新藥研發週期長、成功率低以及研發費用高，一直是困擾製藥企業的魔咒。最新資料顯示，平均需要約14年，花費26億美元才能將一款新藥成功推上市場。AI技術日新月異的發展給很多行業帶來了變革，製藥業也同樣將受益於AI帶來的技術紅利，來解決行業痛點，提高藥物開發效率。也因此，全球誕生了超過200多家專注於AI製藥的創新創業公司。
一、 什麼是AI賦能的藥物開發？
新藥研發是一項環節多、時間長、風險高的工程，主要包括藥物發現、臨床前研究、臨床研究以及審批與上市4個階段。藥物發現階段主要涉及疾病選擇、靶點發現和化合物合成；臨床前研究階段則以化合物篩選、晶型預測、化合物驗證為主，包括藥物的構效關係分析、穩定性分析、安全性評價和ADMET分析等；臨床研究階段以患者招募、臨床試驗和藥物重定向為主，涉及用藥方案、藥效試驗、患者觀察記錄、最佳化改進等；審批與上市階段主要是政府藥品主管機構對藥企研發的新藥進行審批，是新藥流入市場的最後關口。
人工智慧是賦予計算機感知、學習、推理及協助決策的能力，從而透過與人類相似的方式來解決問題的一組技術。利用AI技術在自然語言處理、影像識別、深度學習和認知計算等方面的優勢，可以協助藥物專家提高新藥研發各個環節的效率。簡單來說，AI主要可以幫助人類找到難以發現的潛在關係和利用演算法來增強計算能力。AI具備自然語言處理、影像識別、機器學習和深度學習能力，不僅能夠更快地發現顯性關係而且能夠挖掘那些不易被藥物專家發現的隱性關係，構建藥物、疾病和基因之間的深層次關係。在計算方面，AI具備的強大認知計算能力，可以對候選化合物進行虛擬篩選，更快的篩選出具有較高活性的化合物為後期臨床試驗做準備。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、性質預測、晶型預測、患者招募、最佳化臨床試驗設計和藥物重定向等多個應用場景。DEEP KNOWLEDGE ANALYTICS “PHARMA DIVISION” 對全球150家AI製藥創業公司的分析報告《AI FOR DRUG DISCOVERY, BIOMARKER DEVELOPMENT AND ADVANCED R&D LANDSCAPE OVERVIEW 2019 / Q1”》指出，聚焦於利用AI進行藥物設計的公司最多，其次是資料收集和分析。
二、 AI賦能藥物研發領域繁榮的背後邏輯
新藥研發面臨著研發週期長，成功率低，費用高的問題，提升cost effective是當前藥企發展的重要議題，AI會是一個強有力的突破點，也因此近年在AI製藥領域誕生了數百家的創業公司。
從全球醫藥市場銷售額看，2017年已經突破12000億美元，預計到2021年銷售總額可達到14750億美元2012~2021年的年均複合增長率為4.9%。而同時期中國醫藥市場的銷售額將從2012年的770億美元增長到2021年的1780億美元，年均複合增長率達到9.8%，是全球醫藥市場的2倍。這表明全球醫藥市場在穩步增長，而中國醫藥市場的增長更快，具備更好的發展潛力。
雖然醫藥市場在穩定增長，但是藥物研發成本越來越高。EvaluatePharma2019年的報告顯示，2018年全球藥企的研發費用達到了1790億美元，預計2024年會達到2130億美元，年複合增長率約3%，約佔銷售收入的20%。研發成本日益增高，是藥企的重要成本支出。
