20家顶尖制药公司如何将AI应用于药物研发：近年来主要合作活动
作为第四次工业革命的核心技术，人工智能（AI）正在向社会生活的各个领域渗透。
时至今日，几乎能这么说，哪里有丰富的数据，哪里就可以有AI。
即便是在制药这一传统行业，AI也已经有了诸多应用。从药物靶点发现、虚拟筛选、药物合成，ADME-T（吸收、分布、代谢、排泄和毒性）性质预测和理化性质（如晶型）预测，药物重定位，到药物临床试验管理、患者招募，再到药物警戒应用和真实世界证据生成，AI与药物研发全流程的融合在探索中前进。
顶尖制药公司在AI药物研发中的合作活动，最能代表这个融合过程的特点和发展趋势。
本文整理了辉瑞、阿斯利康、赛诺菲、诺华、拜耳、葛兰素史克等20家顶尖制药公司近年来在AI药物研发领域的合作情况。
在分别介绍各家制药公司的内容之前，有必要首先介绍MELLODDY、MLDPS等AI药物研发相关组织。
MELLODDY
强生的子公司杨森是该项目的制药行业负责人。项目汇集了包括10家制药公司在内的17家合作伙伴。MELLODDY创建了一个建模平台，在该平台上可以利用多家制药企业的数据，创建更准确的模型，来寻找最有效的化合物。
MLDPS
MLPDS是13家生物制药和化学公司与麻省理工学院之间的合作。这项合作将促进小分子药物发现和合成自动化的软件设计。
MLDPS的许多成员在剑桥或周边地区都有研究机构，可以进行密切合作。联盟的目标之一是开发基于机器学习的算法和工具，以加快药物的设计-制造-测试-分析周期。
AAIH
AAIH致力于促进医疗保健领域AI的进一步发展和实施。
AbbVie（艾伯维）
艾伯维的AI合作伙伴：Calico、AiCure、Atomwise
Alphabet的抗衰老研究公司Calico致力于了解衰老的生物学特性。艾伯维与Calico的合作关系从2014年开始，艾伯维将推动Calico研究发现的开发和商业化。合作关系涉及机器学习，细节尚未公开。
AiCure采用智能手机与患者互动（视觉确认），来评估患者的症状和药物干预的成功率。2016年9月26日，AiCure宣布了一项新的研究结果：艾伯维使用AiCure的基于AI的患者监测平台，显著提高了一项精神分裂症II期临床试验中患者的依从性。
Atomwise开发了全球第一个基于结构的小分子药物发现深度学习方法。Atomwise在其官方网站的合作伙伴中列出了艾伯维。
Amgen（安进）
安进是MELLODDY项目的成员，也是MLDPS的成员。
安进的AI合作伙伴：GNS Healthcare、Owkin
GNS Healthcare的AI技术将各种类型的患者数据整合并转换生成一个虚拟的患者，来模拟疾病进展和药物反应。这个虚拟的患者可以作为临床试验设计和真实世界证据生成的辅助技术平台。2017年8月23日，安进的投资部门领投了GNS Healthcare的600万美元的融资。
有文章报道称Owkin与安进合作，细节尚不清楚。
Astellas（安斯泰来）
安斯泰来的AI合作伙伴: Biovista、NuMedii
Biovista是AI药物重定位研究的领先公司之一。2015年12月4日，Biovista宣布已与安斯泰来开展药物重定位合作。该合作的重点是利用Biovista的COSS平台，探索安斯泰来的许多未公开的化合物的新适应症。
NuMedii拥有大量的经过标准化注释的生物学、药理学和临床数据，以及专有的基于生物网络的算法。2016年11月1日，NuMedii宣布与安斯泰来达成合作，利用NuMedii的大数据智能预测技术，确定安斯泰来的一系列未公开的化合物的新适应症。
AstraZeneca（阿斯利康）
阿斯利康的AI合作伙伴: Schrödinger、BenevolentAI、Berg、DeepMatter、Gatehouse Bio
Schrödinger的计算平台结合了物理建模和机器学习功能，便于化学家了解药物与靶蛋白结合的强度。2019年9月4日，Schrödinger宣布与阿斯利康合作，部署Schrödinger先进的计算平台以帮助阿斯利康加快药物发现工作。阿斯利康的药物和计算化学家将使用Schrödinger的平台来改进化合物的设计，挖掘潜在的治疗药物。
