AI制药，何时迎来奇点之年？

5月31日，礼来以2.5亿美元与晶泰科技达成一项AI小分子新药发现合作，利用晶泰科技的药物发现平台开发首创新药，借此机会聊聊AI制药。

今年，ChatGPT的横空出世带火了整个AI圈，ChatGPT带给人的关键词是高效、精准、快速……随着时间的流逝，人们逐渐发现ChatGPT能够和许多行业结合，提升从业人员的工作效率——AI+新媒体、AI+美工、AI+剪辑……以ChatGPT为代表的AI软件已经迎来了爆发，或许在未来多年后回看今天，2023年便是整个AI行业爆发的奇点之年。但在作为严肃科学的制药行业，AI制药的发展却并没有外界想象的这么美好。

盈利模式不清晰、产品缺乏竞争力、技术突破未及预期、核心数据获取难……围绕在AI制药企业的头上，是现阶段无法突破的几座大山。相较于传统制药企业对于药物研发数据可以依靠自身强大的“朋友圈”和资源（自我造血），AI制药企业的数据获取要更为不易，需要高度依赖外部的合作伙伴（外部输血），“AI制药企业的数据到底是不是自己的？”，这个问题争辩至今。

相较于消费品、化工品等产品，药品的研发对于安全性的要求非常严苛，从临床前试验到I期、II期、III期，上市后的真实世界数据，每一步的推进背后都蕴藏着无数人的努力和心血。相较于写作、插画、剪辑等“文案类工作”，AI暂时无法革制药行业的命。目前大部分AI制药企业的作用发挥在“分子筛选”阶段，处于整个药物研发流程的最前端，对于中后端的动物试验和人体试验，AI是无法介入的，毕竟谁都不敢用AI模拟的临床数据去代替真正的临床试验数据。随着FDA对动物试验的新法案落地、类器官和器官芯片行业的发展，也许AI制药结合类器官、器官芯片等交叉行业的发展，或许能助推整个创新药的研发。

AI制药的发展在未来分为三个阶段：

（1）加速或者改进药物分子设计进程；

（2）产生新靶点和药物；

（3）正确定位患者群体，以及承担更多工作，如临床研究等。

走过10年产业化之路，AI制药行业已经完成从0到1的搭建，走到了第二阶段，人工智能可以自主发现靶点以及合成药物分子，在临床和真实世界的研究上也有较好的应用。创新药的研发历史已经有上百年，从青霉素、阿司匹林、地西泮到氯吡格雷、氨氯地平，再到利妥昔单抗、贝伐珠单抗直至今日的帕博丽珠单抗、德曲妥珠单抗……百年历史中蕴藏了科学家智慧的结晶，同时也积累了大量数据和论文。如果让人类从浩如烟海的资料中总结前人的规律，寻找成功的共性，实非易事。在看似巧合中挖掘背后的真相，或许是AI制药未来多年的努力方向。

资料来源：浙商证券

盈利模式，是AI制药企业一直被诟病的地方。相较于“烧钱大户”Biotech ，AI制药企业的亏损能力也是不遑多让。

AI 制药领域的商业模式可分为三种：

①AI+SaaS服务：

主要为客户提供AI辅助药物开发平台（一套标准化的产品/软件），通过平台为客户赋能，帮助客户加速研发流程，节省成本与时间；

②AI+CRO服务：

通过人工智能的辅助，为客户更好地交付先导化合物或者 PCC，再由药企进行后续的开发，或者合作推进药物管线；

③AI+Biotech：

则是以推进自研管线为主，较少进行外部合作的公司。

国内多数AI药物研发企业都会在SaaS服务商、AI CRO和AI Biotech的商业模式中兼容两种或者三种。“自研+外部合作”已经成为主流，这也是很多传统药企倾向的合作模式，降低liscence in的风险。

理想很丰满，现实很骨感。做AI+CRO，昂贵的人力成本让它们难以拿到订单，相较于药明康德、康龙化成、泰格医药等一众传统CRO公司吃尽了工程师红利，AI+CRO公司面临着要的人不来，来的人不要尴尬局面；做AI+Biotech，曾经的估值又炒得很高，医药投资看的都是药物数据，AI的加分很有限，目前连me-too类药物都尚未面试，更别提BIC和FIC了；而做AI+SaaS，很多公司并不买账，BD是个大难题，还要面临着互联网大厂下场内卷带来的同质化竞争。

尽管ChatGPT的大火给人无尽的想象空间，但是在未来，AI制药依然有很长的路要走。AI现在只能实现“快”，而制药行业容错率很低，在快的基础上更追求“准”。目前AI制药主要集中在临床I期，Exscientia首个进入临床的AI设计的分子也由于临床一期的研究并未达到预期标准而停止。

高质量数据是制约AI发展的关键瓶颈，目前AI+医药面临最大的问题来自于有限的数据、不规范的数据及数据分散在各药企中成为数据孤岛。而CRO最大的优势来自于丰富的实验数据。AI辅助药物研发对数据有着极大依赖性，面临着不同领域实验数据的采集差别大、质量参差不齐，甚至是一些失败结果的数据难获得等问题，限制了行业发展。

具体到药物结构设计上，小分子化学药明显走在大分子生物药前面。化药因为高质量数据多，用算法做分子生成、药效评估、成药性预测和毒性分析都有应用。AI在化药领域的应用已经很成熟，比较容易实现，但是可以做的创新东西不多。

大分子的AI计算还处在非常早期的阶段，多肽发展稍微快一些，从单体计算到复合物再到多肽/核酸、多肽/蛋白开始做结构设计。但是现在的生物药都是通过序列和物理结构做设计，大分子都有柔性片段和三维空间结构，结构这块的预测和算法发展很慢。多肽现在已经可以做到三四十个氨基酸的大环肽，可以做PDC和多肽偶联核素药物。

蛋白抗体的空间结构更加复杂，抗体的数据都是高度保密的，数据的真实性问题比较大，很多体内筛出来的抗体流式分析假阳性，实际没有办法和抗原结合，非特异性结合体导致体内脱靶效应很严重。现在大部分公开数据都是没有经过抗原抗体结合验证的，整体数据质量都比较差。

当然，对于AI制药的未来，我们依然可以保持一定的乐观情绪。AI制药可以提高药物设计的命中率及成功概率：将新药研发的成功率从 12％提高到 14％；降低研发成本：有望每年节约数十亿美元的研发费用；缩短研发周期：在研发主要环节节约 40-60%的时间成本。

也许，在3年后、5年后或者10年后，AI制药行业也能迎来自己的奇点之年，由AI自主设计的分子能够闪耀产业界。

参考:

[1]“快”AI与“慢”药筛——AI+药筛专题报告 浙商证券

[2] AI+创新药全梳理！求实药社

[3] AI药物发现：行业破局者？博荃资本

[4] 裁员50%！AI制药的日子真的不好过了.智药局

[5] 深度观点：如何用AI设计更好的抗体？药明康德

打赏

原文链接：https://www.cn-healthcare.com/articlewm/20230602/wap-content-1559625.html