国内AI药物研发行业：现状、问题和趋势

原标题：国内AI药物研发行业：现状、问题和趋势

10年、26亿、10%。

这三个数字解释了新药研发是如何困难的一件事：一款新药上市，平均要历经10年周期，耗费26亿美元，成功率仅有不到10%。对药企来说，改变其中任何一个数字，降低药物研发的成本，所带来的效益都是巨大的。

上世纪80年代初，美国《财富》杂志曾对默克公司使用计算机技术设计药物进行了封面报道，并称这项技术为“下一次工业革命”。如今，这项技术逐渐迭代发展，交棒给了“AI+药物研发”。

此前，健康界曾推出了3篇系列文章，对国内外AI药物研发行业进行了盘点。在本文中，健康界通过查阅报告及采访业内人士，试图对AI药物研发行业的现状、问题和趋势进行梳理。

现状：人才储备充足，需求旺盛

据不完全统计，全球从事药物研发工作的AI企业已超过130家。据速石科技《2021全球44家顶尖药企AI辅助药研行动白皮书》显示，自2012年开始，全球AI药物研发行业迎来增长期。

该白皮书对全球44家顶尖药企、55家AI初创企业、12家IT云服务商及7所高校在AI药物研发领域的动作进行了统计发现，全球药企中，诺华、阿斯利康、杨森、辉瑞、默克、拜耳等在AI药研上行动积极，而国内药企中，药明康德在AI药研上最为积极。其中，超出三分之二的AI合作集中在药物发现阶段，约四分之一的AI合作集中在临床治疗阶段；AI药物研发主要聚焦的疾病领域为癌症、精神类、心血管、肝肾肠胃、呼吸系统等。

图片来源：速石科技

据健康界统计，国内目前从事AI药物研发的企业近20家，超半数企业成立时间主要集中在2015-2018年，融资轮次集中在A、B轮。同时，受疫情等多方因素影响，2020年，国内获得融资的AI药物研发企业有8家，包括望石智慧、晶泰科技、星药科技、冰洲石科技等。

与国外相比，国内AI药物研发行业虽然起步稍晚，在企业数量及市场成熟度上，与国外尚有不小差距；但另一方面，互联网行业培养了大批工程师，加上AI企业如雨后春笋般出现，为行业储备了大量技术人才，AI药物研发行业有了快速发展的基础。

在2020年首届红杉中国医疗健康峰会上，药明康德执行副总裁杨青认为，与全球其他地区相比，中国医药创新环境有“速度快、规模大和复杂多样”三个独特条件。他表示，美国医疗健康行业的发展是波浪式，从传统药厂到生物技术再到AI、大数据赋能的生物科技，总体上是一个阶梯性的发展路径。而中国不同，所有的改革和创新都是在各个层面和领域同步进行，这给行业管理者，投资者和创业者的决策都带来了更多的复杂性和多样性。

“AI药物研发正处于高速发展的成长期。”晶泰科技CEO马健告诉健康界，虽在药物研发领域，尤其是在靶点发现等基础研究和临床研究上，中国的研发能力与海外尚存在一定差距。

但在AI技术层面，中外起步时间差不多，而且受计算机技术的快速发展和工程师红利的影响，海内外AI制药企业没有显著的技术差异，更多是各有所长。

“实际上，全世界目前有超过60%的疾病是没有有效药物的，还有50%~70%的患者对重磅药物无响应。例如有些药可以治疗晚期癌症，但实际上只对30%的患者有效，尽管对比过去已经有了巨大的进步，但剩下70%的患者怎么办，这是我们要考虑的问题。因此，药物研发市场的需求是旺盛的，而且中国药物研发市场一直处于上升态势。”星药科技创始人李成涛近期也分享了对国内药物研发的看法。

问题：数据量不足，数据获取的周期和成本高

即使是使用了前沿的AI技术，也并不能立刻扭转新药研发面临的挑战。与此同时，多数AI企业仍聚焦于靶点发现、化合物筛选等药物研发的早期阶段，目前国内外还暂无利用AI技术实现新药上市的成功案例，使得国内外也出现一些质疑AI+药物研发的声音。

马健认为，这是一项新技术在发展过程中，所遭遇的正常现象，有人会解读为“泡沫”或“未达预期”，事实上有很多非常实质性的进展还没有被正式披露。

原因在于，一是传统医药行业对于AI算法概念比较陌生，医药产业和AI企业在理解上有偏差，双方讲的可能是两套“语言”；二是行业内可能存在一些技术夸大成分，不管是AI企业主观夸大与否，在传播的过程中，都容易导致人们对AI技术产生过分期待。

此外，AI药物研发行业迫切需要解决两大问题：一是问题的描述，二是数据的获取及应用。这两点也是AI在其他领域落地时常常面临的共性问题。

AI药物研发是一件需要跨行业、跨学科协作的事情，若想将AI技术落地到生物医药领域，不能各说各话，AI企业首先应积极与医药领域的企业和专家进行更多的交流合作，深入了解行业痛点，将问题定义清楚明确后，再用AI去针对性解决。

医药行业正面临数字化转型的大趋势，但还有很多环节还未实现数字化，缺少足够的数据，导致AI能够发挥的空间有限，因此有赖于医药行业推进数字化基建过程。马健认为，AI企业应具备以下能力：在数据最丰富的地方快速推进AI技术应用落地，在数据最为薄弱的地方，能构建创造数据的能力。

但在生物医药领域获取数据，并不是一件简单的事情。在医学影像、辅助诊断领域，医疗机构及AI企业通过各种医学影像设备获取大量的影像数据，影像数据的生产、分析和利用非常高效成熟，这或许解释了医学影像为何是国内AI医疗商业化落地率最高的领域。