從中國的具體情況來說，政府從2015年開始進行了大力的醫療體制改革，目的是降低醫保支出，解決看病難看病貴的問題。中國醫療正在經歷從保證基本需求向提高優質醫療醫藥可及性轉變的過程，即從首先解決有沒有的問題，轉向解決質量和費用的問題。在製藥領域，2016年3月5日，國務院辦公廳印發《關於開展仿製藥質量和療效一致性評價的意見》（國辦發〔2016〕8號），標誌中國仿製藥質量和療效一致性評價工作全面展開。以前中國仿製藥有自己的特點，很多仿製藥與原研藥在質量上有較大區別，原研藥專利懸崖現象在中國沒有出現，藥品價格居高不下，而仿製藥一致性評價政策的實施就是解決藥品質量的問題，使得仿製藥療效與原研一致。2018年開始推行藥品集中採購政策解決藥品價格問題。同年12月6日“4+7”集採中藥品的中標價格大幅下降，平均降幅達到了52%。藥品巨大幅度的降價使得仿製藥的利潤空間非常有限，迫使製藥企業必須要進行創新藥的研發才可能贏得繼續生存發展的一席之地。然而創新藥需要大量的資金和時間，考慮研發失敗的風險，新的資料估算一款創新藥成功上市需要26億美元大約14年的研發週期，大概比2003年增長了145%，鉅額的成本是一般藥企難以負擔的，所以有效夠降低藥物研發成本是藥企的必然之路。也因此AI技術賦能製藥領域備受關注，成為了2019年最熱的話題之一。
從科學的角度來解釋，人類2萬多個可編碼蛋白的基因，其中10%-15%與疾病相關，而可作為小分子藥物靶點的小於700種，容易的靶點已經開發殆盡，剩下的都是難度很高的或者難以成藥的靶點，需要投入更多的時間和經濟成本才可能成功。低垂的果實已經沒有了，如何找增量以及提高效率成為了當前新藥研發的主題，能快速摘到深藏或隱藏的果實、又或者將樹葉樹枝變為果實（尋找增量）的公司才是未來製藥領域的贏家。當前隨著資訊科技的迅猛發展，AI技術正在成為製藥領域潛在有力的突破點。比如利用AI強大的發現能力尋找新的藥物靶點，藥物重定向，挖掘微生物組寶庫等等應用。雖然仍有很多問題和質疑，但卻是必須要擁抱的未來方向。
三、 AI製藥領域發展的限制因素
- 學科交叉人才稀缺
AI賦能藥物研發是一個資訊科技賦能傳統行業的交叉領域，既需要AI的人才也需要懂藥物研發的人才，同時雙方必須要能夠理解對方的專業語言和思路，才能很好地配合。這樣的團隊很難搭建，需要長時間的磨合。相應的人才儲備對應不同的商業模式，創新藥的開發鏈條長環節多，優質人才要熟悉整個過程，某個環節的缺失可能會拖慢整個過程，這樣只能單點突破選擇CRO的商業模式。
- 資料獲取難
AI訓練模型需要優質的資料，而新藥領域的資料大都在藥企，公開的資料比較有限，所以如何獲取優質的資料是AI製藥初創公司需要解決的問題。能夠跟跨國藥企合作的初創公司在市場上會非常具有競爭力。中國過去做創新藥的實踐很少，但是近幾年實施了多項政策鼓勵創新藥發展，呈現了繁榮發展的態勢，藥企相關的資料雖然不比跨國藥企，但是也在快速積累。另外中國CRO公司（如藥明康德等）發展迅速，掌握了大量的資料，尤其是臨床前的研發資料。中國的基礎科研突飛猛進，科研論文數量已經是世界第一，背後也積累了海量的資料。AI製藥的初創企業要積極跟學術界和產業龍頭合作，獲得優質資料是立足之本。
- 商業模式的選擇
新藥開發週期很長，目前也沒有AI製藥公司宣佈利用AI技術開發的藥物成功上市，AI在新藥開發上的價值也不易量化評估，在做好長期奮鬥的同時，開展一些CRO的業務來補充公司的現金也是不錯的選擇，不過需要思考好如何處理好CRO和做藥的商業模式。公司自己做藥物開發就是藥企的競爭對手，而CRO模式是為藥企提供服務，兩種商業模式可能會存在一些利益衝突，所以要想清楚開展這兩種商業模式的具體環節，階段，比重等問題。從商業價值的角度來說，藥物開發比CRO的市場更大，收益更高，但是對公司的挑戰更大，對人才的要求也更高。
