首页 健识局 内文

中国AI制药前沿调查报告

2022年3月5日 文/ 编辑/

1972年,凭借对核糖核酸酶的研究,特别是对其氨基酸序列与生物活性构象之间联系的研究,美国科学家Christian B. Anfinsen获得了诺贝尔化学奖。

在50年前的那场颁奖典礼上,Anfinsen提了一个大胆的设想:按照氨基酸的序列组成,人类能对任何蛋白质结构进行预测。

蛋白质除了对人体的肌肉收缩、能量转换、氧气输送等发挥作用,同样也是糖尿病、帕金森、阿茨海默症等疑难杂症发生的原因。如果能够实现对蛋白质结构的预测,人类就可以具体了解到遗传病中每一个突变对应的DNA具体位置,找到并解决致病根源。

科学家梦幻的畅想,在50年后走进现实。

2020年底,一个名叫AlphaFold2的AI系统突然出现,基本实现了Anfinsen的设想,能够预测人类98.5%的蛋白结构。

中国科学院院士、结构生物学家、西湖大学校长施一公评价:AlphaFold对蛋白结构的精准预测,是人类在21世纪取得的最重要的科学突破之一。

数据是AI制药的支点

AI制药已成为一股热潮。2021年,全球AI制药行业内完成融资额达45.64亿美元,同比上涨152%。

凭借大量数据与算法的积累,强大的运算能力,AI在提高新药研发效率上有显著优势。

国际著名的风投数据公司CB Insight测算过,AI技术可以减少新药研发流程中近40%的临床前研究时间。

不同AI制药公司之间开发效率差异大的原因,主要是数据源。目前,AI制药公司的数据源多来自于公开资料,如已发表的医学文献,公开的靶点库,药企、科研机构或院校的公开数据等。AlphaFold2的数据集目前就是完全免费开源状态。

在公开资料面前,各家AI制药企业的起点差距不大。

AI驱动药物发现公司英矽智能首席科学官任峰表示:“关键是如何将公开数据整理成自己AI平台可读的格式,这个过程需要花费大量时间、人力。”

但仅凭公开数据不足以拉开竞争差距。所以各家AI制药公司都在积极考虑建立自己的数据优势。“建立自有实验室,自行获得化合物代谢的稳定性、透膜性等特征,专门为自己的AI平台收集真实世界的数据,是不少AI公司建造数据壁垒的一种方式。”

与此同时,肿瘤药物的扎堆内卷已给其他技术领域敲响了警钟:合理的数据壁垒会完善数据的多样性,不合理的数据壁垒将可能造成重复投入下的资源浪费。

美迪西生物创始人、CEO陈春麟曾表示:“随着新药大数据越来越丰富,如何打通不同数据之间的联系,用好这些数据来为新药研发服务,是值得思考的问题。”

2021年10月,15家AI领域相关方一起,在上海建立了“张江AI新药研发联盟”,联盟希望能够促进行业内的数据资源共享。

解决核心问题≠万能

截至2021年底,全球有超40款AI参与研发管线进入临床,但还没有一款药物上市。进展最快的BioXcel公司的BXCL501,也才刚刚进入Ⅱ期临床。

国内来看,仅一款英矽智能研发的ISM001-05于2021年12月份启动了人体试验。这是全球第一款由AI技术发现全新靶点、并由AI技术找到对应小分子的药物,拟用于治疗特发性肺纤维化。

当下AI制药企业发展面临的最大压力,便是还没能完全“证明自己”。一方面,人们已经从各种APP应用中领略到大数据的全能,对AI制药的期望在不断攀高,对AI制药产品零上市的现状逐渐失去耐心;另一方面,数据壁垒正在慢慢形成,AI制药的成本在加大。

AI制药企业还较为清醒,中短期来看,AI制药只会承担新药开发中的某一个部分,而不是全部。

易凯资本合伙人、生物与医药科技团队负责人张骁表示:“制药是个系统性工程,包括靶点发现、化合物筛选和确认,临床前研究,临床研究,申报上市等等。对于AI制药公司来说,当下主要还是在化合物筛选和确认环节赋能比较明显。”

目前AI制药公司助力新药研发主要通过三种基本模式,这也是AI制药公司的主要商业模式:

一是搭建AI技术平台,授权药企使用,定期收取授权费用;

二是向药企或CRO企业接单,帮助其完成研发任务,如根据既定靶点筛选出合适的化合物;

三是由AI制药公司布局自研管线,自行推动管线进展,从而实现商业化。

第二种模式中,根据客户提供靶点优化出合适的临床前候选药物,是大多AI制药公司合作的过程中要解决的核心问题。对于这类AI公司而言,能做的是尽可能地优化分子,降低后续风险。

但药物从临床到上市还有其他考验,临床试验、申报IND等均会影响到上市进度。因而在药物研发中,不能单纯以参与管线能否上市来评价AI制药公司的优劣。

毕竟,客户提供的靶点,即使成药了也不一定能很好治疗疾病。

晶泰科技首席科学官张佩宇对健识局表示:这里涉及到两方面问题。一方面是生物学的问题,靶点和病理之间的关系是否清楚。另一方面是化学问题,即针对这个靶点的分子化合物是否足够好。

“AI制药公司可以解决分子化合物的筛选问题,但生物学本身的问题,是筛选分子无法解决的。”

CRO和互联网谁更强?

