不想做外包，當不了藥神，AI公司如何才能走通製藥這條路？

AI能製藥，早已不是啥新鮮事了。

尤其是疫情之後，包括輝瑞、羅氏、默克、阿斯利康、葛蘭素史克、賽諾菲、強生等在內的頂級製藥公司，紛紛加速擁抱人工智慧，不是與AI公司合作，就是收購或自建AI部門。

從分子實驗到製造供應鏈甚至市場營銷，AI已經在整個製藥價值鏈上，展現出極大的潛力。

AI與製藥的融合過程，以兩種模式為主：

一種是VIC模式，即“VC(風險投資)+IP(智慧財產權)+CRO(研發外包)”，其中AI公司作為技術外包，為藥廠提供降本增效的解決方案;

另一種是AI-Driven模式，專門以AI技術來驅動分析預測發現新的化合物、蛋白質，自己研發創新藥。

相比“傳統產業智慧化”的外包服務商，AI企業“自立山頭”製藥，有著更大的商業想象空間，也確實在過去幾年間，吸引了大規模的融資和巨頭攜資入場，僅2021年中國該領域的投融資規模就超過了80億。

其中最具代表性的，就是谷歌母公司Alphabet不久前成立的AI藥物公司Isomorphic Labs，其創始人正是研發了AlphaFold2演算法的AI先鋒DeepMind的CEO。顯然，谷歌也非常看好以尖端AI技術在生物學領域“大展拳腳”的前景。

那麼問題來了，生物製藥領域是一個專業知識壁壘極高的領域， AI參與制藥已經有15-20年的時間了，期間機器學習方法一直被用於藥物發現和臨床試驗當中。2000年，利用機器進行“高通量篩選”已經被應用在化合物測試當中。但目前為止，還沒有一個驗證AI可以“獨立行走”創新藥的成功案例。

製藥這條路，野心勃勃的AI公司該如何走下去?作為AI“優等生”和醫藥“後進生”，中國在AI製藥上的贏面究竟有多大呢?

不是藥神，AI製藥現在究竟幾分熟?

製藥門檻如此之高，AI公司憑什麼認為自己可以繞過物理學定律的限制“自立山頭”呢?AI真的能取代傳統實驗手段，成為全村的希望嗎?

正如當初深度學習爆火之後大眾對AI不切實際的想象和懼怕一樣，在製藥這件事上，AI也並非無所不能，我們應該對AI設定一個合理預期：

以深度學習為主的AI技術有其適用範圍，目前主要用在分析處理醫藥資料、預測疾病靶點、設計和最佳化化合物、實驗自動化等領域當中，解決製藥場景的實際問題。

未來，隨著這些細分場景的不斷成功和資料積累，不斷反哺AI模型，可能3-5年才會有較大的突破。詹姆斯·貝森(James Bessen)在《邊做邊學》(Learning By Doing)一書中也提出，至少5-10年的時間AI才會讓製藥行業真正轉型。

所以，在全球範圍內，AI製藥都處在較早期的階段，AI公司造的藥，目前可能才只有“一分熟”。指望突然掉下一款由AI主導研發的石破天驚的創新藥，還是很遙遠的。

既然隔行如隔山，由藥廠引入AI不是強強聯合、事半功倍嗎，為什麼AI公司還要冒著失敗的風險去“另立山頭”，而資本市場也願意買賬呢?

另立山頭，誰給AI企業的自信?

原因之一，是AI的角色變了。

目前，製藥行業廣泛採用的是基於目標靶點的研究模式(Target-centric)，即先要找到導致疾病的特定蛋白質(有效靶點)，透過分析化合物、基因、疾病和蛋白質之間的關係，進行有效分子的篩選與設計。這個過程往往靠的是研究人員自身的創造力和經驗，離不開製藥公司大量高質量資料的支撐。

