近幾年，瞄準“AI加速醫藥研發”的公司開始快速涌現出來。這些公司，因為掌握高壁壘的核心技術，具備廣闊的想象空間，往往獲得了高額融資，而且融資節奏非?？臁?/p>

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

　　風口上的AI+醫藥研發，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？

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

　　雖然新藥研發既耗時又耗錢，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藥的很大原因。

　　近年涌現的AI+醫藥研發，就是直指了以上痛點。人們試圖用AI技術，讓醫藥研發少繞些彎子，給研發過程節約幾個月、甚至幾年的時間。

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

　　新藥研發大致分為新藥發現、臨床前研究、臨床研究、審批上市四個階段。

　　新藥發現環節需要不斷地做基礎研究，從5000-10000個化合物中做篩選，進行藥物的設計與篩選，化學合成與改造，最終發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，進行藥劑學、藥動學、藥效學與毒理學研究。

　　到了臨床研究這個階段，研發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期臨床會進行初步臨床藥理學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期臨床主要會做擴大臨床試驗、特殊臨床試驗、補充臨床試驗和不良反應觀察。這個階段一般耗時6-7年。

　　審批上市環節，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，打通了哪些技術的“任督二脈”？

　　36氪認為，目前市場上的AI技術，主要發力于“新藥發現”和“臨床診療”兩個板塊。

　　1. 新藥發現

　　新藥發現涉及選擇靶點、選擇先導化合物、優化先導化合物等階段。這個過程中，科研人員需要對多達5000-10000個化合物“海選”，通過不斷的試錯、排除、優化，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實驗的過程，耗時較長。

　　另一方面，由于人體致病機理非常復雜，新藥研發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科知識。

　　AI技術的引入，能夠給醫藥研發帶來一個強大的“知識庫”，方便調動各個學科的知識。同時AI技術可以運用大數據，對這些化合物進行“虛擬”篩選。即不做實驗，而是利用數據庫做分析，大大加速研發進度。

　　這個賽道上，Atomwise搭建了一個藥物設計系統AtomNet，以預測小分子與蛋白質的結合。該系統的數據庫來源于數百萬的親和力實驗和數千種蛋白質結構數據。AtomNet通過卷積神經網絡的組合預測新的活性分子，使得藥物設計過程可以壓縮至幾周時間。

　　Numerate基于3D配體的建模，在不需要化合物結構資料的情況下，運用AI進行表型驅動的藥物研發。該平臺主要針對于心血管、代謝、神經衰弱疾病、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，根據已有的藥物研發數據庫，自動設計出上百萬種與特定靶標相關的小分子化合物，并且根據藥效、選擇性、ADME等等篩選化合物。

　　英國BenevolentAI的核心技術平臺是JACS，它的數據庫包括論文、臨床試驗數據等等。為了提高算力，BenevolentAI使用了英偉達的超級計算機DGX-1。目前，該公司已經和強生合作，為強生篩選、優化小分子化合物。該公司已經有兩種新藥進入后期研發，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，后者已經進入II期臨床。

　　國內的晶泰科技，在人工智能的技術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）進行精準快速的篩選和設計，并通過深度神經網絡，對藥物分子的關鍵特性進行有效預測。

　　冰洲石生物科技是基于蛋白晶體學數據進行AI藥物設計。截止2017年底，冰洲石已經在美國申請了2項專利。

　　2. 臨床診療

　　這個板塊上，目前技術主要是運用數據庫，探索致病原因，預測患者對藥物的反應，為患者匹配合適療法，從而實現精準的個性化醫療。當這類技術應用于臨床試驗階段，就有助于提高臨床試驗的效率。

　　百時美施貴寶的PathAI平臺主要是進行病理分析的。利用AI學習病理樣本數據，從而輔助病理學家進行疾病診斷。

　　羅氏將患者數據流轉化為機械的計算機模型，以此發現新的療法和診斷標記，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據，推導致病機理；然后，REFS對治療過程進行模擬，以確定哪些治療方法和藥物能夠產生最佳結果，從而為特定患者匹配其個性化療法。

　　除了以上兩大板塊，還有企業采用了一些比較新穎的切入口。

　　國內的深度智耀開發了AI自動翻譯寫作申報系統和AI藥物警戒系統。前者提高了審批上市環節的效率，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，會發現所有公司都在做同一件事情——驗證AI+醫藥研發可以真正落地，真正在某些環節上高效、精確、安全無誤地代替人類。

　　在這一點上，有的企業走得更快，或是進行到了藥物研發的后期階段，或是已經擁有了多項專利、構建了多方合作；而有的企業走得稍慢，還在對其技術做初步落地。

　　從行業機會來看，目前布局臨床前研究和臨床研究的企業還不算多。這兩個環節也有重復實驗多、耗時長、費用高的特點，引入AI有助于提高效率。另一方面，瞄準審批上市環節的明星選手也非常少。

　　不過，選手們的“AI+醫藥研發”技術是否能真的落地？

　　其實醫療技術是一個螺旋式上升過程。由于過去的醫療技術相對今天落后，當時的醫療數據中難免會存在一定錯誤。如果錯誤數據引入AI學習的數據庫，則會非常大地影響AI學習的結果。

　　因此，如何保證數據庫的質量，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。