帮助药企完成化合物的筛选,这在某种程度上与CRO的工作内容重合。AI技术完善后,CRO工作是否会被替代?

在张骁看来,AI制药和CRO是一个双向迭代的过程:AI制药需要CRO的大量数据来训练自己的算法模型;CRO也需要AI制药帮助更好地设计试验。“计算机、人工智能机器人出现多久了,它们把人替代了吗?没有吧。”

在多数AI制药公司看来,AI制药技术与CRO服务,不会出现一方完全替代另一方的情况,但未来可能会慢慢融合。

英矽智能首席科学官任峰认为:“主要看企业自身的定位如何。定位不同,生存规则也就不同。CRO+AI和AI+CRO,是两回事。”

对CRO+AI类公司来说,服务重点仍旧在传统的合同研发外包服务,AI作为一种工具帮助他们提高了工作效率。客户群的维护,以及制药链条中各环节的跑通等是他们的立足之本;

对AI+CRO类公司而言,企业的定位是科技公司,核心在于其算法能力。后期提供的CRO实验服务,是为了AI预测的验证和落地,同时迭代自身AI模型,提高平台的核心能力。

AI制药在业务上“撞衫”CRO,却也开启了另一扇门。不少互联网大厂对医药行业产生了浓厚的兴趣,加上引发世界关注的AlphaFold诞生于谷歌,更加激励了一些头部互联网公司迈入医药领域:

中国互联网企业中,腾讯开发的AI药物发现平台“云深智药”已对科研人员全面开放;华为布局了华为云EIHealth,集成了医药领域内包含算法、AI模型等功能;阿里云与全球健康药物研发中心合作,开发AI药物和大数据平台……

药企在引进AI技术,而互联网企业在用算法“做药”。今后医药行业会被互联网彻底改变吗?

张骁认为,两种AI制药公司的状态各有千秋,发展侧重点也各不相同。互联网企业入局医药领域,依托自己的技术优势建构具有革命性的AI+药物筛选平台,但这些平台的效用有多少还待观察;

药企的话,他们的价值体现在管线的价值,包括靶点选择够不够精准,制药系统够不够强等。他们培养自身的AI团队,主要是希望AI在药物研发的某些环节可以提升效率,在AI与传统药物研发流程的结合方面更加谨慎务实。

“但不管哪一种,都需要做到极致。”

想象空间大,但仍需谨慎

全球来看,AI制药行业自2014年才开始兴起,目前还没有一款产品推向市场,显得十分稚嫩。

稚嫩,意味着想象空间更大。眼下,除了聚焦在临床前的药物发现,已有相关公司开始探索将AI技术应用于成本更高的临床阶段。

临床试验是新药研发中耗时最久、资金花费最高、最容易出问题的环节。尤其是一些小众疾病、罕见病,患者招募都成大难题。据统计,近三分之一的Ⅲ期临床因患者招募问题而失败。

目前已有AI公司介入药物临床试验患者招募工作。它们通过将医疗记录,医学文献,患者主动上传的病理内容等信息,与受试药物信息进行匹配,帮助实验主体找到合适的受试患者。如Mendel.ai公司鼓励患者向自建平台提交病历,算法会将患者与合适的临床试验进行匹配。

除此之外,还有一些公司基于已有的公开临床数据,利用AI技术帮助实验者判断临床试验的成功率。比如治疗某神经系统疾病的药物,设计的临床试验中仅包含10个病人,这在AI的评估体系下将无法通过。因为对于慢性病来说,10个病人的样本太少了,即便试验成功也没有说服力。

更被业内人员期待的,是AI技术帮助预测患者反应,即通过特定的生物标志物来预测药效。

Arcus Biosciences公司生物信息学家王宁曾在公开讲座中表示,患者反应预测很有可能成为AI制药发展的下一个方向,前提是AI技术具备成熟的预测模型。但起码未来3年内,我们都仍将处于信息分析及建立简单预测模型阶段。

这意味着前路漫长,如何持续长跑将会是年轻的AI制药行业需要思考的问题。

2021年,AI制药公司insitro获得4亿美元融资,其首席执行官Daphne Koller最担心的问题之一,就是:

一旦AI技术遭遇失败,很可能会被原有的热度所反噬,导致整个领域的停滞。

这担心并非毫无道理。任何一个新兴事物,除了需要时间、耐心及外界的支持外,也特别需要理性的认知。

文 | 烟酰胺

运营 | 廿十三

每天两篇深度稿件,解码医药健康*文中部分图片源自视觉中国

#AI制药##国内创新药企#