fā)了AlphaFold2算法的AI先鋒DeepMind的CEO。顯然，谷歌也非常看好以尖端AI技術在生物學領域“大展拳腳”的前景。

那么問題來了，生物制藥領域是一個專業(yè)知識壁壘極高的領域，AI參與制藥已經(jīng)有15-20年的時間了，期間機器學習方法一直被用于藥物發(fā)現(xiàn)和臨床試驗當中。2000年，利用機器進行“高通量篩選”已經(jīng)被應用在化合物測試當中，但目前為止，還沒有一個驗證AI可以“獨立行走”創(chuàng)新藥的成功案例。

制藥這條路，野心勃勃的AI公司該如何走下去？作為AI“優(yōu)等生”和醫(yī)藥“后進生”，中國在AI制藥上的贏面究竟有多大呢？

01 不是藥神，AI制藥現(xiàn)在究竟幾分熟？

制藥門檻如此之高，AI公司憑什么認為自己可以繞過物理學定律的限制“自立山頭”呢？AI真的能取代傳統(tǒng)實驗手段，成為全村的希望嗎？

正如當初深度學習爆火之后大眾對AI不切實際的想象和懼怕一樣，在制藥這件事上，AI也并非無所不能，我們應該對AI設定一個合理預期：以深度學習為主的AI技術有其適用范圍，目前主要用在分析處理醫(yī)藥數(shù)據(jù)、預測疾病靶點、設計和優(yōu)化化合物、實驗自動化等領域當中，解決制藥場景的實際問題。

未來，隨著這些細分場景的不斷成功和數(shù)據(jù)積累，不斷反哺AI模型，可能3-5年才會有較大的突破。詹姆斯·貝森（James Bessen）在《邊做邊學》（Learning By Doing）一書中也提出，至少5-10年的時間AI才會讓制藥行業(yè)真正轉型。

所以，在全球范圍內，AI制藥都處在較早期的階段，AI公司造的藥，目前可能才只有“一分熟”，指望突然掉下一款由AI主導研發(fā)的石破天驚的創(chuàng)新藥，還是很遙遠的。

既然隔行如隔山，由藥廠引入AI不是強強聯(lián)合、事半功倍嗎，為什么AI公司還要冒著失敗的風險去“另立山頭”，而資本市場也愿意買賬呢？

02 另立山頭，誰給AI企業(yè)的自信？

原因之一，是AI的角色變了。目前，制藥行業(yè)廣泛采用的是基于目標靶點的研究模式（Target-centric），即先要找到導致疾病的特定蛋白質（有效靶點），通過分析化合物、基因、疾病和蛋白質之間的關系，進行有效分子的篩選與設計。這個過程往往靠的是研究人員自身的創(chuàng)造力和經(jīng)驗，離不開制藥公司大量高質量數(shù)據(jù)的支撐。

在這個過程中，AI的發(fā)揮空間就很大了。

1）更快

隨著基因組學的發(fā)展，尋找和選擇新藥分子已經(jīng)成為一項數(shù)據(jù)密集型任務，利用AI來自動學習分析處理數(shù)據(jù)，能夠更快地推斷出疾病機制，發(fā)現(xiàn)新靶點，從而加速研發(fā)過程。

比如麻省理工學院團隊推出的生物技術初創(chuàng)公司ReviveMed，就是基于MIT的代謝物數(shù)據(jù)庫，分析藥物-蛋白質、蛋白質-蛋白質的相互作用，識別特定的代謝物分子，找到一些有希望的治療靶點，這些代謝物分子就有可能是未來的藥物。

2）更早

如果醫(yī)療實驗數(shù)據(jù)是凌亂而未標記的，那么后續(xù)的分析處理預測都不容易實現(xiàn)，所以在新藥研發(fā)上面向AI的數(shù)據(jù)治理工作要開展得更早，現(xiàn)有的研發(fā)和業(yè)務流程必須重新設計，才能充分發(fā)揮AI、大數(shù)據(jù)、高性能計算等的協(xié)同價值，這涉及到大規(guī)模的組織轉型，也使得數(shù)據(jù)工程師、算法工程師在制藥領域的參與更早、更深。

3）更廣

“靶點-疾病”的研發(fā)范式，使得傳統(tǒng)制藥公司不會將精力集中在罕見疾病的治療上，因為ROI投資回報比太低，而AI技術可以通過表型數(shù)據(jù)（圖像）進行藥物的篩選和設計，反過來幫助找到新的治療靶點，在計算機中合成和測試分子，這讓罕見病有了治療甚至治愈的希望，對全人類來說都是好事。