- 開發強AI，才能更好地體現出AI在藥物開發中的價值
弱人工智慧(ArtificialNarrowIntelligence，簡稱ANI)是指僅在單個領域比較牛的人工智慧程式。比如的谷歌AlphaGo，便是弱人工智慧的典型代表。其特徵便是雖然很擅長下圍棋，卻無法與你玩一把飛行棋。強人工智慧(ArtificialGeneralIntelligence，簡稱AGI)則是能夠達到人類級別的人工智慧程式。不同於弱人工智慧，強人工智慧可以像人類一樣應對不同層面的問題，而不僅僅只是下下圍棋，寫財報報導。不僅如此，它還具有自我學習、理解複雜理念等多種能力。也正因此，強人工智慧程式的開發比弱人工智慧要困難很多。而藥物開發涉及環節眾多，雖然目前一些環節已經在應用AI，但是需要強人工智慧才能打通各個環節，更好地賦能製藥領域。
四、 中國AI藥物研發公司現狀
中國對於創新藥的研發有著非常強烈的需求，但對創新藥研發歷史較短，經驗不足，而且研發投入的鉅額資金和長週期的風險使得國內藥企對於創新藥開發既愛又恨。而利用AI技術解決現在創新藥研發週期長失敗率高的問題有非常好的前景，也因此，在中國誕生了大大小小數十家專注AI製藥的創新企業。
中經合集團看好AI製藥領域的發展潛力，也已經投資了數家以不同角度切入製藥領域的“AI+製藥”的公司，包括搭建AI技術平臺提高藥物篩選和藥物設計的效率（英飛智藥，開發真正可以賦能藥物發現階段各個環節的AI技術進行藥物研發），亦或者利用AI從新的作用機制（Panorama，利用深度學習對海量RNA組學資料進行分析開發靶向RNA剪接過程的小分子或者大分子藥物）、新的靶點和組合（Enginebio，全基因功能網路分析尋找新的靶點和組合）、新的資源寶庫（Deepbiome，利用AI對海量的微生物組資料進行分析挖掘，越過微生態藥階段直接找到背後的小分子藥物）等方向尋找新的增長點。去年中經合集團也收穫了動脈網數字醫療十佳投資機構和中國AI藥物開發投資機構top5的獎項。
Panorama Medicine是一家由風險資本投資的創業公司，由世界頂尖的計算和實驗RNA生物學家組成的多學科團隊創立。Panorama利用獨有的基因大資料分析和深度學習技術加速藥物研發過程，旨在高效開發由於RNA剪接異常引起的疾病的藥物。
英飛智藥是一家以創新藥物為目標，以人工智慧為驅動的初創公司。英飛智藥在新藥研發中充分利用並持續發展先進的AI藥物發現技術，打造自主智慧財產權的AI+新藥研發平臺—智藥大腦TM。英飛智藥擁有多款候選藥物的成功開發經驗和業界領先的開發成功率，將創新候選藥的開發週期從3-6年縮短到6個月至2年，致力於高效批次開發自主創新藥物品種，也為醫藥企業的新藥研發提供先進的技術服務和智慧財產權解決方案。
DeepBiome是由來自Harvard/Broad研究所的團隊創立的一家AI藥物發現公司。他們聚焦於挖掘人類微生物組這一極具前景和前沿的領域，這是一個基本未被開發的藥物先導化合物的寶庫。DeepBiome希望利用最新的人工智慧(AI)技術，徹底改變目前高成本、低效的藥物發現過程。
Enginebio是由世界領先的MIT Broad研究所的科學家Tim Lu創立的利用人工智慧技術進行藥物發現的公司。在計算科學、合成生物學和藥物發現領域的專家領導下，公司將高通量、大規模並行的生物實驗與高通量計算結合起來，破譯生物醫學網路，增強藥物開發過程產生新的藥物。