新華財經上海9月21日電（記者楊有宗、杜康）縱觀生物醫藥發展史，藥物發現曾長期受制于偶然性。近年來，人工智能被廣泛應用于生物醫藥行業，在提升識別可商業化候選藥物的同時，降低新藥研發成本和時間。從國內來看，包括英矽智能、晶泰科技、深勢科技等人工智能制藥企業相繼崛起，從全球范圍看，輝瑞、諾和諾德等大藥企也開始廣泛關注并進軍這一領域。
在人工智能+醫藥研發駛入快車道的同時，市場也有擔憂，這究竟是顛覆式創新還是資本噱頭？業內人士普遍認為，人工智能+醫藥研發前景廣闊，但目前來看，其作用主要體現在藥物篩選階段。此外，行業還面臨復合型人才短缺及數據使用限制等難題等待破解。
AI+制藥熱度升溫新賽道逐漸擁擠
在上海張江的一棟辦公樓里，英矽智能科技（上海）有限公司聯合首席執行官、首席科學官任峰對記者說，該企業開發的一款靶向主蛋白酶(3CL)用于治療新冠肺炎的全新候選藥物，最早將于今年年底進入臨床試驗。
成立僅有幾年時間，但英矽智能在業界已引起廣泛關注，而且已完成D輪融資。2019年9月落戶上海后，企業規模在不斷擴大。記者采訪時發現，這家企業在上海的辦公室已達百人規模，由于人員規模擴張較快，企業剛剛從一處較小的辦公場所搬到這里。
任峰介紹說，相比于已有治療新冠的藥物，英矽智能的候選藥物有幾大優勢，首先，該款藥物從原料到合成化合物僅僅需要兩步，合成效率更高，“比如輝瑞的治療新冠的藥物，從原料到最后合成就需要七步”；其次，該款藥物不需要與其他代謝酶的抑制劑聯合使用，可以進一步降低藥物的毒副作用。同時，該款藥物還具備廣譜抗病毒特點，“藥物不僅對新冠病毒具有療效，并且對其他冠狀病毒，包括SARS、MERS等均顯示出抗病毒活性。”任峰說。
此前，英矽智能還利用人工智能平臺發現和設計抗纖維化候選新藥ISM001-055，目前，該藥物已啟動在中國的I期臨床試驗，完成了首批健康受試者給藥，這也是首個由人工智能發現和設計的，在中國進入臨床試驗的藥物。
除英矽智能外，國內幾家有代表性的人工智能制藥企業如晶泰科技、深勢科技也都落戶上海張江。人工智能制藥企業扎根于此，離不開張江雄厚的生物醫藥產業基礎。浦東新區提供的數據顯示，目前，張江科學城已集聚1400余家生物醫藥創新主體，全球醫藥前10強中有7家入駐張江；全球醫藥20強在張江設立9家開放式創新中心。
“我們定位于做AI制藥，所以我們非常希望未來在浦東新區能夠實現干實驗和濕實驗的閉環，能把我們的AI技術充分結合張江一系列的前沿科技，最后誕生好藥。”上海深勢唯思科技有限責任公司生物醫藥事業群副總裁范夢奇說。
通俗來理解，干實驗是指新藥研發在實驗室之前通過計算工具、模型的篩選階段，濕實驗則是指實驗室相關階段。
“新勢力”不斷進入這條新賽道，傳統醫藥巨頭也紛紛下場。如輝瑞與晶泰科技合作，用6周就確認了新冠藥物Paxlovid的優勢晶型。
今年以來，多家上市藥企也加速布局這一賽道，包括云南白藥、復星醫藥等企業紛紛進入。9月12日，諾和諾德宣布與微軟達成合作，將微軟的計算服務、云、人工智能和諾和諾德的藥物發現、開發等能力相結合。此前，諾和諾德還與生命科學機器人技術公司HighResBiosolutions達成合作，雙方將設計一個最先進的機器人平臺，用于高通量生物制品工程和特性分析。
瞄準生物學、化學、臨床試驗三大痛點
“傳統新藥研發主要面臨三大痛點，一是和生物學相關，找不到合適的靶點；二是和化學相關，找不到成藥性好、結構新穎的化合物；三是和臨床試驗相關，從藥物研發歷史看，臨床試驗方案設計與新藥研發的成敗息息相關。”任峰如此總結制藥行業面臨的三大痛點。