BenevolentAI的愿景是通过生物学预测来全面提高药物研发效率。通过使用由化学、生物和医学研究信息组成的“知识图谱”，该公司的AI机器学习模型和算法可以识别出潜在的药物发现线索。
2019年4月30日，阿斯利康和BenevolentAI开始了长期合作，阿斯利康的基因组学、化学和临床数据将与BenevolentAI的靶标鉴定平台和生物医学知识图谱结合，来发现和开发用于慢性肾脏疾病和特发性肺纤维化的新药。
Berg的药物发现工作源于患者生物学。Berg从患病和健康的患者中收集样品，并进行组学（包括基因组、蛋白质组、脂质组和代谢组）分析，然后将这些数据与患者的临床信息结合起来分析。
2017年8月28日，Berg宣布与阿斯利康开展合作，以鉴别和评估治疗帕金森病等神经系统疾病的新靶点和药物。
DeepMatter公司的DigitalGlassware平台由AI驱动，可以获得来自放置在反应容器内的多个传感器探头的实时数据（包括温度、压力、紫外线水平等），还可以对周围环境进行测量。结合溶剂、催化剂和试剂的数据，该系统能够监测、记录和分析药物合成每个步骤的信息。2019年12月，有报道称DeepMatter将为阿斯利康提供AI驱动的化合物合成平台。
GatehouseBio是一家生物数据公司，他们的sRNAlytics平台使用AI识别小RNA的特征和分子途径，阐明疾病机制。
2019年12月，Gatehouse Bio宣布与阿斯利康合作，利用其AI平台探索呼吸系统疾病和心血管疾病的药物新靶点。Gatehouse于2018年加入阿斯利康波士顿生物中心孵化器。
Bayer（拜耳）
在体内，药物分子与多个靶标的相互作用，被称为多向药理学（或称多元药理学）。Cyclica认为，普通药物会与体内30-300种蛋白质靶标相互作用，但是大多数计算技术的工作重点是针对单个靶标进行筛选。Cyclica独辟蹊径，通过探索多向药理学来设计药物。
2018年8月30日，Cyclica宣布已加入拜耳的Grants4Apps计划。Cyclica将与拜耳合作，以加快其差异化药物设计（DDD）技术的部署。2018年11月，Cyclica与拜耳继续合作，通过深入了解小分子的多向药理学特征来推进药物发现计划，同时进一步发展Cyclica的集成网络。
Exscientia认为他们是首家实现药物发现自动化的公司，新型化合物由AI系统自动设计。值得一提的是，Exscientia自己生成数据。
拜耳和Exscientia于2020年1月开始了为期三年的合作。该合作旨在识别和优化针对心血管和肿瘤的新的先导化合物结构。
Genpact致力于提供数字化转型的专业服务。2018年11月2日，Genpact宣布与拜耳合作，Genpact的AI药物警戒功能套件将应用于拜耳现有的药物警戒数据库和IT系统。Genpact的技术能够自动从源文档中提取不良反应数据。
2020年1月，Schrödinger与拜耳宣布了一项为期五年的技术合作，Schrödinger为拜耳创建一种新的解决方案，以挖掘、筛选和评估可合成的虚拟化合物。
英国临床AI技术公司Sensyne与NHS建立了独特的合作关系，可以利用其电子病历数据。Sensyne对匿名患者数据进行临床AI分析，产生真实世界证据，将在改善患者结局方面获得新的洞见。
2019年7月31日，Sensyne宣布，它已与拜耳签署了为期两年的初步合作协议，拜耳将使用Sensyne专有的临床AI技术平台加速心血管疾病药物的开发。
Boehringer Ingelheim（BI，勃林格殷格翰）
Healx使用AI来加速罕见病药物研发。2019年12月，Healx宣布与勃林格殷格翰合作，开发神经系统罕见疾病的新治疗方法。Healx的AI药物发现平台Healnet将被用于发现勃林格殷格翰管线中产品的新适应症。
AI软件公司Kairntech拥有自然语言处理平台。2020年1月，勃林格殷格翰宣布将与Kairntech的自然语言处理平台Sherpa合作。
