21世纪经济报道 记者魏笑 实习生宋家哲 深圳报道ChatGPT引发的人工智能浪潮正席卷全球，给AI制药带来了前所未有的发展机遇，但也引发了对行业发展的进一步思考。

“尽管现在没有哪一款已上市的药物是AI算出来的，但AI参与研发的管线越来越多，未来一定会有更多药品进入临床、甚至上市，这只是时间问题。”近日，在一次行业交流会上，晶泰科技CEO马健在接受采访时向21世纪经济报道记者等表示。

(相关资料图)

AI可助力从靶点发现后到临床前研究的过程。马健表示，药物研发是一个假设检验的过程，假设会被更多的提出来，而检验速度更快，代表着成功机会更高。

随着AI制药的火热，大批公司涌现。截至2022年，全球约有600家AI药物研发公司，中国已有近80家相关企业，英矽智能、晶泰科技及冰州石生物三家企业发展迅速，在海外享有较高知名度。

目前AI制药公司形成了CRO商业模式和自研管线模式。前者会给传统制药企业或其他公司“做外包”，用AI技术预测甲方需要的药物，后者则将掌握药物和技术专利。

药物研发过程复杂，失败率高，从临床审批、研究到最终的上市是一个极其漫长的过程。因此很多企业选择不需要承担临床试验风险成本的对外合作管线（CRO）。

值得注意的是，虽然AI制药可助力提高药物研发效率，但同样需要遵循制药业本身的逻辑，在正视其工具属性的前提下，未来还有很长的路要走。

AI制药分为两个技术路径，其一是利用AI的归纳推理能力和算力优势，通过对分子动力学、分子动态变化进行模拟计算，从物理层面演绎现有的分子结构，加速筛选优化先导物。

另一个技术路径是类似于ChatGPT的生成式人工智能，是基于经验和大数据的训练，快速设计全新的分子结构，这一路径的AI系统创新性相对更强。但ChatGPT可以生成预测和假设，不能进行实验或测量化合物的性质。因此，模型作出的预测需要实验验证。

通过机器学习（machine learning，ML）、深度学习（deeplearning，DL）等方式赋能药物靶点发现、化合物筛选等环节，可以提高新药研发的效率，为降本增效提供了可能。目前应用AI技术，能够使新药研发的成功率从12%提高到 14%，每年为全球节约化合物筛选和临床试验费用约550亿美元。

国内本土的市场参与者中，探索AI+新药研发的企业主要有三类：一是AI药物研发创新企业，如Exscienta、BenevolentAI、Atomwise、Relay Therapeutcs、晶泰科技、燧坤智能等；二是IT巨头，如Google、微软、腾讯、阿里巴巴集团等；三是大型制药企业，如罗氏、阿斯利康、强生、葛兰素史克（GSK）等。

其中约40%提供自研管线，约80%提供CRO服务。大部分企业还处于融资阶段，在业务布局上，几乎所有企业都停留在技术落地更快的化合物筛选和设计环节上，对于临床前研究阶段鲜有涉及。

这是因为新药研发是个高投入、高成本、低成功率的过程。药物研发的过程受到严格监管，药物必须经过一系列临床前研究和临床试验才可能被批准上市。很多进入临床试验的药物最终却跌入“死亡之谷”未能获批上市。

因此就会导致药企扎堆热门靶点，而寻找新的靶标变得越来越困难。很多企业选择不需要承担临床试验风险成本的对外合作管线（CRO）。而对此来说，在药物上市之前，谁拿到的合作管线越多，说明谁的技术实力得到的药企的认可越多。

据量子位智库估计，国内的管线首付款平均为280万美元，里程碑价格则根据具体药物波动较大，完成后最高甚至能达到数百亿元。

AI具备强大的数据分析和深度学习能力，可以快速处理和解析大量的生物化学信息，帮助科学家筛选出合适的化合物，设计优化药物分子结构，从而缩短研发周期，节约研发成本。

同时AI制药公司需要在前期打通数据、算力、算法。从AI深度学习模型的角度出发，最关键的环节之一是数据。数据量是否够多，数据质量是否够好，都决定了AI模型的效果。相比传统湿数据获取速度慢，利用高通量、智能化、自动化、可控制、CV识别细胞形态等相关技术搭建智能实验室，自主生产实验数据，可以大幅提高数据获取速度。

就国内AI制药企业来说，晶泰科技从2018年开始布局实验室，2019年探索自动化实验室的自主研发之路。目前已建立起一整套量子物理干实验室与先进湿实验室紧密结合的研发迭代流程。

2021年是AI制药发展的强盛期。DeepMind的深度学习算法Alphafold刚刚被验证能够准确预测蛋白质的三维结构，就遇到了那一年的Biotech上升期。AI制药公司的数亿融资俯拾皆是，与药企合作捷报频传。

作为国内AI制药的头部企业，晶泰科技在2021年时也经历过50家国际机构融资竞标、额度达到8亿美元、投后估值达到19.68亿美元的盛况。然而，随着2022年生物医药市场环境的失速，公司不得不搁浅了美股IPO的计划。

这背后的逻辑在于，AI制药本质上具有的工具属性。AI制药并不能帮药企解决关键卡点问题，AI学习的优势也正是它的劣势所在。纵然AI制药可以提高效率，加速药物筛选，但AI学习的资料是基于人类已经创造的实验数据，对于新的靶点信息，AI还没有办法创造，也不能帮助药物完成临床试验阶段。

据智药局统计，目前绝大多数AI制药处于临床I期。截至2022年底，全球获批临床的AI药物管线有80条，其中有41条推进到1期，约占总数的一半；推进到2期的管线有29条。目前市场还没有见证到AI制药的最终产品——2022年，第一款由AI设计、号称只用了12个月便进入临床的分子DSP-1181因I期未达标而折戟。

在今年4月，英国上市AI制药公司BenevolentAI宣布其用于治疗特应性皮炎的局部泛Trk抑制剂BEN-2293的IIa期临床试验，没有达到次要疗效终点，即无法减少患者的瘙痒和炎症。

上个月，BenevolentAI宣布公司的战略调整，裁员近180人，比例接近50%。然而此次裁员距离BenevolentAI上市仅仅过去一年。2022年，BenevolentAI公司报告经营亏损1.97亿英镑，其中药物研发支出大幅增长，从2710万美元增长到4320万美元，产品和技术支出为2430万英镑。

实际上，药物研发的难点和门槛不仅在于技术，还有不确定性。体外和动物模型表现优异，不代表在人体内安全性和疗效良好。

FDA发表了《在药物和生物制品开发中使用人工智能和机器学习》。FDA认为AI/ML在药物开发中最重要的应用之一是努力简化和推进临床研究。例如，AI/ML正被用于分析来自介入研究（也称为临床试验）和非介入研究（也称为观察性研究）的大量数据，以推断药物的安全性和有效性。

AI制药虽然在技术上比现存制药方法有提高，但同样需要遵循制药业本身的逻辑。随着时间的沉淀，AI制药资本逐渐回归理性，在正视其工具属性的前提下，在未来还有很长的路要走。