默沙东、辉瑞纷纷合作，盘点全球40余家AI辅助制药企业，超10亿美元研发注资能否改变窘境？

影视作品或许能促使制药商重新考虑定价，影响进口药物税率，推动国内医保改革，但对于新药的研发却无能为力。平常人可能难以体味等待药物的绝望，唯有局中人才能体会其中的心酸。

据2017年的评估显示，一款药物上市的成本高达30亿美元，而药物的研发时间至少也需要5年。

一般情况下，企业研发的十种药物仅一种能成功上市。这种高成本低成功率的投资阻碍了新药的研发，也抬高了新药研发的门槛。

一直以来，众多学者在为了改变药物研发的窘境而不懈努力，但新药研发速度提升缓慢。现在，AI技术的不断发展似乎为新药研发带了新的方向，或许可以改变这一暗淡的现状。

大型药企融合科技公司加速研发

近年来，众多大型药企通过并购、战略合作等方式将制药轨道引入智能化。一家企业采取合作可能是出于偶然，而众多药企纷纷行动则可见一斑。

由于人工智能的能力严重依赖于数据质量，众多大药企能够从其庞大的数据库中整理出有效的化合物、病毒、临床实验等信息。对这些珍贵的数据进行整理，进而涌现新知识，是他们急切的寻求科技公司合作的动力之一。

2015年，默沙东与美国的Atomwise合作，其开创性的AtomNet技术平台能像人类药物化学家一般逻辑思考，它每天使用强大的深度学习算法和超级计算机工具分析数百万的潜在疗法，从而加快药物研发进程。主要针对的是新药的有效性和安全性预测。

2016年11月，BenevolentAI与强生达成合作，强生把一些尚处于试验中的小分子化合物转交给了BenevolentAI，进行新药开发。

BenevolentAI的技术平台利用人工智能技术，从这些散乱无章的海量信息中提取出能够推动药物研发的知识，提出新的可以被验证的假设，从而加速药物研发的过程。

2017年5月，据GEN网站报道，赛诺菲与Exscientia签订了一项潜在价值为2.5亿欧元(约2.76亿美元)的合作和许可交易。这一交易旨在开发针对代谢疾病的双特异性小分子药物。

2017年6月，Numerate公司与武田药业正式签约，就使用Numerate公司的人工智能技术（artificial intelligence, AI）寻找肿瘤学、胃肠病学和中枢神经系统疾病的小分子药物展开合作。

2017年7月，大型药企葛兰素史克日前宣布，与英国AI企业Exscientia达成约4300万美元的交易。Exscientia会使用其人工智能平台，协助葛兰素史克药厂进行10款药品研发。

2017年，阿斯利康与Berg Health签署合作协议，利用Berg的AI平台发现帕金森等神经类疾病的新靶点。同时，2018年阿斯利康宣布与阿里巴巴合作，利用人工智能技术改善疾病诊断和治疗。阿斯利康内部也在尝试开发药物自动化发现平台。

Exscientia将负责所有化合物设计，赛诺菲提供化学合成。此外，赛诺菲保留了许可“相关化合物”的选择权，将承担未来的临床前和临床开发。

Exscientia将获得用于鉴定“靶点对”以及优先候选药物的研究经费，并有资格获得未来非临床、临床以及销售相关的里程碑付款。

IBM Watson与辉瑞达成了一项新协议，会将前者的超级计算能力用于癌症药物研发。

辉瑞将用上Watson for DrugDiscovery的机器学习、自然语言处理及其它认知推理能力，用于免疫肿瘤学(Immuno-oncology)中的新药物识别，联合疗法和患者选择策略。

