生成式AI驱动新药研发 助力难成药靶点开发是关键 产业配套仍待成熟

2023年以来，AI医疗的场子特别热！ChatGPT的火爆将AI技术、生成式技术与其他行业的融合推向了新的讨论及实践高度。其中，医药行业是与这些革命性技术结合的重要方向，企业家、投资人在行业会议里乐此不疲地谈论着。

AI医疗相关概念在资本市场上亦持续发酵，从今年年初至今，智能医疗板块已累计上涨超15%。

事实上，AI医疗已经不是第一次爆火，这一次有什么不一样？现在行业发展到了哪一步？还面临哪些挑战？这些都是市场关注的问题。

《科创板日报》记者今年以来就AI医疗领域参加了多场行业论坛，本篇文章将把记者获取到的最新资讯以及对明星创业者、专家学者、投资人的采访进行整理，以更有针对性的回答上述问题。

▌AI或打开创新药研发想象空间

2021年7月，DeepMind公司与欧洲生物信息研究所（EMBL-EBI）合作开发的AI系统AlphaFold2，荣登Science杂志公布2021年度科学突破榜单榜首。其能够预测出超过100万个物种的2.14亿个蛋白质结构，几乎涵盖了地球上所有已知蛋白质，在制药界引起很大轰动。

与AlphaFold2针对已知蛋白质序列预测蛋白质结构不同，生成式AI模型可以生成全新的蛋白序列或结构。

有市场观点认为，AI+医药真正的魅力体现在使不可能发现的靶点及成药机制成为可能，拓展用于药物研发的初始蛋白结构库，创造新的药物方向及增量市场。

“AI是一个持续在增长、且泛化能力更强的技术，所以我们有理由相信只要去拥抱它，可能医疗真的会变得不一样。只是我们需要先找到问题在哪里，然后再看怎么用技术去解决这样的问题。”启明创投执行董事毛硕在第七届未来医疗100强大会生成式AI与医疗健康论坛上说。

在英矽智能联合首席执行官、首席科学官任峰看来，传统药物研发面临着研发费用高、成功率低、周期长等问题。“这主要是因为目前有三方面的问题还没有得到解决，一是没有找到好的靶点，二是如何生成好的分子，三是如何设计好的临床试验方案。而这也正是AI可以起到作用的地方。”

英矽智能是全球率先将生成式AI应用于药物发现领域的公司，已经成功赋能多款抗肿瘤候选药物的发现和设计。

“英矽智能的AI平台建立在生成式AI的基础上，包括靶点发现平台PandaOmics，分子生成平台Chemistry42和临床试验结果预测平台inClinico。另外，我们有2款已经推进到临床阶段的药物，也均出自生成式人工智能平台，包括一款全新机制用于治疗特发性肺纤维化的候选药物，还有一款靶向主蛋白酶的口服新冠小分子。”任峰说。

比如，英矽智能的多模态生成式强化学习平台Chemistry42，就是建立在多年对大型生物、化学和文本数据集建模和训练的基础上，包括42个生成式AI模型和超过500个用于评分的预测模型，帮助研究人员通过基于结构的药物设计（SBDD）和基于配体的药物设计（LBDD）思路，利用尖端深度学习技术从头开始生成具有所需特性的分子。

据任峰介绍，这42种生成式AI模型包含了生成式对抗网络（GANs）、自注意力机制为基础（Transformer-based）的知识图谱、大型自然语言模型等多种可生成虚拟分子结构的算法；而预测模型可以判断每种模型所生成的候选分子是否达到所需特性，包括分子的成药性、稳定性、靶点选择新、是否有晶型盐型等等。

“我们还会利用强化学习对生成未达标分子结构的生成算法进行惩罚，反之进行奖励，通过这种过滤机制去掉不准确的分子。这与ChatGPT的强化学习（RLHF）模型是一样的道理。”任峰说。