從實驗室助手變成了新藥研發(fā)的主角，AI“獨立行走”的信心自然也就愈加強烈了。

原因之二，是重建一套新范式更方便。

雖然有一些制藥公司思想開明、態(tài)度開放，但事實是，制藥公司對其業(yè)務和研究方法的保守是出了名的，不愿意接受變革的占多數(shù)。一項研究顯示，2019年和2020年生命科學領域人工智能相關專利的申請中，只有不到2%是知名制藥公司提交的。

一些制藥公司甚至都沒有數(shù)字化，很多數(shù)據(jù)都用紙質檔案保存，采用AI還需要時間；有的大型制藥公司還是傳統(tǒng)思維占主導，傾向于研發(fā)傳統(tǒng)藥物制劑；還有的則傾向于保留數(shù)據(jù)和技術作為內部商業(yè)機密，不愿意分享給AI技術公司……既然如此，開辟一條全新的賽道自己制藥，對AI公司來說更加靈活，研發(fā)速度也更快。

與此同時，AI技術的發(fā)展，也讓AI主導的研發(fā)成為可能。

一方面，小樣本學習、生成技術等的應用，可以減少研發(fā)過程中的數(shù)據(jù)依賴。比如有公司就開發(fā)了一個名為Generative Tensorial Reinforcement Learning（GENTRL）的平臺，讓兩種DL深度學習模型來相互作用，一個生成分子，一個鑒別真假，解決實驗數(shù)據(jù)不足的問題。

而一旦確定了標靶，就可以利用算法直接設計出所需要的分子結構了。

另外，雖說隔行如隔山，但端到端的深度學習，不需要算法人員去定義一些特征和規(guī)則，比如蛋白質結構預測模型能夠直接根據(jù)序列的特征輸出三維結構，目前已經(jīng)達到實驗的精度。所以盡管目前人類科學對很多疾病的理解都還處于初級階段，算法人員也未必對生命科學知識十分精通，但運用AI工具來開發(fā)新藥，完全是可行的。

原因之三，就是自己做原研藥，這件事實在太香了。

目前，抗體藥這類生物藥已經(jīng)逐漸超過了化學藥的數(shù)量，成為增長最快的治療藥物。全球已經(jīng)有超過100款抗體藥上市，比如新冠特效藥就是抗體藥，找到能夠中和病毒的活性抗體來發(fā)揮作用。

以前，抗體藥需要從康復病人中去提取和篩選，這個過程費時費力，還有很大的不確定性。而通過AI直接對現(xiàn)有抗體進行設計和優(yōu)化，實現(xiàn)高效的中和效果，一種新的抗體藥物就誕生了。

原研藥市場廣闊、利潤豐厚，自己研發(fā)無疑把握了最具價值的一環(huán)。所以說，AI公司自己做藥它不香嗎？

03 中國制藥，在AI畫布上描繪全新圖景

想必很多讀者通過新聞和行業(yè)報道都發(fā)現(xiàn)了，在AI制藥這個領域，美國在技術、資本、產(chǎn)業(yè)規(guī)模上都處于領先地位，AI開發(fā)的特效藥、疫苗、療法、平臺等不斷涌現(xiàn)。而中國在AI技術上并不落后，這是否意味著有希望在制藥領域取得突破呢？

在AI這塊技術畫布上描繪制藥藍圖，對于中國意味著三重價值：

1）將生命福祉把握在自己手里

在醫(yī)藥醫(yī)療領域，數(shù)據(jù)都是非常敏感的，比如要針對個體的基因序列和新抗原設計出對應的藥物，對患者來說無疑是更有效、更精準、更普惠的。但是基因數(shù)據(jù)如果只能交給海外科技企業(yè)來分析和生產(chǎn)，其中存在的風險不用多說。

前不久《自然》雜志上就發(fā)布了一篇論文，總部位于美國北卡羅來納州的制藥公司Collaborations Pharmaceuticals，就與倫敦、瑞士的研究人員合作，訓練出了一個藥物開發(fā)工具MegaSyn，在短短六個小時內自動生產(chǎn)出40000種有毒的化學制劑。