2020年4月15日，Insilico Medicine宣布，它已与勃林格殷格翰开展研究合作，利用Insilico的生成式机器学习技术和专有的Pandomics平台帮助勃林格殷格翰识别潜在的疾病治疗靶点。
Bristol-Myers Squibb (BMS，百时美施贵宝)
Concerto使用AI分析肿瘤的真实世界数据，以产生新的见解和真实世界证据。2019年3月28日，百时美施贵宝与Concerto签署了一项多年战略合作协议。双方的合作整合了多个数据源，涵盖多种癌症，并应用AI和机器学习来加速临床试验。两家公司也将推进真实世界证据的使用，改善癌症患者的临床结局。
PathAI是AI病理学研究的全球领导者之一。PathAI的平台有望利用机器学习和深度学习，大幅提高诊断的准确性和疾病治疗的有效性。2019年11月，PathAI获得百时美施贵宝和默克的投资，完成了7500万美元的B轮融资。
Sirenas使用数据挖掘和机器学习从全球微生物组样本中发现化学药物的治疗作用。2018年2月12日，百时美施贵宝与Sirenas合作，针对某些未公开的具有挑战性的治疗靶点部署Sirenas的药物发现平台，识别潜在的候选药物。
Eisai（卫材）
卫材和日本Keio University于2016年12月宣布了一项针对痴呆症的新药发现和开发合作。合作的一个组成部分是使用AI确定新的药物靶点。
Lilly（礼来）
礼来的AI合作伙伴：Atomwise、Strateos
2019年6月3日，Atomwise宣布与礼来签订了一项多年协议，合作开发多达10种药物。礼来将使用Atomwise的技术来筛选他们合成的具有治疗潜力的药物分子。
Strateos，后来被称为Transcriptic，倡导“按需自动发现”。该公司将药物化学、生物分析和合成生物学自动化集成到一个闭环的机器人实验室中，加速药物发现。
2018年7月，Strateos与礼来合作，部署其机器人实验室技术。该技术可使全球研究人员远程设计、合成和筛选研究分子。
2020年1月，礼来与Strateos合作推出远程机器人云端实验室，科学家可以通过基于Web的界面远程控制他们的实验。
GSK（葛兰素史克）
葛兰素史克的AI合作伙伴：Cloud Pharmaceuticals、Excscientia、Google、Insilico Medicine
药物设计和开发公司Cloud Pharmaceuticals专有的AI驱动流程可针对药物靶点提供完全新颖的分子。2018年5月30日，Cloud Pharmaceuticals宣布已与葛兰素史克合作，将AI用于新型小分子药物设计。
葛兰素史克与Excscientia的合作伙伴关系是为多达10个的疾病相关靶标发现新的选择性小分子。2019年4月，Exscientia宣布已交付了一种高效的靶向治疗慢性阻塞性肺炎的先导化合物。
2018年6月，葛兰素史克研究人员与Google研究人员合作，将AI应用于药物发现，包括开发用于识别蛋白质晶体的机器学习算法。
Insilico Medicine将基因组学、大数据分析和深度学习用于计算机模拟药物发现。2017年8月16日，Insilico与葛兰素史克建立合作关系，以发现新型的生物靶点和分子。
Gilead（吉利德）
Glympse Bio的专有技术Glympse Inside将生物标志物与机器学习结合在一起，可以实时识别复杂疾病的发展阶段并监控其进展。
2019年10月，吉利德和Glympse宣布了关于非酒精性脂肪性肝炎（NASH）的战略合作，吉利德将利用Glympse的AI驱动的生物标志物技术，来分析临床试验受试者在初筛时的疾病发展阶段以及他们对治疗的反应。
Insitro可以在整个医药价值链中提供预测服务，比如更早地预测哪些药物可能有效，哪些患者可以适用某个药物。此外，Insitro可以借助机器学习模型发现以前未知的疾病亚型。并且，Insitro的自动化基础设施能够迅速生成大量高质量数据。