深势科技联合创始人兼CEO孙伟杰也认为，AI可以帮助新药研发做到过去做不了的事。深势科技是AI for Science的标杆企业，该公司曾在18个月内连续完成四轮融资。深势科技开创性地提出了「多尺度建模+机器学习+高性能计算」的革命性科学研究新范式，并推出了Bohrium微尺度科学计算云平台、Hermite药物计算设计平台、RiDYMO强化动力学平台及电池材料计算设计平台等微尺度工业设计基础设施，颠覆了现有研发模式，打造“计算引导实验、实验优化设计”的全新范式。

AI for Science 简单来说就是用 AI 去学习一系列事物底层运作的科学规律。

孙伟杰表示：“ AI for Science 也已经进入到预训练模型时代了，那 AI for Science 所处的行业阶段差不多相当于 LLM 在 2018 年左右的时候个阶段。因为我们可以发现 AI for Science 的预训练模型，它的能力要远远超过我们任何一个细分的科学问题上的小模型，那说明整个领域的发展正在变成由预训练模型来驱动的。”

“比如一些难成药的靶点，现在可以开发了。以深势科技RiDYMO平台为例，就可以对蛋白动态构象进行充分采样，探索全新的隐藏/别构口袋，诱导形成可药口袋，助力难成药靶点的理性开发。其实这本质上是把一个生命科学的问题，转化成了计算工程的问题。”孙伟杰说。

孙伟杰表示：如果说 GPT 是一个通识的文科生， AI for Science 就是一个硬核的理科生，它可以求解一系列复杂的物理方程，可以去推演在微观层面电子、原子分子的运动和变化，来帮助我们做药物研发等各种场景。所以说，AI for Science 可以说是我们研究我们的客观世界一个基础的 AI 的预训练模型。

▌合作生态逐步成熟

近年来，AI制药行业定位更多元化，越来越垂直和深入到细分领域中解决实际问题，思考也在迭代。企业也开始更清楚AI在各环节可以发挥的作用和自身战略定位。

在2020年后，可以看到药企对AI制药的态度从谨慎转变到更大规模的合作。

进入2022年，晶泰科技与正大天晴等传统药企陆续达成合作，将共同研发新一代抗肿瘤药物；英矽智能则与复星医药建立了管线共同开发的合作；深势科技也与翰森制药达成合作，共同推动后者小分子的药物研发工作，并于近日与上海交通大学药学院、晶泰科技等达成战略合作共同推进AI for Science 在药物设计中的实践。

图|国内2021-2022年药企+AI合作一览，资料来源：智药局，浙商证券研究所

此外，多家CXO上市公司也先后披露了AI布局情况。CXO公司纷纷通过自建及合作、投资等方式丰富了自身的AI+服务平台，相关公司包括成都先导、药石科技、泓博医药、药明康德、美迪西、皓元医药等。

一位CXO企业负责人对《科创板日报》记者表示，现在他们对于AI对新药的发现及生产的帮助是绝对肯定的，“我们公司也引入了AI，并且会向客户做介绍。”但同时他也认为，AI是一种技术和手段，可以拥抱，但完全依赖于这个技术不太可能。

▌还有哪些挑战？

当然，AI技术与医药行业的结合，目前仍有很多挑战和问题需要克服。

启明创投执行董事毛硕指出，这其中就包括数据安全、数据共享、患者隐私、伦理等一系列问题，相关的法律基础、社会制度及政策都亟待发展。

“比如，AI导致的错误或风险怎么办，我们如何让监管层放心企业使用AI技术。这是谈AI技术与医药行业融合要关注的一个重要问题。如果这些方面没有实质性进展，AI技术在医药行业的普及是要受到挑战的。”毛硕说。

另在置身于产业中的孙伟杰看来，AI for Science基础设施建设需要的要素也还不够成熟。

首先是跨学科人才的紧缺，AI方面的人才、科学计算的人才、大规模工程建设的人才、基础学科领域的研究人员等，他们得紧密地配合，才能完成基础设施建设。

其次是硬件上的挑战，如果要达到大规模工程化体系，相应对于芯片、网络、存储等方面的需求也要跟上。

最后落到应用端上，即要找到适合用AI求解的问题。这即需要在底层算法上进行持续创新，也需要和制药企业一道对 AI for Science 新范式下的药物研发流程进行重新思考和实践验证。