利用AI結合群體基因特質，針對性地開發(fā)精準打擊的生物武器，并非不可能，所以中國必須將AI制藥的尖端科技掌握在自己手中。

2）在原研藥領域取得較大突破

大家可能都看到了，最新引進的新冠特效藥價格高達數(shù)千元，原研藥的銷量高、利潤高，已經(jīng)是大眾熟知的事實，而開發(fā)原研藥一直是中國制藥產(chǎn)業(yè)的老大難問題。

必須意識到，在傳統(tǒng)生命科學領域，中國的起步較晚、基礎也相對薄弱，比如生物實驗中需要的高精度顯微鏡、測試試劑等也是被國外“卡脖子”的，在這種情況下，AI提供了一種開發(fā)原研藥的全新思路。

（2017年諾貝爾化學獎授予三位冷凍電鏡領域的學者）

比如通過AI算法來代替冷凍電鏡，也可以解開蛋白質結構，目前，AlphaFold預測出來的結果已經(jīng)可以和冷凍電鏡的方法相媲美。隨著中國在相關算法上的突破，未來能夠降低對一些卡脖子實驗技術的依賴。

在創(chuàng)新藥研發(fā)上，從科研到產(chǎn)業(yè)化之間的距離是非常近的，很多突破性技術和新分子都是從研究院所實驗室中誕生，再由藥廠進行轉化、評估、臨床試驗……而在AI研究領域，中國科研院所的能力已經(jīng)處于一流水平。

AI重新定義制藥流程，有助于中國變成一個制藥強國。

3）進一步發(fā)揮中國的AI產(chǎn)業(yè)優(yōu)勢

我們都知道中國AI產(chǎn)業(yè)化的步伐很快，主要集中在互聯(lián)網(wǎng)、工業(yè)、礦山、城市管理等領域，在生命科學領域里的AI應用，總體還處于初級階段。

無論是AI公司驅動的創(chuàng)新藥，還是傳統(tǒng)藥廠的AI化，都有很大的發(fā)展空間。目前，幾乎中國頭部科技企業(yè)如BATH（百度、騰訊、阿里、華為）等都在AI藥物研發(fā)上有所動作。

隨著AI制藥的進一步發(fā)展，生命科學領域的數(shù)據(jù)、算力、算法都將進一步升級迭代，工具平臺生態(tài)也將進一步搭建和豐富起來，屆時，中國在AI領域的優(yōu)勢也將進一步放大。

都說“一張白紙上可以畫出最新最美的圖畫”，AI制藥之于中國，就是在遠遠追趕的生命科學實驗道路之外，新建一條由數(shù)據(jù)鋪成的高速公路，搭乘智能小車跑得更快、更早抵達新藥研發(fā)的目的地。

04 盛名之下：AI解鎖制藥的三把鑰匙

AI發(fā)展最不可或缺的，是信心，歷史上的兩次AI寒冬，就與投資者和大眾對AI回報預期的垮掉，有著直接關系。

AI制藥的投融資浪潮，似乎在大鳴大放之后，不得不面對一個骨感的現(xiàn)實：一開始想得很美，但突破來得很慢。曾有一位AI制藥公司的創(chuàng)始人對媒體透露，第一輪融資時投資人希望能夠做藥，第二輪就開始建議他們做服務了（也就是藥廠AI技術外包）。

資本市場對AI制藥的疑慮，是高潮之下的正常調整，但要避免透支信任、解鎖光明的未來，AI制藥企業(yè)恐怕還需要拿到三把鑰匙：數(shù)據(jù)、算力、算法——沒錯，就是雖然樸實，但至關重要的AI“三駕馬車”。

實際上，大部分AI的問題都是因為數(shù)據(jù)不夠、算力不夠、算法不夠好。而解決方法也是從這三點入手。

1）數(shù)據(jù)

前面提到，目前人類對生命科學的理解還非常初級，端到端學習也可以減少對一部分數(shù)據(jù)的依賴，但基本的高質量數(shù)據(jù)還是AI制藥必不可少的基礎。

受實驗手段、醫(yī)療技術的限制，目前AI對蛋白質功能的分析還是比較初級的，對分子的功能結構、關系序列等的描述不夠，這顯然會給AI學習帶來困擾，蛋白分子會不斷地和別的分子進行交互，形狀也會隨之改變，用純數(shù)據(jù)驅動的AI方法去生搬硬套，結果很可能是“無效設計”。