正是這三大痛點，讓生物醫藥行業陷入“倒摩爾定律”的怪圈：也就是即使投入巨量資源，但新藥研發的成功率、回報率也非常低。有行業報告提供的數據顯示，目前一款新藥的平均研發周期達到10年以上，投入資金在20億美元左右。即使候選藥物通過I期臨床試驗，其進入市場的可能性也僅為約5%。
“據德勤的報告，過去十年來制藥公司的研發投資回報率一直處于下降趨勢，從2010年的10.1%到2019的1.8%，老實說還不如直接把錢存在銀行回報率高。”一位業內人士對記者說。
人工智能+醫藥研發瞄準上述三大痛點，以提高效率和成功率為突破口，賦能新藥研發。
任峰介紹，針對上述三個痛點，英矽智能設計了三個平臺，分別為PandaOmics，通過深度解讀組學數據及分析全類型數據，發現和評估合適的藥物靶點；Chemistry42平臺，針對選定靶點從無到有設計出具有特定屬性的化合物；InClinico完善臨床試驗方案設計并對成功概率進行預測。
任峰以進展最快的抗纖維化項目舉例。首先研發團隊通過PandaOmics尋找疾病與靶點間的關聯，發現了一個全新的泛纖維化靶點。接著利用Chemistry42基于生成式對抗網絡技術，從虛擬庫的上千萬分子和從頭生成的化合物庫中，篩選出大約2000個分子。然后根據藥物作用的選擇性、生物利用度、代謝穩定性、口服給藥性、安全性等多個維度挑選出78個分子進行合成，最終確定了一個臨床前候選化合物。
“從立項到獲得臨床前候選化合物我們用了18個月時間，傳統方法大約需要4年半。”任峰介紹道。
范夢奇舉例說，通過人工智能技術應用，可將分子篩選這一過程從過去的一兩年縮短至一兩天。“目前深勢科技已參與11條藥物研發管線，最快的管線已經到了工藝表征階段。”
數據和人才兩大瓶頸待破解
人工智能+醫藥研發并非“無所不能”，也面臨一定的局限性。“目前人工智能技術還比較多用于早期藥物發現和評估。一旦到了動物實驗環節，從全世界范圍看，人工智能能做的工作還是比較有限的。”范夢奇說。
業內人士認為，行業發展還面臨數據和人才兩大瓶頸。在人才方面，人工智能+醫藥研發需要大量的既精通人工智能、算法，又懂生物醫藥研發的人才。“找到兩方面都非常專業的復合型人才很有挑戰，我們目前的選擇是找到一方面專精的人才，然后再慢慢培養補齊行業所需要的其他方面的知識。”任峰說。
據記者了解，部分高校也已開設生物信息學等交叉學科，以適應行業發展需要。
在數據方面，由于人工智能平臺的訓練需要大量的數據支撐，目前數據收集一方面受合法合規限制，另一方面，則由于傳統醫院治療過程中，更多將診療信息紙質記錄，即使采用數字化方式記錄，也普遍存在格式不統一問題，將其清洗、整理為可供人工智能平臺使用的數據，也較為費時費力，過程較為復雜。
一家人工智能主要企業負責人說，其供人工智能訓練使用的數據主要來自國際上已開放的數據，國內的相關數據使用還面臨監管和法律法規方面的限制。“這需要監管方加強引導，進一步明確哪些數據可以用、怎么用，哪些數據不能用”該負責人說。從更深層次上看，還涉及醫療數據的所有權歸屬問題。如病人看病問診的數據，到底是歸患者所有，還是歸醫院所有？這都有待相關法律法規進一步明確。
針對數據紙質記錄及數字化記錄不規范問題，也有醫療企業在進行數字化改造。如前不久舉行的2022世界人工智能大會上，GE醫療展示的一套PeriOpx20系統就可以針對臨床需求，提供全流程數據收集、可視化展示、結構化存儲及智能應用，業內人士認為，隨著類似系統廣泛在醫院應用，可以為人工智能制藥行業提供更多可用和規范的數據。