人工智能能够从哪些方向为新药研发带来便利

从新药研发的流程入手，“AI+新药”主要可以从一下几个角度出发提高新药研发效率。

1、AI用于筛选生物标记物或靶点

以生物标记物或靶点作为“AI+新药”应用方向的企业数量最多，也是大药企的重点研究方向之一。

以Numedii为例，研究人员通过AI对上亿个经过标准化注释的生物学、药理学和临床数据进行分析，以获得候选药物和生物标记物。

最近的研究显示NuMedii的技术找到的抗抑郁药在小细胞肺癌试验模型中有效。一旦找到新适应症和在适当的临床前模型中得到证实，NuMedii还将就药物的新用途做制剂和给药的设计优化，来推进项目进入早期临床阶段。

2、AI用于构建新型药物分子

用AI构建新型药物分子存在一定难度，不同的企业构造药物的目的不同。一些企业尝试用AI技术帮助寻找某一药物不受专利保护的相似的化学结构，加速仿制药的研发，而Insillico Medicine研究靶标生物大分子的结构来进行药物分子设计。

该公司的GANs平台通过使用两个竞争神经网络模型，创建不同于真实数据的新数据，从而训练心得分子结构的方法，大幅减少寻找潜在药物特性物质的时间和成本。

3、AI用于新药有效性、毒副作用测试

此类公司为制药公司、创业公司和研究机构提供候选药物预测服务。Molplex公司研发了AI技术平台Optiplex，从大数据中提取疾病和化合物之间的联系，预测潜在药物的有效性和毒副作用，帮助选择最佳的候选药物。美国的Atomwise曾仅用一周的时间模拟出两种化合物用于埃博拉病毒治疗。

4、AI用于药物挖掘

药物挖掘的方式多种多样，其核心是运用NLP算法对海量的化学库、医学数据库和常规途径发表的科学论文进行扫描，识别新颖药物、药物基因和其他与治疗有关的联结，寻找潜在的药物新分子。

BenevolentAI通过深度学习和自然语言处理理解和分析大量的生物科学信—专利，基因组数据，生物医学期刊，和数据库每天上传的10,000多份出版物，现已获得了一定数量的临床阶段的新药物，以及相关专利的独家许可证。

5、AI用于基因分析

对于单一结构、海量的基因数据，AI能够有效的从数据中挖掘到有价值的信息，这是人类所无法做到的。

Engine Biosciences利用人工智能了解并测试基因的相互作用，分析产生的数据，破译复杂生物网络，测试针对这些相互作用的疗法，对精准医学应用进行分析与预测。Envisagenics通过AI帮助研究人员确定受到选择性剪接（包括癌症和遗传疾病中发现的）错误影响的基因。

6、AI用于新型药物靶点和组合疗法

Watson旨在帮助生命科学家发现新的药物靶点和替代性药物。可以帮助研究人员查看不同的数据集，通过动态可视化来发现药物与疾病的新联系。

将Watson的超级计算能力用于其研发新型抗癌药中，分析大量公开的可用数据以及公司自己的数据，不断假设药物靶点，然后实时交互得到有证据的结果。

主要用于免疫肿瘤领域新药物靶点的发现，组合疗法的研究，及患者的治疗策略。IBM Watson Health和辉瑞签署协议来加快研发新型抗癌药，已有化合物在临床实验阶段用于帕金森症的治疗。

7、AI加速临床试验

临床试验作为新药研发的最后一阶段，难度相对较小，但如果能加速临床实验过程，同样可以加速新药研发进度。为此一些AI公司选择了临床实验为突破点进行优化设计，如零氪科技就利用于大数据整合患者资料，加速临床试验寻找患者这一流程。

对整个研发流程进行成本控制

如果说加速研发是新药研发的躯干，那么成本控制则新药研发的血液。

新药研发是一个漫长，昂贵和带有偶然性的过程。上千个化合物要历经一系列验证，到最后或许可能只有一个是有效药物。

根据Tufts药物研发中心统计，每个新药研发成本大约25.58亿美元，周期大概十年，其中6-7年都是临床试验阶段，只有12%的药物可以通过临床验证。

另一方面，即使已经进入市场的药物也将面临仿制药或新其他企业新药的竞争。默沙东在2016年推出的健愈得子用作一种常见肺癌类型的首先治疗方案时拥有显著的疗效，其销售量在2017年大概增长了两倍，但随后罗氏制药和阿斯利康也纷纷推出自己的免疫肿瘤类药物，默沙东将再次面临严峻的挑战。

