「沒人在會議上提及 IBM 的沃森。」
沃森是醫療 AI 產業化的先行者，曾在腫瘤診治方面被寄予厚望。但近兩年來，它風波不斷。
從去年開始，包含 MD 安德森腫瘤中心在內的多個客戶終止了與沃森的合作，理由是：沃森的診療效果始終不達預期，成本太高。今年 5 月，IBM 對其醫療業務進行裁員，包括部分研發人員和營銷人員。7 月，美國健康醫療媒體 STAT 爆出 IBM的內部檔案稱，沃森經常給出不準確的癌症治療建議，甚至開錯了藥品。
沃森在腫瘤治療方面表現不佳，其與輝瑞合作的藥物開發試驗也「涼了」。
而對其他 AI+新藥研發企業而言，資料的來源與質量是懸在其頭上的「達摩克利斯之劍」。
「沒人在會議上提及 IBM 的沃森」
「沒人在會議上提到 IBM 的沃森，只是說它在腫瘤治療方面表現不佳。」《Forbes》在一篇文章中提到。
撰文的是巴布森學院（全球最著名商學院之一）資訊科技與管理專業的傑出教授、麻省理工學院數字經濟計劃的數字研究員和高階顧問 Tom Davenport（湯姆·達文波特）與瑞士巴塞爾大學醫院臨床流行病學和生物統計學研究所的博士候選人 Kimberly Alba McCord（金伯利·阿爾巴·麥考德）。
10 月底，他們參加了 Corey Lane Partners 在哈佛醫學院舉辦的一個生物製藥人工智慧應用峰會。會後，他們用文字記下了自己的會議觀察，並發表在《Forbes》上。
「沃森的人工智慧套件似乎不再被視為促進藥物開發的一個重要因素。」他們還在文章中提到，「輝瑞的一位知情人士透露，他們使用沃森進行藥物開發的試驗仍在進行中，但公司正在『 冷卻』這項技術。」
新藥研發是一個系統工程，從靶點的發現與驗證，到先導化合物的發現與優化，再到候選化合物的篩選及開發，最後進入到臨床研究。
藥物研發的基本流程，圖片來源：tdi.ox.ac.uk
研發費用高、研發週期長、研發成功率低一直是壓在製藥企業身上的「三座大山」。
塔夫茨藥物開發研究中心（Tufts Center for The Study of Drug Development）的資料顯示：開發一種新藥的平均成本為 26 億美元；一種新藥上市的平均時間約為 12 年；大約只有 10% 的候選藥物能從第一階段測試走向市場。德勤的資料顯示：2017 年，美國最大的生物製藥公司的投資回報率下降至 3.2％，令人沮喪。
新藥研發亟需一場變革。
AI 重塑藥物研發
過去 20 年，計算機處理能力的持續快速增長，大量資料集的可用性以及先進演算法的開發，大大推動了機器學習的發展。由此，專注於具體任務的「狹義人工智慧」得以實現。
新藥研發領域資料密集，這讓人工智慧有了用武之地。
「2007 年 6 月 12 日，是 AI 歷史上值得銘記的一天。」
這一天，一個名叫 Adam（亞當）的機器人發現了一種酵母基因的功能。
通過搜尋公共資料庫，Adam 提出哪些基因編碼了釀酒酵母反應催化酶的假設，並在實驗室中利用機器人技術來檢驗其假設。英國亞伯大學和劍橋大學的研究人員各自檢驗了 Adam 關於 19 種基因有何功能的假設。其中 9 個假設是新的和正確的，只有 1 個假設是錯誤的。
《Nature》稱之為：「終結了人類對科學新發現的壟斷。」
目前，人工智慧被應用在新藥研發的各個領域。來自 TechEmergence 的一份報告研究了所有行業的人工智慧應用，結果表明：人工智慧可以將新藥研發的成功率從 12％提高到 14％，可以為生物製藥行業節省數十億美元。