2019年4月16日，吉利德和Insitro宣布了关于NASH的战略合作。根据为期三年的合作条款，Insitro的AI平台将用于创建NASH的疾病模型，并发现影响疾病临床进展的靶点。
Janssen（杨森制药）
2016年11月9日，BenevolentAI宣布与杨森签署了一系列候选药物的独家许可协议。根据许可协议的条款，BenevolentAI将拥有在所有适应症方面和所有地区开发、制造和商业化这些候选药物的唯一权利。
Celsius Therapeutics公司将机器学习方法应用于患者组织的单细胞测序。2019年7月，Celsius Therapeutics宣布与杨森合作。根据协议，Celsius将使用其专有的单细胞基因组学和机器学习平台，来识别杨森的一项II期临床研究中溃疡性结肠炎患者的生物标志物。
AI驱动的药物设计初创公司Iktos是将生成模型应用于药物发现的先驱。2019年4月，Iktos宣布与杨森合作。这项合作将在小分子药物发现项目中使用Iktos的虚拟药物设计技术。
Winterlight Labs公司已开发出从语音/语言中提取特征来创建疾病特定的数字生物标记物的技术。比如，Winterlight通过两分钟的语音识别就可以将阿尔茨海默症患者与正常衰老的患者区分开来，准确度达到91％。
2019年1月7日，Winterlight Labs宣布已与杨森达成合作。该合作最初将专注于开发一种敏感的数字生物标志物，以区分轻度认知障碍患者(阿尔茨海默症的早期阶段)和健康的老年受试者。
Merck KgaA（默克集团）
2018年12月，Cyclica与默克建立合作伙伴关系，以使用其AI增强的蛋白质组学筛选平台阐明小分子作用机制，评估安全性并探索其他适应症。
2019年3月，默克宣布与Iktos建立合作关系。该合作关系将使默克能够使用Iktos的生成设计技术来开发药物。
Novartis（诺华）
诺华的AI合作伙伴：BenchSci、BenevolentAI、Microsoft、Intel、QuantumBlack
如果研究人员在临床前研究中使用错误的试剂，可能会浪费样本，导致试验失败或产生不可靠的结果。BenchSci使用机器学习来帮助研究人员选择正确的抗体。诺华是BenchSci的AI辅助抗体选择产品的首批客户之一。
2019年9月6日，诺华与BenevolentAI签署了一项协议，以寻找在研的肿瘤药物的潜在新适应症。
2019年10月1日，诺华宣布，成立诺华AI创新实验室并选择Microsoft公司作为其战略AI和数据科学合作伙伴。诺华计划将Microsoft的AI工具应用于整个药物研发过程，包括研究、临床试验、生产、运营和财务。
2018年5月23日的报道称，诺华与Intel合作使用深度神经网络（DNN）来加速药物的高通量筛选。
McKinsey的QuantumBlack利用数据，分析和设计组织机构提高效率的途径。2018年1月，一篇文章透露，诺华与QuantumBlack合作，通过机器学习来分析临床试验操作。他们声称这项工作使受试者的入组时间减少了10-15％。
Pfizer（辉瑞）
2018年9月，Atomwise与辉瑞公司签订评估协议，辉瑞将评估Atomwise的平台，Atomwise将寻找由辉瑞提供的3种靶蛋白的潜在候选药物。
Concerto拥有使用CancerLinQ数据的独家许可。2019年4月，Concerto HealthAI宣布与辉瑞建立合作关系，在肿瘤疗法开发中使用AI和真实世界数据。该合作关系旨在加快辉瑞实体瘤和血液系统恶性肿瘤的研究和商业化进程。
CytoReason将基因表达数据与其他组学和文献数据整合，创建一个以细胞为基础的特异性免疫反应模型。
2019年1月，CytoReason宣布，它已与辉瑞达成了一项合作协议，该协议将利用CytoReason的以细胞为中心的免疫系统机器学习模型，进行药物发现。
早在2016年12月，辉瑞就与IBM宣布建立合作伙伴关系。2020年6月11日有文章称，IBM和辉瑞设计的AI模型可以使用自然语言处理来预测健康人群中的阿尔茨海默症患者。