任何加速新药研发的手段都可以极大的刺激新药研发市场，研发周期的缩短将节省大量研发成本，同时加速产品迭代，新药市场将更具可替代性，竞争也会更加激烈。消费者可以从中收益，企业也不再像过去那样进行孤注一掷的投资。

我们可以从药物的整个研发过程中探索AI降低新药研发成本的途径。

1、药物的发现

药物化合物在考虑参数的情况下存在1060种可能，目前最高通量的筛选技术每天可以筛选106个分子。人工智能在这一阶段可以通过不同的形式对分子进行筛选，以提高筛选速度。

德国明斯特大学有机化学家和人工智能研究员Marwin Segler以及他的同事开发了一款新AI工具，使用深度学习神经网络来吸收所有已知的约1240万种单步有机化学反应，这使它能够预测在任何单一步骤中可以使用的化学反应。

工具重复应用这些神经网络来规划多步骤合成，解构所需的分子，直到它最终得到可用的启动试剂。通过这种方式AI能够加速逆解构的进程，节省大量的时间，自然也节约了大量成本。

2、临床前研究

AI通过对大量数据、文献的分析可以很好的改善原材料合成研发，升级的工艺可以减少后续实验的次数，有时还能降低原料成本。

在获得药代动力学数据后，AI可以更精确的指导临床研究，指导临床时给药的频率和剂量。

虽然研究人员更追求毒理研究的速度而非常成本，不少AI企业仍可通过预测毒副作用作用以减少实验次数。

3、临床试验

不同的AI所面向的临床时期不同，但其根本目的是缩短临床试验周期在AI指导下的临床设计更加客观准确。一些AI公司可以通过算法从数据库中寻找细节相符的患者，准确的匹配率将降低临床测试的时间，从而减少临床实验中的人力成本。

2007年至2016年临床试验数量

超过20家初创公司在新的一年中加入战局

在2017年动脉网对“AI+新药研发”的初创企业盘点中，国内相关企业仅晶泰科技一家。一年过去后，国内国外都发生了众多变化，如今的“AI+新药研发”已经形成一种全新的格局，各个初创企业的方向覆盖了上述的所有领域。

相比于2017年，国内在2018年新增了智药科技、深度智耀、AccutarBio、零氪科技四家企业利用AI技术深入药物研发，表格之外仍有不少药企正在开放针对性的深度学习算法。

从资金流入来看，截止2017年6月，动脉网统计的14家“AI+新药”企业总计获得融资2.7682亿美元，截止2018年7月，新流入的资金超过6亿美元，超过过去14家公司融资数目总和，出现井喷式增长。

而打上“AI+新药”标签的公司已达40余家，随着人工智能技术的不断发展，若初始投资有所成效，资金将会以数倍的方式流入。

从表格中可以看到，在上次盘点（2017年6月）的基础上，共22家公司获得新的融资，部分公司如Berkeley Lights C轮融资达5650万美元，Datavant融资4050万美元，Recursion Pharmaceuticals融资6000万美元，Nimbus Therapeutics融资6500万美元，BenevolentAI则获最多的11.5亿美元融资。

这些AI+新药的公司分布以英美为主，其次是中国（5家）和加拿大（3家），新加坡、韩国、德国均有一家公司。

五家国内企业都在如何运用AI参与新药研发

1、晶泰科技

晶泰科技是第一家由谷歌与腾讯两大科技巨头共同投资的AI公司，也是国内首家与世界顶级药企宣布战略合作的AI药物算法公司。

公司将量子物理、人工智能与超大规模云计算相结合，突破性地实现对小分子药物重要特性的快速、准确预测，在药物设计和药物固相筛选等领域拥有多项行业领先的技术。

具体而言，晶泰科技从药物结晶的预测切入，将技术运用于计算一些传统上极大依赖实验试错的药物研发步骤，用极度精确、快速的算法预测到结果，帮助药企提高研发效率、成功率、降低风险，最终加速药物研发。

