AI药物研发在争议中前行降低百分之70成本

药物发现的过程通常既耗时又费力。

一个成功的新药开发需要突破从可成药的靶点蛋白识别到巨额费用的临床试验等许多难关。

但基于高质量大数据分析和机器学习等人工智能的帮助，可以大大简化药物发现过程，减少所涉及的时间和成本，能开发出更有效和高效的治疗方法。据《福布斯》报道，制药公司通过使用人工智能进行药物发现可以节省近 70% 的成本。

需要明确的是，技术本身并不是目的，解决药物研发的问题才是。换句话说，“黑猫白猫，能抓老鼠的就是好猫”。对于新药研发来说，AI是一只好猫吗？

AI研发降本增效，但行业争议仍存

新药研发的目标在于“设计并合成具有足够稳定性和选择性的分子，达到与靶点蛋白相互作用并扰乱其致病功能的效果，进而实现治疗疾病的目的。”

传统的药物发现过程从一开始就是基于有限证据的盲人摸象游戏，有位基因泰克的高管曾在TED演讲时总结为“瞎猫碰死耗子”。而且过程极其漫长（10-15年）、复杂（需要多名不同背景专家的努力）且昂贵（数十亿美元）。它涉及几个阶段，每个阶段的失败率都很高：

图1 药物开发流程各阶段。图片来源：参考资料1

而人工智能能够在药物研发全生命周期发挥作用，如药物设计、化学合成、药物筛选、多药理学和药物再利用等。它提供了一种更快速、更准确、更高效的方法来发现和设计新药物，达到降本增效的目的。

药物发现：人工智能可以帮助科学家从数以百万计的候选化合物中筛选出最有可能成为治疗方案的化合物。通过机器学习算法，人工智能可以分析大量已知药物的结构、性质和活性，预测哪些化合物具有潜在的生物活性，并加速药物研发的流程。

药物设计：人工智能可以通过模拟分子动力学和分子对接等技术，精准地预测化合物与靶标的相互作用，帮助科学家制定更优秀的药物设计方案。

临床前研究：人工智能可以分析患者的基因组数据、影像数据和生理数据等信息，帮助科学家更好地理解疾病的机制和病理生理过程，以及预测药物在人体中的药代动力学和剂量。这些信息不仅有助于确定最佳的治疗方案，而且可以帮助科学家更好地了解药物的安全性和毒性。

个体化医疗：人工智能可以根据每个患者的基因组、表型和环境因素等信息，为每个患者提供最适合的治疗方案。通过这种方式，科学家可以开发出更加个性化和精确的药物，提高治疗效果并降低副作用。

总之，人工智能在新药物研发中发挥着越来越重要的作用。

但是历史上，AI+医疗也不缺乏失败案例，例如 IBM 的 Watson就未能成功。

2011年IBM 推出认知计算系统 Watson，试图给医学界带来一场革命。但从2018年开始，大批医疗机构与Watson解约。IBM最终于2022年将Watson Health的大部分资产出售。

目前国内外药物研发团队都会使用到的计算药物研发平台Maestro出自业界知名的薛定谔公司，但在最近一次会议中当分析师提到薛定谔是一家AI制药公司时，首席执行官拉米说道：“薛定谔不是一个AI公司，而是一家软件&制药公司。”

他认为，AI并没什么特别，对于薛定谔来说，它只是一个工具，重要但普通。他在采访中说：“对我来说，把自己描述为一个AI公司就像把自己描述为一家使用微软Office的公司。” 他进一步指出：投资者在面对AI时要保持谨慎，应该专注于了解一家公司的真实业务及其专有技术，以此作为投资决策的基础。

在争议中前行

就在同一时期，英矽智能（Insilico Medicine）在6月27日宣布，其已经开始AI研制药物的首批人体试验，为一名中国患者提供了一种治疗慢性肺部疾病特发性肺纤维化的新型疗法。该药研发代号INS018_055，是全球第一种完全由AI设计和研制的药物，目前已推进至2期临床试验验证阶段，或即将成为制药业的重要里程碑。