自2014年以来，Insilicon Medicine专注于生成模型、强化学习和其他现代机器学习技术，用来生成具有指定参数的新分子结构、进行药物靶点识别、预测临床试验结果。
2020年1月14日, Insilicon宣布，它已经与辉瑞合作，利用Insilicon的机器学习技术和专有的Pandomics发现平台，为许多疾病潜在治疗靶点的开发寻找真实世界证据。
晶泰科技（XtalPi）以计算驱动创新，致力于打造新一代的智能药物研发技术，解决药物临床前研究中的效率与成功率问题。2018年5月，XtalPi 宣布与辉瑞合作，融合量子物理与AI，建立小分子药物模拟算法平台，显著提高算法的精确度和适用广泛度，驱动小分子药物的创新。
Roche（罗氏）
罗氏的AI合作伙伴：Flatiron Health、Sensyne Health、Owkin
2018年2月，罗氏收购了专注于肿瘤学的电子健康记录公司Flatiron Health。Flatiron的大量肿瘤学数据为罗氏提供了机器学习的巨大资产。
2019年9月，罗氏及其子公司Genentech在《Nature》杂志上发表了一项预测分析，该论文使用深度学习来预测糖尿病性视网膜病患者的病情进展，这种算法还可以改善针对糖尿病性视网膜病的临床试验的患者招募。
2019年12月23日，英国临床AI技术公司Sensyne Health宣布已与罗氏签署了一项研究项目。合作旨在寻找某个疾病的患者人群，并对匿名患者数据与匿名患者电子病历信息进行评估和整理，以规划临床试验。
Owkin正在充分利用患者的真实世界数据来了解开发药物的机会。2018年5月的报道称，罗氏正在与Owkin合作，以加快药物的发现，开发和试验的速度。
Sanofi（赛诺菲）
2017年10月30日，Berg与赛诺菲签订合作协议。根据该协议，Berg将利用其专有的InterrogativeBiology平台获得数据并进行建模，以数据驱动的方式评估流感疫苗的潜在生物标志物。
赛诺菲与Exscientia在2017年5月宣布建立合作伙伴关系，专注于寻找用于治疗糖尿病及其合并症等代谢性疾病的双特异性小分子药物。
2019年8月，Exscientia宣布，赛诺菲将选择由Exscientia开发的双特异性小分子来治疗免疫学疾病。
2019年6月，赛诺菲宣布与Google合作。双方将建立一个虚拟的创新实验室，以“彻底地”改变未来药物和医疗保健服务的开发和交付方式。两家公司将对赛诺菲庞大的真实世界数据库进行分析，以便更好地了解哪些治疗方法对患者有效。赛诺菲还计划将一些现有的业务应用程序迁移到Google云平台，以最大程度地提高运营效率并支持创新实验室和其他业务。
Recursion Pharmaceuticals通过实验生物学（湿实验室技术）和计算（干实验室技术）迭代来确认药物发现结果。Recursion的目标不仅是发现药物，还包括建立一个能够快速有效地大规模发现药物的系统。
2016年4月25日，Recursion Pharmaceuticals与赛诺菲签署了一项研究协议，旨在利用Recursion的平台为某些遗传疾病寻找候选药物。
Servier（施维雅）
2019年1月29日，施维雅和Iktos宣布了首次合作的成功，该合作旨在评估Iktos的技术加速发现有前景的新化合物的潜力。
Takeda（武田）
2017年6月12日，Numerate宣布与武田达成一项多年期协议。多个合作项目将依靠Numerate的AI驱动的平台，针对武田的核心治疗领域进行活性化合物发现、先导化合物设计和优化、化合物ADME-T性质建模。
Recursion使用其自动药物发现平台，对武田的200多种潜在分子进行了测试，发现了TAK-733靶向肿瘤的潜力。
2020年5月，Recursion与武田签署全球许可协议。根据该协议的条款，Recursion将获得TAK-733的开发和商业化的全球独家权利。
WuXiAppTec（药明康德）
Adagene（天演药业）将机器学习应用于新型治疗性抗体开发，重新定义了抗体的发现和设计。2016年1月8日，Adagene宣布获得药明康德的投资，作为其2800万美元B轮融资的一部分。
