近幾年，瞄準(zhǔn)“AI加速醫(yī)藥研發(fā)”的公司開始快速涌現(xiàn)出來。這些公司，因為掌握高壁壘的核心技術(shù)，具備廣闊的想象空間，往往獲得了高額融資，而且融資節(jié)奏非常快。

　　這股AI浪潮也推到了傳統(tǒng)制藥巨頭的家門口。它們爭先恐后地適應(yīng)新技術(shù)，畢竟誰也不想被時代拋下。

　　風(fēng)口上的AI+醫(yī)藥研發(fā)，究竟有多大的潛力？賽道上還有哪些空白？本文試圖梳理這些問題。

　　為什么需要加快新藥研發(fā)？

　　如果用一個詞形容新藥研發(fā)過程，那應(yīng)該是“費時費錢”。常有一種說法，說新藥研發(fā)需要“兩個十”——十年十億美金。不僅如此，藥物研發(fā)的成功率不高，在研發(fā)階段還沒有銷售收入。

　　雖然新藥研發(fā)既耗時又耗錢，但是如果新藥成功上市，就會獲得非常高的價值回報。這種高回報也是資本青睞醫(yī)藥的很大原因。

　　近年涌現(xiàn)的AI+醫(yī)藥研發(fā)，就是直指了以上痛點。人們試圖用AI技術(shù)，讓醫(yī)藥研發(fā)少繞些彎子，給研發(fā)過程節(jié)約幾個月、甚至幾年的時間。

　　那么，我們在研究AI如何加速醫(yī)藥研發(fā)之前，先要梳理清楚醫(yī)藥研發(fā)的過程。以下是36氪整理的醫(yī)藥研發(fā)流程圖。

　　新藥研發(fā)大致分為新藥發(fā)現(xiàn)、臨床前研究、臨床研究、審批上市四個階段。

　　新藥發(fā)現(xiàn)環(huán)節(jié)需要不斷地做基礎(chǔ)研究，從5000-10000個化合物中做篩選，進(jìn)行藥物的設(shè)計與篩選，化學(xué)合成與改造，最終發(fā)明出解決某疾病的新藥，這個階段時長不定。

　　臨床前研究一般要3-6年的時間，這個階段需要做大量的實驗研究，進(jìn)行藥劑學(xué)、藥動學(xué)、藥效學(xué)與毒理學(xué)研究。

　　到了臨床研究這個階段，研發(fā)費用就一下子猛增了，因為需要在大量志愿者身上做臨床試驗。I期臨床會進(jìn)行初步臨床藥理學(xué)研究和人體安全性研究，II期臨床會做治療作用初步評價，以及安全性研究，III期臨床主要會做擴(kuò)大臨床試驗、特殊臨床試驗、補(bǔ)充臨床試驗和不良反應(yīng)觀察。這個階段一般耗時6-7年。

　　審批上市環(huán)節(jié)，需要半年至兩年時間，主要是做新藥申報和上市后檢測。

　　賽道上的明星公司，打通了哪些技術(shù)的“任督二脈”？

　　36氪認(rèn)為，目前市場上的AI技術(shù)，主要發(fā)力于“新藥發(fā)現(xiàn)”和“臨床診療”兩個板塊。

　　1. 新藥發(fā)現(xiàn)

　　新藥發(fā)現(xiàn)涉及選擇靶點、選擇先導(dǎo)化合物、優(yōu)化先導(dǎo)化合物等階段。這個過程中，科研人員需要對多達(dá)5000-10000個化合物“海選”，通過不斷的試錯、排除、優(yōu)化，最終得出既有效又安全的候選藥物。這個篩選過程有很多重復(fù)實驗的過程，耗時較長。

　　另一方面，由于人體致病機(jī)理非常復(fù)雜，新藥研發(fā)對科研人員的知識儲備要求非常高，科研人員通常需要具備跨學(xué)科知識。

　　AI技術(shù)的引入，能夠給醫(yī)藥研發(fā)帶來一個強(qiáng)大的“知識庫”，方便調(diào)動各個學(xué)科的知識。同時AI技術(shù)可以運用大數(shù)據(jù)，對這些化合物進(jìn)行“虛擬”篩選。即不做實驗，而是利用數(shù)據(jù)庫做分析，大大加速研發(fā)進(jìn)度。

　　這個賽道上，Atomwise搭建了一個藥物設(shè)計系統(tǒng)AtomNet，以預(yù)測小分子與蛋白質(zhì)的結(jié)合。該系統(tǒng)的數(shù)據(jù)庫來源于數(shù)百萬的親和力實驗和數(shù)千種蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)。AtomNet通過卷積神經(jīng)網(wǎng)絡(luò)的組合預(yù)測新的活性分子，使得藥物設(shè)計過程可以壓縮至幾周時間。