在這個過程中，AI的發揮空間就很大了。

1.更快。隨著基因組學的發展，尋找和選擇新藥分子已經成為一項資料密集型任務，利用AI來自動學習分析處理資料，能夠更快地推斷出疾病機制，發現新靶點，從而加速研發過程。比如麻省理工學院團隊推出的生物技術初創公司ReviveMed，就是基於MIT的代謝物資料庫，分析藥物-蛋白質、蛋白質-蛋白質的相互作用，識別特定的代謝物分子，找到一些有希望的治療靶點，這些代謝物分子就有可能是未來的藥物。

2.更早。如果醫療實驗資料是凌亂而未標記的，那麼後續的分析處理預測都不容易實現，所以在新藥研發上面向AI的資料治理工作要開展得更早，現有的研發和業務流程必須重新設計，才能充分發揮AI、大資料、高效能運算等的協同價值，這涉及到大規模的組織轉型，也使得資料工程師、演算法工程師在製藥領域的參與更早、更深。

3.更廣。“靶點-疾病”的研發正規化，使得傳統制藥公司不會將精力集中在罕見疾病的治療上，因為ROI投資回報比太低，而AI技術可以透過表型資料(影像)進行藥物的篩選和設計，反過來幫助找到新的治療靶點，在計算機中合成和測試分子，這讓罕見病有了治療甚至治癒的希望，對全人類來說都是好事。

從實驗室助手變成了新藥研發的主角，AI“獨立行走”的信心自然也就愈加強烈了。

原因之二，是重建一套新正規化更方便。

雖然有一些製藥公司思想開明、態度開放，但事實是，製藥公司對其業務和研究方法的保守是出了名的，不願意接受變革的佔多數。一項研究顯示，2019年和2020年生命科學領域人工智慧相關專利的申請中，只有不到2%是知名製藥公司提交的。

一些製藥公司甚至都沒有數字化，很多資料都用紙質檔案儲存，採用AI還需要時間;有的大型製藥公司還是傳統思維佔主導，傾向於研發傳統藥物製劑。還有的則傾向於保留資料和技術作為內部商業機密，不願意分享給AI技術公司……既然如此，開闢一條全新的賽道自己製藥，對AI公司來說更加靈活，研發速度也更快。

與此同時，AI技術的發展，也讓AI主導的研發成為可能。

一方面，小樣本學習、生成技術等的應用，可以減少研發過程中的資料依賴。比如有公司就開發了一個名為Generative TensorialReinforcement Learning(GENTRL)的平臺，讓兩種DL深度學習模型來相互作用，一個生成分子，一個鑑別真假，解決實驗資料不足的問題。而一旦確定了標靶，就可以利用演算法直接設計出所需要的分子結構了。

另外，雖說隔行如隔山，但端到端的深度學習，不需要演算法人員去定義一些特徵和規則，比如蛋白質結構預測模型能夠直接根據序列的特徵輸出三維結構，目前已經達到實驗的精度。所以儘管目前人類科學對很多疾病的理解都還處於初級階段，演算法人員也未必對生命科學知識十分精通，但運用AI工具來開發新藥，完全是可行的。

原因之三，就是自己做原研藥，這件事實在太香了。

目前，抗體藥這類生物藥已經逐漸超過了化學藥的數量，成為增長最快的治療藥物。全球已經有超過100款抗體藥上市，比如新冠特效藥就是抗體藥，找到能夠中和病毒的活性抗體來發揮作用。

以前，抗體藥需要從康復病人中去提取和篩選，這個過程費時費力，還有很大的不確定性。而透過AI直接對現有抗體進行設計和最佳化，實現高效的中和效果，一種新的抗體藥物就誕生了。

原研藥市場廣闊、利潤豐厚，自己研發無疑把握了最具價值的一環。所以說，AI公司自己做藥它不香嗎?