就如化學家Derek Lowe在《科學》雜志上指出的，即使兩種蛋白質具有物理上結合在一起的結構，也很難說它們實際上會粘合得有多好，用在動物或人身上的時候也不一定總是有效。

更深入地理解生物世界，離不開大量優(yōu)質的數(shù)據(jù)，這些往往通過幾十年的積累和實驗獲得，掌握在藥企自己手里，不會輕易分享。此外基因數(shù)據(jù)、醫(yī)療數(shù)據(jù)還涉及到隱私倫理問題，需要在嚴格的數(shù)據(jù)保護法律法規(guī)之下使用。

所以對于AI企業(yè)來說，亟需探索一種與藥企合作、分利的模式，解開數(shù)據(jù)的桎梏。

2）算力

以蛋白質結構預測為例，它往往需要超大規(guī)模的算力支持。因為生物系統(tǒng)中分子之間的相互作用特別多，設計出來的模型可能參數(shù)不大，但比較復雜，比計算機視覺、NLP等模型要大很多。

此前曾有中國AI公司訓練出了中國版AlphaFold2，團隊成員表示遇到最大的困難，就是GPU資源（算力）有限，難以同時進行多次訓練來比較效果，所以只好在模型設計上下功夫，盡量減少試錯次數(shù)。

另一個科學家也向腦極體透露，其開發(fā)的蛋白質結構預測平臺，對一個模型的一個數(shù)據(jù)點（data point）進行計算就需要800G顯存，意味著需要十幾塊頂級顯卡，如果要做全規(guī)模訓練那算力成本簡直不可想象。

所以，一方面，需要加強AI算力基礎設施建設，提供更多更普惠的算力資源，通過產(chǎn)業(yè)合作等方式來支撐生命科學的AI應用發(fā)展。另一方面，對生物AI模型的“瘦身”優(yōu)化成為大勢所趨，過大的模型即便在實驗室里有充沛的算力支持，在實際部署落地的時候也會對內存存儲等提出挑戰(zhàn)。

這自然就要提到更好的算法。

新藥研發(fā)是個非常復雜、探索未知的過程，世界一流的算法和成果，離不開世界一流的科研。目前來看，中國在AI領域“跟隨”更多，面向底層、有影響力的突破較少。

斯坦福大學發(fā)布的2022年人工智能指數(shù)報告（2022 AI Index Report）中也顯示，2021 年，中國在人工智能期刊、會議和知識庫出版物的數(shù)量上繼續(xù)領先世界，比美國高出 63.2%，但在引用數(shù)量上卻低于美國、歐盟和英國。

在一個全新的領域開發(fā)出新的算法，沒有任何經(jīng)驗可循，核心還是在人才。首先需要人才具備尋找問題、提出問題的能力，以及耐心安心解決底層技術問題的科研環(huán)境，此外還需要具備生物學、藥劑學、化學等交叉知識，這些都給AI學科建設和人才培養(yǎng)提出了新的挑戰(zhàn)。

一位AI科學家告訴我，在她看來，現(xiàn)在對AI人來說既是最好的時代，也是最壞的時代。一方面AI產(chǎn)業(yè)發(fā)展帶來的新機遇非常多，另一方面從業(yè)者也會感受到一種沉甸甸的責任感，技術迭代速度之快帶來了高強度的研究壓力。

不難看出，AI驅動的研究范式也帶來了全新的挑戰(zhàn)，能否在產(chǎn)業(yè)重新分工中占據(jù)優(yōu)勢，中國AI還有一些關卡要過，其中很多基礎條件需要長期的、體系化、科學的投入。

無論如何，AI必將引領生物制藥領域未來十年甚至更遠的創(chuàng)新方向。從這個角度看，AI制藥公司“自立山頭”，邁出了關鍵的一步，這一選擇是必須肯定且支持的。接下來的重點在于，如何在成果數(shù)量與質量上趕超和引領世界一流水平。

就像科學史家托馬斯·庫恩在《科學革命的結構》中所寫的那樣，科學就是通過不斷地轉換范式，打破舊有框架束縛，才取得了進步。

人類的健康和希望，就隱藏在這樣的“不走尋常路”中。

#合作媒體#

腦極體，微信公眾號：腦極體。寫讓你腦洞大開且能看懂的人工智能、流媒體、海外科技

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載

題圖來自 Unsplash，基于CC0協(xié)議