動脈網·蛋殼研究院的報告顯示：截至 2018 年 10 月 25 日，國內外共有 53 家 AI+新藥研發公司（排除未公開融資額的公司）獲得融資，累計獲得融資總額共計 13.1 億美元。其中，國外有 47 家公司獲得融資，累計總額共計 10.6 億美元，國內有 6 家公司獲得融資，累計融資總額 2.5 億美元。這表明：AI+新藥研發已經進入快速成長期。
來源：動脈網； 實際上，10 月 25 日，晶泰科技宣佈完成 4600 萬美元（約合 3.2 億元人民幣）的 B+ 輪融資。AI 不僅能夠挖掘出不易被發現的隱性關係，構建藥物、疾病和基因之間的深層次關係；也可以對候選化合物進行虛擬篩選，更快地篩選出具有較高活性的化合物，為後期臨床試驗做準備。
許多公司使用 AI 來識別隱藏在大資料中的線索。據統計，有 100 多家初創企業在探索用 AI 發現藥物，傳統的大型製藥企業則是以合作的方式（如阿斯利康與 Berg，強生與 Benevolent AI，默沙東與 Atomwise，武田製藥與 Numerate，賽諾菲和葛蘭素史克與 Exscientia，輝瑞與 IBM Watson 等）或自主研發的方式入局。
來源：動脈網比如，Roche 的子公司 Genentech 使用 GNS Healthcare 公司的 AI 系統，幫助 Roche 開發癌症治療藥物；
百度和騰訊參與投資的 Atomwise 運用超級計算機、AI 和複雜的演算法模擬製藥過程，來預測新藥品的效果，同時降低研發成本，與它合作的，則是老牌醫藥巨頭默克藥廠（Merck）；
國內，獲谷歌、騰訊投資的晶泰科技與輝瑞簽訂戰略研發合作，融合量子物理與人工智慧，建立小分子藥物模擬演算法平臺，顯著提高演算法的精確度和使用廣泛度，驅動小分子藥物的創新；
正大天晴與阿里雲合作，藉助阿里雲的醫療 AI，正大天晴獲得了一種全新的化合物篩選方法。資料結果顯示，與傳統計算機輔助藥物設計方法相比，這套機器學習模型的篩選準確率可提高 20%。
Berg 和 Insilico 這樣的初創公司比大型製藥公司走得更快。初創公司的一些領導者抱怨，大型製藥公司耗費了大量的時間在「踢輪胎」上（Kicking the tires：用最基本、最直覺式的方法檢驗一個物品或事情。據說，當汽車剛成為商品時，大部分人不懂得如何檢驗一部車的好壞，但是都會不自主地去踢一踢前輪），但收入卻很少。
有訊息稱，輝瑞公司現在已經有超過150個AI專案在進行中，只是核心是藥物研發的很少。
入局者：瞄向藥物靶點環節的 AI 企業眾多
動脈網·蛋殼研究院對國內外 78 家涉足新藥研發的 AI 企業進行調研後發現：
AI 在新藥研發領域主要應用於靶點發現、化合物合成、化合物篩選、晶型預測、患者招募、優化臨床試驗設計和藥物重定向 7 大場景。
AI 在化合物合成和篩選方面比傳統手段可節約 40%~50% 的時間，每年為藥企節約 260 億美元的化合物篩選成本。在臨床研究階段，可節約 50%~60% 的時間，每年可節約 280 億美元的臨床試驗費用。即 AI 每年能夠為藥企節約 540 億美元的研發費用。
來源：動脈網在李偉（北京生命科學研究所博士、瑞璞鑫（蘇州）生物科技有限公司藥物化學主管）和黃牛（北京生命科學研究所高階研究員）看來，某些技術在藥物研發的某些階段的確能夠起到重要提速的作用，譬如已進入新藥研發多年的高通量篩選和計算機輔助藥物分子設計等曾經期待的「顛覆性」技術。