中國製藥，在AI畫布上描繪全新圖景

想必很多讀者透過新聞和行業報導都發現了，在AI製藥這個領域，美國在技術、資本、產業規模上都處於領先地位，AI開發的特效藥、疫苗、療法、平臺等不斷湧現。

而中國在AI技術上並不落後，這是否意味著有希望在製藥領域取得突破呢?在AI這塊技術畫布上描繪製藥藍圖，對於中國意味著三重價值：

1.將生命福祉把握在自己手裡。

在醫藥醫療領域，資料都是非常敏感的，比如要針對個體的基因序列和新抗原設計出對應的藥物，對患者來說無疑是更有效、更精準、更普惠的。但是基因資料如果只能交給海外科技企業來分析和生產，其中存在的風險不用多說。

前不久《自然》雜誌上就釋出了一篇論文，總部位於美國北卡羅來納州的製藥公司Collaborations Pharmaceuticals，就與倫敦、瑞士的研究人員合作，訓練出了一個藥物開發工具MegaSyn，在短短六個小時內自動生產出40000種有毒的化學制劑。

利用AI結合群體基因特質，針對性地開發精準打擊的生物武器，並非不可能。所以中國必須將AI製藥的尖端科技掌握在自己手中。

2.在原研藥領域取得較大突破。

大家可能都看到了，最新引進的新冠特效藥價格高達數千元，原研藥的銷量高、利潤高，已經是大眾熟知的事實，而開發原研藥一直是中國製藥產業的老大難問題。必須意識到，在傳統生命科學領域，中國的起步較晚、基礎也相對薄弱，比如生物實驗中需要的高精度顯微鏡、測試試劑等也是被國外“卡脖子”的，在這種情況下，AI提供了一種開發原研藥的全新思路。

(2017年諾貝爾化學獎授予三位冷凍電鏡領域的學者)

比如透過AI演算法來代替冷凍電鏡，也可以解開蛋白質結構。目前，AlphaFold預測出來的結果已經可以和冷凍電鏡的方法相媲美。隨著中國在相關演算法上的突破，未來能夠降低對一些卡脖子實驗技術的依賴。

在創新藥研發上，從科研到產業化之間的距離是非常近的，很多突破性技術和新分子都是從研究院所實驗室中誕生，再由藥廠進行轉化、評估、臨床試驗……而在AI研究領域，中國科研院所的能力已經處於一流水平。

AI重新定義製藥流程，有助於中國變成一個製藥強國。

3.進一步發揮中國的AI產業優勢。

我們都知道中國AI產業化的步伐很快，主要集中在網際網路、工業、礦山、城市管理等領域，在生命科學領域裡的AI應用，總體還處於初級階段。

無論是AI公司驅動的創新藥，還是傳統藥廠的AI化，都有很大的發展空間。目前，幾乎中國頭部科技企業如BATH(百度、騰訊、阿里、華為)等都在AI藥物研發上有所動作。

隨著AI製藥的進一步發展，生命科學領域的資料、算力、演算法都將進一步升級迭代，工具平臺生態也將進一步搭建和豐富起來，屆時，中國在AI領域的優勢也將進一步放大。

都說“一張白紙上可以畫出最新最美的圖畫”，AI製藥之於中國，就是在遠遠追趕的生命科學實驗道路之外，新建一條由資料鋪成的高速公路，搭乘智慧小車跑得更快、更早抵達新藥研發的目的地。

盛名之下：AI解鎖製藥的三把鑰匙

AI發展最不可或缺的，是信心。歷史上的兩次AI寒冬，就與投資者和大眾對AI回報預期的垮掉，有著直接關係。AI製藥的投融資浪潮，似乎在大鳴大放之後，不得不面對一個骨感的現實：一開始想得很美，但突破來得很慢。

曾有一位AI製藥公司的創始人對媒體透露，第一輪融資時投資人希望能夠做藥，第二輪就開始建議他們做服務(也就是藥廠AI技術外包)了。

資本市場對AI製藥的疑慮，是高潮之下的正常調整，但要避免透支信任、解鎖光明的未來，AI製藥企業恐怕還需要拿到三把鑰匙：資料、算力、演算法——沒錯，就是雖然樸實、但至關重要的AI“三駕馬車”。