　　Numerate基于3D配體的建模，在不需要化合物結(jié)構(gòu)資料的情況下，運用AI進(jìn)行表型驅(qū)動的藥物研發(fā)。該平臺主要針對于心血管、代謝、神經(jīng)衰弱疾病、阿爾茨海默癥和亨廷頓式舞蹈癥。

　　葛蘭素史克與英國的Exscientia合作，根據(jù)已有的藥物研發(fā)數(shù)據(jù)庫，自動設(shè)計出上百萬種與特定靶標(biāo)相關(guān)的小分子化合物，并且根據(jù)藥效、選擇性、ADME等等篩選化合物。

　　英國BenevolentAI的核心技術(shù)平臺是JACS，它的數(shù)據(jù)庫包括論文、臨床試驗數(shù)據(jù)等等。為了提高算力，BenevolentAI使用了英偉達(dá)的超級計算機(jī)DGX-1。目前，該公司已經(jīng)和強(qiáng)生合作，為強(qiáng)生篩選、優(yōu)化小分子化合物。該公司已經(jīng)有兩種新藥進(jìn)入后期研發(fā)，其中一種是治療漸凍人癥的藥物，另外一種是治療帕金森癥的藥物，后者已經(jīng)進(jìn)入II期臨床。

　　國內(nèi)的晶泰科技，在人工智能的技術(shù)上還融合了量化計算，可以對藥物固相（晶型、水合物、鹽、共晶等）進(jìn)行精準(zhǔn)快速的篩選和設(shè)計，并通過深度神經(jīng)網(wǎng)絡(luò)，對藥物分子的關(guān)鍵特性進(jìn)行有效預(yù)測。

　　冰洲石生物科技是基于蛋白晶體學(xué)數(shù)據(jù)進(jìn)行AI藥物設(shè)計。截止2017年底，冰洲石已經(jīng)在美國申請了2項專利。

　　2. 臨床診療

　　這個板塊上，目前技術(shù)主要是運用數(shù)據(jù)庫，探索致病原因，預(yù)測患者對藥物的反應(yīng)，為患者匹配合適療法，從而實現(xiàn)精準(zhǔn)的個性化醫(yī)療。當(dāng)這類技術(shù)應(yīng)用于臨床試驗階段，就有助于提高臨床試驗的效率。

　　百時美施貴寶的PathAI平臺主要是進(jìn)行病理分析的。利用AI學(xué)習(xí)病理樣本數(shù)據(jù)，從而輔助病理學(xué)家進(jìn)行疾病診斷。

　　羅氏將患者數(shù)據(jù)流轉(zhuǎn)化為機(jī)械的計算機(jī)模型，以此發(fā)現(xiàn)新的療法和診斷標(biāo)記，從而為每個患者匹配合適的新療法。

　　GNS Healthcare的REFS平臺運用大量患者致病原因的大數(shù)據(jù)，推導(dǎo)致病機(jī)理；然后，REFS對治療過程進(jìn)行模擬，以確定哪些治療方法和藥物能夠產(chǎn)生最佳結(jié)果，從而為特定患者匹配其個性化療法。

　　除了以上兩大板塊，還有企業(yè)采用了一些比較新穎的切入口。

　　國內(nèi)的深度智耀開發(fā)了AI自動翻譯寫作申報系統(tǒng)和AI藥物警戒系統(tǒng)。前者提高了審批上市環(huán)節(jié)的效率，后者有助于臨床研究和上市后安全檢測。

　　未來還有哪些想象空間？

　　如果我們把維度放在整個行業(yè)，會發(fā)現(xiàn)所有公司都在做同一件事情——驗證AI+醫(yī)藥研發(fā)可以真正落地，真正在某些環(huán)節(jié)上高效、精確、安全無誤地代替人類。

　　在這一點上，有的企業(yè)走得更快，或是進(jìn)行到了藥物研發(fā)的后期階段，或是已經(jīng)擁有了多項專利、構(gòu)建了多方合作；而有的企業(yè)走得稍慢，還在對其技術(shù)做初步落地。

　　從行業(yè)機(jī)會來看，目前布局臨床前研究和臨床研究的企業(yè)還不算多。這兩個環(huán)節(jié)也有重復(fù)實驗多、耗時長、費用高的特點，引入AI有助于提高效率。另一方面，瞄準(zhǔn)審批上市環(huán)節(jié)的明星選手也非常少。

　　不過，選手們的“AI+醫(yī)藥研發(fā)”技術(shù)是否能真的落地？

　　其實醫(yī)療技術(shù)是一個螺旋式上升過程。由于過去的醫(yī)療技術(shù)相對今天落后，當(dāng)時的醫(yī)療數(shù)據(jù)中難免會存在一定錯誤。如果錯誤數(shù)據(jù)引入AI學(xué)習(xí)的數(shù)據(jù)庫，則會非常大地影響AI學(xué)習(xí)的結(jié)果。

　　因此，如何保證數(shù)據(jù)庫的質(zhì)量，是選手們要攻克的一大難題。也許，這會是一座很大的分水嶺。