但藥物靶點對於整個新藥研發專案的重要性不言而喻，然而，當前的新藥研發還缺乏優質靶點。
人的身體是由細胞組成的，細胞由化學小分子和生物大分子共同組成，相互級聯作用構成一個複雜龐大的網路，不同的生理功能可以看成這個巨大網路中一條條串聯的線路。
除了外科損傷，大多數疾病纏身是由於這個網路上某個線路發生了異常，這就好像某條交通線發生了堵塞一樣。吃藥的目的就是開啟這個擁堵點。這個擁堵點也就是藥物分子需要作用的「靶點」。
因此，有很多公司重點在藥物靶點環節發力。根據動脈網·蛋殼研究院對 78 家涉足新藥研發 AI 企業的調研，其中，靶點發現環節的 AI 企業數量多達 39 家，佔企業總數的 50%。
常見的是，利用人工智慧分析海量的文獻、專利和臨床結果，找出潛在的、被忽視的通路、蛋白和機制等與疾病的相關性，從而提出新的可供測試的假說，以期望發現新機制和新靶點。
比如，Berg Health 就是基於人工智慧的 Interrogative Biology 平臺技術，通過分析海量病人和正常人樣本（如蛋白相互作用網路）來尋找治療疾病的新靶點和診斷疾病的生物標誌物。
IBM Watson 新藥發現系統通過分析海量文獻尋找潛在的關聯性來產生新的假說推動新藥研發。
然而，李偉和黃牛認為，「生物系統本身就很複雜，人工智慧之前的傳統方法也同樣磕磕碰碰，毫無疑問人工智慧可以幫助生物學家產生新的假說，但是否會是更好的假說仍面臨極大的挑戰。」
之所以得出這樣的結論，其中一個原因是：資料質量參差不齊。
「bad data in,bad data out」
在製藥和生命科學中，資料是人工智慧的關鍵。
「bad data in,bad data out」在 10 月底舉辦的那場生物製藥人工智慧應用峰會上多次被提及。儘管各個企業都在努力改進自己的演算法和 AI 基礎設施，但大家都清楚知道：高質量資料才是取得成功的關鍵。
研發新藥的成本是高昂的，人工智慧被應用於藥物研發的各個階段，但若是資料質量不高（資料不明晰甚至含有錯誤資訊，充滿不確定性），即使使用非常可靠的演算法，也不會取得好結果，反而會浪費大量的資源和時間。
意識到這個問題後，資料收集者和企業便在收集資料上發力了。
IBM 曾在 2016 年斥資 26 億美元收購醫療資料公司 Truven。
2018 年 2 月，製藥巨頭羅氏以 19 億美金收購腫瘤大資料公司 Flatiron Health 的全部股份。
據悉，Flatiron Health 擁有大量癌症領域的真實世界資料，包括從病患臨床記錄、基因組等資料，能夠幫助腫瘤學家和醫生做出更好的臨床診斷，選擇最佳的治療方案。同時，Flatiron Health 也能為羅氏乃至整個行業的腫瘤藥物研發提供所需的技術和資料分析能力，幫助其做新藥研究決策，為腫瘤學研發設立全新的標準，加速新藥上市程式。
生物製藥人工智慧應用峰會上，有幾位演講者提到，製藥公司傾向於囤積資料，並根據其資料庫的數量來評估未來的成功。
但賽諾菲首席資料官 Milind Kamkolkar 認為，當下，通過知識共享開展合作以及提高已有資料的質量應該比積累資料更為重要。
但是，尋找藥物化合物的競爭是激烈的，沒有任何一家公司願意向競爭對手提供他們辛辛苦苦得來的資料。
也許，在不久的將來，主要的醫療保健和製藥利益相關者將不得不與資料所有者 (即醫療保健提供者、病人和其他醫療保健消費者) 進行談判，以決定誰能夠利用資料做些什麼。