實際上，大部分AI的問題都是因為資料不夠、算力不夠、演算法不夠好。而解決方法也是從這三點入手。

先說資料。

前面提到，目前人類對生命科學的理解還非常初級，端到端學習也可以減少對一部分資料的依賴，但基本的高質量資料還是AI製藥必不可少的基礎。

受實驗手段、醫療技術的限制，目前AI對蛋白質功能的分析還是比較初級的，對分子的功能結構、關係序列等的描述不夠，這顯然會給AI學習帶來困擾，蛋白分子會不斷地和別的分子進行互動，形狀也會隨之改變，用純資料驅動的AI方法去生搬硬套，結果很可能是“無效設計”。

就如化學家Derek Lowe在《科學》雜誌上指出的，即使兩種蛋白質具有物理上結合在一起的結構，也很難說它們實際上會粘合得有多好。用在動物或人身上的時候也不一定總是有效。

更深入地理解生物世界，離不開大量優質的資料，這些往往透過幾十年的積累和實驗獲得，掌握在藥企自己手裡，不會輕易分享。此外基因資料、醫療資料還涉及到隱私倫理問題，需要在嚴格的資料保護法律法規之下使用。

所以對於AI企業來說，亟需要探索一種與藥企合作、分利的模式，解開資料的桎梏。

再說算力。

以蛋白質結構預測為例，它往往需要超大規模的算力支援。因為生物系統中分子之間的相互作用特別多，設計出來的模型可能引數不大，但比較複雜，比計算機視覺、NLP等模型要大很多。

此前曾有中國AI公司訓練出了中國版AlphaFold2，團隊成員表示遇到最大的困難，就是GPU資源(算力)有限，難以同時進行多次訓練來比較效果，所以只好在模型設計上下功夫，儘量減少試錯次數。

另一個科學家也向腦極體透露，其開發的蛋白質結構預測平臺，對一個模型的一個資料點(data point)進行計算就需要800G視訊記憶體，意味著需要十幾塊頂級顯示卡，如果要做全規模訓練那算力成本簡直不可想象。

所以，一方面，需要加強AI算力基礎設施建設，提供更多更普惠的算力資源，透過產業合作等方式來支撐生命科學的AI應用發展。另一方面，對生物AI模型的“瘦身”最佳化成為大勢所趨，過大的模型即便在實驗室裡有充沛的算力支援，在實際部署落地的時候也會對記憶體儲存等提出挑戰。

這自然就要提到更好的演算法。

新藥研發是個非常複雜、探索未知的過程，世界一流的演算法和成果，離不開世界一流的科研。目前來看，中國在AI領域“跟隨”更多，面向底層、有影響力的突破較少。

史丹佛大學釋出的2022年人工智慧指數報告(2022 AI Index Report)中也顯示，2021 年，中國在人工智慧期刊、會議和知識庫出版物的數量上繼續領先世界，比美國高出 63.2%，但在引用數量上卻低於美國、歐盟和英國。

在一個全新的領域開發出新的演算法，沒有任何經驗可循，核心還是在人才。首先需要人才具備尋找問題、提出問題的能力，以及耐心安心解決底層技術問題的科研環境，此外還需要具備生物學、藥劑學、化學等交叉知識，這些都給AI學科建設和人才培養提出了新的挑戰。

一位AI科學家告訴我，在她看來，現在對AI人來說既是最好的時代，也是最壞的時代。一方面AI產業發展帶來的新機遇非常多，另一方面從業者也會感受到一種沉甸甸的責任感，技術迭代速度之快帶來了高強度的研究壓力。

不難看出，AI驅動的研究正規化也帶來了全新的挑戰，能否在產業重新分工中佔據優勢，中國AI還有一些關卡要過，其中很多基礎條件需要長期的、體系化、科學的投入。

無論如何，AI必將引領生物製藥領域未來十年甚至更遠的創新方向。從這個角度看，AI製藥公司“自立山頭”，邁出了關鍵的一步，這一選擇是必須肯定且支援的。接下來的重點在於，如何在成果數量與質量上趕超和引領世界一流水平。

就像科學史家托馬斯·庫恩在《科學革命的結構》中所寫的那樣，科學就是透過不斷地轉換正規化，打破舊有框架束縛，才取得了進步。

人類的健康和希望，就隱藏在這樣的“不走尋常路”中。