2、深度智耀

深度智耀于7月25日宣布已开发出新一代的人工智能药物合成系统，这一内部代号为“菩提”的系统通过大量学习公开的专利和论文数据库，目前已经能大幅提高化学家的工作效率：输入一个化学结构式，系统可以瞬间推送数条优化的合成路线。

公司接下来会继续加大研发投入，将反应条件和工艺指标构建入系统模型，并且进行训练优化。人工智能化学合成系统不仅可以用于药物研发，并且也可以广泛的用于日化、新材料、能源等其他合成领域。

3、智药科技

智药科技在研的人工智能产品涵盖了从药物发现（Drug Discovery）到临床试验（Clinical Trial）的各个阶段，希望通过对研发各环节效率的提升，系统性、全局性地提高新药研发成功率，从而降低研发成本。

智药科技开发的虚拟药物筛选分子对接工具KangDock，在测试数据集上的预测准确度(AUC)已经达到了93%，超出美国独角兽公司AtomWise公司同类产品AtomNet近4个百分点。应用这一技术，有望为制药业节约数亿美金研发经费。

7月6日，智药科技获青松基金近千万天使轮投资，这些资金将加速其业务发展。

4、AccutarBio

AccutarBio的方向是通过AI技术辅助药物分子设计及提高筛选药物的准确性和消息。迄今为止，AccutarBio已经利用人工智能方法基于蛋白晶体学数据进行药物设计，并在美国申请2项专利；下一阶段的任务主要是打造一个AI算法平台，如果这个研究进入到临床应用，新药开发的前期海量筛选和粗选的阶段会大大缩短。

5、零氪科技

零氪科技是一家肿瘤大数据解决方案提供商，通过临床数据融合系统，帮助医院和科室建立结构化病历数据库，提高诊断、随访、科研等各环节的效率，同时建立了结构化电子病历，覆盖3000余种疾病，帮助医生进行临床研究和决策。

在众多数据的支撑下，零氪科技可以运用其AI系统帮助医生寻找临床试验需要的患者，从临床试验这一环节入手加快新药研发。

AI建立在人类对分子的认识基础之上

众多企业的参与或许给众人打了一阵强心剂，但英国谢菲尔德大学的神经科学家查理德米德警告到：“我们连对一个细胞进行建模都还做不到。我们的模型是不完整的。

实际上，即使是单一的蛋白质模型也还不完整，这意味着科学尚不能预测某种药物分子是否会让一个将与特定蛋白质相互作用的分子成为更好的药物，”大多数已知的蛋白质结构都是在蛋白质分子的结晶状态下测定的，此时其结构被化学键网络固定。

在现实中，蛋白质是灵活的，研发人员可以仿制出其大致结构，但难以复制化学键使蛋白质达到预定的效果。

2015年12月，Zuckerberg夫妇创立了Chan Zuckerberg Initiative，并向该组织投资30亿美元，募集了一支“梦之队”，共同推动基础科学研究。

这一组织决定支持一项有能力在未来颠覆医学领域的基础科学项目——绘制人类细胞图谱（HCA）。这个项目旨在细致描述人体中每个细胞（包括细胞类型、数量、定位、关系和分子组成），作为促进生物医学科学发展的参考地图。

这一项目同样也在为AI技术设置道标，我们需要在分子水平上更深入的了解细胞才能为AI的运算制定规则。

AI能否颠覆新药研发，鲜有的成功还不足以形成潮流。不过一年太短，光明的未来还需要各位耐心等待。 

*封面图来源于www.unsplash.com。

文|赵泓维

微信|qq850860074

添加时请注明：姓名-公司-职位

后台发送关键词即可获得相关好文

网站、公众号等转载请联系授权

长按识别，了解会议详情

近期推荐

声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。文中出现的采访数据均由受访者提供并确认。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。