INS018_055进入临床2期就是将AI和DD（药物发现/设计）有机结合的有力证明。

笔者看来，薛定谔代表的传统计算机药物设计软件公司和英矽智能代表的新兴AIDD公司就好比是黑猫白猫。传统的CADD软件公司也不断在自己的计算平台中加入先进的AI算法提高软件性能。比如业界常用的商业套件薛定谔公司maestro，德国Biosolvit公司的SeeSAR以及Cresset公司spark等优秀代表。

以激酶抑制剂TYK2为例，之前曾被宣传为“AI驱动的药物研发”的典型。但实际上，该案例是由薛定谔子公司Nimbus以BMS发表的分子结构为参考，在进行FEP（Free Energy Perturbation）计算优化的基础上得到的结果。FEP计算方法被广泛应用于预测同系物的结合自由能变化，近年来，得益于计算机性能的飞速发展，它已经成为药物设计中研究自由能的主要手段。

CADD领域的专家告诉笔者，基于传统虚拟对接和MMGBSA计算的候选化合物与实际测试后的化合物活性相关性不到30%。最近随着计算能力的提升，利用自由能计算（如FEP）等技术，可以将激酶抑制剂等化合物的活性预测准确率提高到70%。需要特别关注的是，FEP等功能的授权价格十分昂贵。且这类技术属于关键技术，一旦遭到国外公司的拒绝授权，就类似于关闭了GPS导航系统。

幸运的是，近几年国内也涌现出不少优秀的人工智能药物研发公司，有望打破技术垄断给更多研究团队四两拨千斤的工具：

深势科技Hermite平台

该平台基于机器学习，并以自由能微扰为基础，推出了名为Uni-FEP的先导化合物优化工具，以与传统CADD商业软件进行竞争。据介绍，Uni-FEP采用了自由能微扰理论、分子动力学和增强采样算法，能够高效、高精度地评估蛋白质与配体的结合亲和能。

英矽智能PharmaAI平台

英矽智能利用靶标发现平台PandaOmics和Chemistry42利用人工智能预测用于抗衰老和治疗与老龄化相关疾病的双重靶点。

图2 PandaOmics工作流程。图片来源：参考资料2

英飞智药PharmaMind平台

由北大和英飞制药开发的PharmaMind最新版本。英飞智药将PharmaMind推向了全新的V3.8版本，同时隆重推出了最新的工具模块——PharmGPT。这一模块属于受限的GPT分子生成模型，其设计思想基于药效团的粗粒化概念。为了进一步提高药物研发的成功概率，PharmGPT结合百万活性化合物小分子与其药效团的对应关系进行自回归学习。这种方法使得研究人员能够勘探那些在药效团上保持一致性的、同时在结构上又别具新意、拥有合成潜力的全新化合物。

除此之外，PharmGPT还具备重现多款现有临床药物分子结构优化过程的能力。借助人工智能设计工具，它能够协助研究人员进行回顾性的分子设计和评估，从而充分展示了分子设计的效果与威力。

图3 PharmGPT的界面友好功能齐全 图片来源：英飞智药

小结

目前看来人工智能可以通过降低成本和时间并增加每个阶段的成功机会来显着改善药物发现过程。比如上述三个案例都通过利用机器学习算法分析大数据集来加速药物靶点识别的速度。

机器学习的引入还可以用于分析现有临床前研究的大型数据集，例如基因表达数据，以预测先导分子的功效和安全性，从而减少临床前试验的时间。通过大量学习医学影像，除此之外人工智能在图片识别领域的应用可以帮助医生进行病灶区域定位，减少漏诊误诊问题。人工智能用于医疗诊断，意味着全社会都能得到更高效、更准确的医疗救助，更短的等待时间和更低的错误率。

图4 当前药物研发流程和2030年各个阶段变化方向分析。图片来源：毕马威研究报告

AI技术的发展让人们对药物研发有了新的期待。就像从计算机的诞生到智能手机的普及，随着AlphaFold2和ChatGPT的出现，人们看到了AI技术的强大和创新。AI技术不仅能提高药物研发的效率和质量，还能降低成本和风险。AI技术是药物研发的新动力，也是人类健康的新希望。

如有侵权请联系删除

来源：博药/费翔