这其中，阿斯利康、拜耳、诺华、辉瑞、赛诺菲等公司比较活跃。制药公司除了将AI应用于靶点发现、药物发现、生物标志物开发和识别等方面，还在积极拓展新的应用范围。诺华正在使用机器学习算法监控和管理临床试验，辉瑞、赛诺菲、百时美施贵宝正在使用AI开发和分析药物真实世界数据，拜耳正在借助AI功能套件从药物警戒数据库中自动提取药物不良反应记录。
药物新适应症的开发也是AI的一个重要应用。从一些合作中可以看出，当候选药物尚处于开发管线之中时，制药公司就在借助AI来积极挖掘它们的新适应症了。制药公司也借助AI来探索他们未公开的化合物的新适应症。
制药公司正在借助AI技术，增加对药物研发细节的把控。比如艾伯维借助AiCure的程序，通过智能手机摄像头捕获患者服药时的生理数据点。与阿斯利康合作的DeepMatter，其AI驱动的DigitalGlassware平台借助多个传感器探头，监测、记录和分析合成药物所需的每个步骤，重现药物合成的细节。
AI药物研发的创业公司也在不断拓展自己的边界。他们中的一些不满足于仅仅使用外来的数据，开始自己生产数据，如Exscientia、Insitro等。BenevolentAI、Recursion这些公司，已经与制药公司签订协议，获得一些候选药物的独家开发权。
制药企业有庞大的、并且正在不断增加的数据，需要AI技术方法来梳理和开发；全社会各行业对于AI的关注、探索和应用尝试，势必加快AI技术方法的成熟和革新。
然而不可否认，AI药物研发正在面临很多问题。
即便是在数据非常丰富的诺华，如何整合数据，是一项不小的挑战。在大众对AI和机器学习的期待中，可能低估了将来自不同来源的所有数据汇总为可分析格式所需的工作量。
一些数据锁定在专用系统中，需要特殊的访问权限；一些数据仅仅支持临时任务，难以有效连接和整理；一些数据需要手动操作。
还有一些数据可能会“腐烂”（数据库中的数据没有被使用，而那些最熟悉数据的人可能会离开）；此外，来自不同药物研发系统的数据如何对接、整合、同步，需要标准化的数据治理和整体的解决方案。
AI药物研发要想走得远，打造坚实的数字化基础是第一步。
1.https://blog.benchsci.com/pharma-companies-using-artificial-intelligence-in-drug-discovery（为本文案例的主要参考资料，来自Simon Smith，CMO of BenchSci）
2.https://www.cyclicarx.com/
3.https://www.biovista.com/about/
4.https://www.gnshealthcare.com/in-silico-patient/
5.https://strateos.com/
6.https://www.insitro.com/approach
7.https://www.nature.com/articles/s41746-019-0172-3
8.https://www.recursionpharma.com/news/rec-4881
9.https://www.melloddy.eu/
10.https://mlpds.mit.edu/
（Chris）
----------- End -----------
互联网和人工智能巨头招聘制药人才岗位整理
再看DeepMind的AI蛋白质结构预测突破：生物计算时代正在到来
AI赋能制药行业CRO，都有哪些新进展
与经典统计学相比，机器学习的数据处理有哪些不同
近两年AI药物发现领域国内外重要投资：7项上亿美元，21项超千万美元
跨界者在行动：互联网巨头在AI药物发现方面，都做了哪些工作
AI药物发现的数据共享模式探索：以十大顶尖药企参加的MELLODDY项目为例
CDE征求意见的模型引导的药物研发(MIDD)是什么
真实世界数据生成真实世界证据：使用AI的价值和意义
虚实结合的AI药物发现：现场数据生成，模型迭代更新