图片来源：图虫创意

据了解，药物发现如大海捞针，研究机构通常要去查阅海量的生物医学文献，在百万级以上的数据库中筛选易于预测、合成的化合物，或与已知药物作用类似的新分子。而小分子中约有10的60次方种化合物具有类药属性。

即使对一个分子进行活性测试，也需要专业人员和设备去操作，数据的获取周期和成本相对会更高，其中涉及很多化学、生物学和工程相关的问题。药物研发数据来源主要有三种：公开数据、虚拟数据和项目数据。

“公开数据，通过文献大家都能获取，但是数据的质量参差不齐，负样本较少；虚拟数据往往通过物理建模获得，依赖高精度的量子力学算法和海量的计算资源，可以用于训练和提升AI模型，应用范围受限于物理模型的精度；第三类数据源于在新药研究项目获得的真实实验数据，但是这类数据往往数量较少，代价不菲，其生成效率是瓶颈。”马健表示，药企巨头耗费巨资构建的百万、千万的化合物数据库不一定能保证其在新药研发上成功率更高，药物发现不是数据库越大越好，前提是要知道自己需要什么类型的数据，还要对数据进行非常细致的分析。

浙江工业大学智能制药研究院院长段宏亮在接受智药邦采访时表示，在医药行业中，新药发现领域的数据量，总体上不足或者说是不足以支撑AI模型的运作。从工业革命至今，开发出的创新药也不过几百上千，这些药物又分布在数十类疾病或者数百个靶点上面，具体到某个靶点的新药可能是个位数，每个靶点可供使用的数据量非常有限。数据量的严重不足，极大地制约了AI制药行业的发展。

同时，段宏亮指出，在新药发现中，存在化合物的有机合成这一限速步骤，导致每个活性化合物的获取成本非常高昂。无论是从经济还是从时间成本上考虑，让整个行业来构建海量的数据集都是不可接受的。

对策：引入新技术，扶持创新药企发展

如何解决药物研发所面临的数据问题成为关键。

段宏亮表示，首先可考虑从一些新技术入手，找到一个替代传统有机化学的活性药物分子合成手段，构建得到足够大的数据集；其次，可考虑利用有限的小数据集来训练AI模型，比如，利用迁移学习或Few-shot Learning（小样本学习）的技术，以极其有限的数据去解决一些AI制药的问题。

为了打破数据孤岛，一些药企和AI企业搭建了一套加密共享机制（机器学习平台），在保证隐私和安全的情况下，将各自掌握的数据共享出来，各方只将数据用于学习和训练模型，而不占有数据，这套机制被称为联邦学习。例如，不少药企巨头各自组建或加入了一些AI制药联盟，比如MELLODDYAI联盟就吸引了10家药企和部分技术公司参与，其基于区块链和联邦学习搭建技术框架，在药企之间共享数据，以促进AI药物发现。

但马健认为，不能单纯依靠联盟组织，因为药物发现是一个高度商业化的事情，商业化驱动使得各方对于数据及知识产权的敏感度很高。“比如，我们要设计一辆跑车，只需获取各种跑车的建模数据即可，而不是把卡车、赛车或轿车数据全部拿来，其中有大量的数据是无用的，甚至会产生干扰。”所以，企业一是要知道获取什么数据，二是怎样以高效的方式在项目中创造数据。

解决了数据问题后，如何从整体上推进国内AI药物研发行业进一步发展？首先是鼓励创新，在药物研发上，推动国内从仿制药向创新药方向迈进，目前政策层面已经在扶持创新药发展。其次，从终端来看，如果创新药缺乏市场，创新药企无法扩大市场规模，AI药物研发行业发展也是无源之水，所以要给予创新药企更大的生存空间。

趋势：最快3~5年步入成熟阶段

“从生物医药层面看，大部分创新药企处在fast follow-on 的阶段，也就是快速跟进式的药物研发，通过改造国外的原创新药进行二次创新。未来5~10年，我认为中国生物医药行业将迎来一个追求源头创新的新趋势。”马健说，在此趋势下，AI等新技术将发挥更重要的作用。

同时，AI药物研发行业背后离不开新技术大发展的趋势。一方面是云计算的快速发展，为AI技术提供了算力基础；二是从2016年的AlphaGo到2020年的AlphaFold，深度学习算法不断取得新突破。这些技术进展非常快，但与生物医药本身并没有关系。

根据自身、合作伙伴进展，以及行业最新动态看，马健预判，最快在2021-2022年期间，国内外会出现一批在AI技术加速下，进入到临床试验阶段的新药分子。

接下来，行业将经历一个成长爬坡期。目前国内活跃的创新药企与AI企业合作的案例相对较少，如果与AI企业合作的创新药企数量能过快速提升，将会使得整个行业变得非常活跃，届时将有更多的药企会参与进来，从而使AI药物研发进入到的一个快速增长期。

再经过几年发展，他认为行业将进入一个相对成熟的阶段。在这个阶段，AI+药物研发将不再是生物医药行业中一个概念性技术，而是成为行业中非常核心的一个必要组成部分。

“我认为这个过程，最快2~3年内实现，慢一点可能3~5年内实现。”

“近几年中国药物研发投入增速远超美国，预计市场规模将在3年内超过美国的1/2。”李成涛表示，中国药物研发市场尽管起点不是很高，但天花板非常高，未来有机会成为药物研发全球第一大市场。

注：速石科技、智药邦对本文亦有贡献。