“AI藥物研發(fā)”已不算新鮮概念。早在1981年，雜志《Discovery》中就曾描述，“計算機有望提高藥用分子篩選效率，化學(xué)家再也不用整周、整月呆在實驗室，測試那些計算機認為難以成功的分子”。
近年來，繼AI醫(yī)學(xué)影像市場格局基本成型后，我國AI藥物研發(fā)企業(yè)也開始進入從無到有階段。尤其在2018年，隨著更多玩家的進入，資本也隨之而來。
而從全球來看，探索“AI+新藥研發(fā)”的企業(yè)已近100家。2018年，《科學(xué)美國人》與世界經(jīng)濟論壇發(fā)布十大新興技術(shù)，人工智能輔助化學(xué)分子設(shè)計——機器學(xué)習(xí)算法加速新藥研發(fā)便是其中一項。
有研究預(yù)測，“AI+新藥研發(fā)”或?qū)⑹俏磥硇碌娘L(fēng)口。
新藥研發(fā)中，AI已不遜色人類
寄予厚望于AI的背后，最常見的一個說法是，新藥研發(fā)逃不過“雙十宿命”：耗時10年，花費10億美金。
根據(jù)《Nature》數(shù)據(jù)，新藥研發(fā)的平均成本更是高達26億美元，而這期間，高達90%的項目將以失敗告終。
也就是說，“費用高、周期長、成功率低”，是新藥研發(fā)難以跨越的三道門檻。
新藥研發(fā)涉及藥物發(fā)現(xiàn)、臨床前研究、臨床研究、審批上市 4 個階段。常規(guī)模式下，針對潛在藥靶，研究人員通常采用高通量篩選的方式，進行數(shù)百萬計的化合物篩選。美國藥物研究和制造商協(xié)會 PhRMA 統(tǒng)計顯示，在藥物研發(fā)階段，進行篩選的化合物多達5000-10000 種，但僅有250種能進入臨床前研究，進入臨床研究階段的僅5種。
圖片來源于網(wǎng)絡(luò)
此外，過程中研究人員需面臨查閱大量文獻、翻譯、編寫報告、錄入數(shù)據(jù)等工作，復(fù)雜而繁瑣，耗費大量的時間和精力。麥肯錫Chilukuri曾表示，基于藥物研發(fā)長達10年的周期，收益將在未來10到15年才出現(xiàn)。
但近年來，新藥研發(fā)公認的高回報，也并不理想。數(shù)據(jù)顯示，2017年全球TOP12制藥巨頭在研發(fā)上的投資回報率僅為3.2%，處于8年來水平。此外，全球新藥管線中的后期階段項目也越來越少。
因此，突破人類大腦對生物學(xué)理解的局限性，引入AI技術(shù)，從大量數(shù)據(jù)中更有效挖掘和篩選化合物，并準(zhǔn)確預(yù)測理化性質(zhì)、成藥性質(zhì)和**風(fēng)險等，無疑有望提高新藥研發(fā)的速度和效率。
有分析認為，中期階段，AI對制藥行業(yè)的價值增長可能相當(dāng)于銷售額增長5%到10%。
2018年4月，《Nature》一則報道顯示，上海大學(xué)教授馬克?沃勒團隊使用類似Alphago算法的三種搜索的方法，實現(xiàn)了逆合成分析和路徑預(yù)測。結(jié)果顯示，此方法在雙盲測試中表現(xiàn)優(yōu)異，預(yù)測結(jié)果并不遜色于人類專家。
“AI+新藥研發(fā)”的落地探索
針對新藥研發(fā)不同環(huán)節(jié)，AI技術(shù)可用于靶點發(fā)現(xiàn)、新藥合成路線設(shè)計、藥物有效性及安全性預(yù)測、晶型預(yù)測、藥物分子設(shè)計等場景。
從全球來看，Atomwise提供候選藥物預(yù)測服務(wù)，曾僅用時一周模擬出有前景用于埃博拉病毒治療的兩種化合物；BenevolentAI將AI應(yīng)用于醫(yī)學(xué)研究的數(shù)據(jù)庫來快速篩選和組織數(shù)據(jù)，并已經(jīng)獲得一定數(shù)量的臨床階段的新藥物。
BenevolentBio曾借助JACS技術(shù)，標(biāo)記出100個可用于治療肌萎縮性側(cè)索硬化癥(ALS)的潛在化合物，并成功篩選出5個化合物；BergHealth則篩選多達25萬個疾病組織樣本來尋找早期癌癥的新生物學(xué)指標(biāo)和生物標(biāo)記等等。
在國內(nèi)，晶泰科技是“AI+新藥研發(fā)”的早期拓荒者。其主要將AI技術(shù)應(yīng)用于藥物發(fā)現(xiàn)過程中早期藥物篩選、藥物設(shè)計，以及藥物重定位和藥物重定向，以提高藥物研發(fā)的效率，降低風(fēng)險。
到2018年，深度智耀、零氪科技、智藥科技、云勢軟件等也陸續(xù)出現(xiàn)在視野，并不時傳來融資消息。
總體來看，目前全球AI藥物研發(fā)還未出現(xiàn)成功案例，但國外相關(guān)企業(yè)已有利用AI研發(fā)的新藥進入臨床二期。國內(nèi)，“AI+新藥研發(fā)”完成從0到1階段后，也開啟2.0時代。
另一方面，“AI+新藥研發(fā)”的探索，也意味著IT企業(yè)和醫(yī)藥公司間的合作。
“研發(fā)外包”便是合作模式的一種。該模式下，AI公司根據(jù)制藥公司提供的數(shù)據(jù)和靶點信息建立模型，篩選候選藥物。對制藥公司來說，該運作模式相對輕量化，但由于醫(yī)療數(shù)據(jù)極為敏感，所以往往伴隨著以確保數(shù)據(jù)安全的諸多條件。
與此對應(yīng)，近年來，也涌現(xiàn)了許多大型藥企和AI智能化企業(yè)間的牽手合作。
2015年，制藥巨頭默沙東和AI公司Atomwise達成合作，合作內(nèi)容主要涉及藥物的有效性和安全性預(yù)測；2016年，強生牽手BenevolentAI，對尚處于試驗階段的小分子化合物進行藥物挖掘；2017年，賽諾菲與Exscientia簽訂潛在價值2.5億歐元的許可交易，旨在開發(fā)針對代謝疾病的雙特異性小分子藥物；2018年，藥明康德和Insilico Medicine一起針對具有挑戰(zhàn)性的生物靶點，進行臨床前藥物候選分子開發(fā)等等。
“AI+新藥研發(fā)”將是一場持久戰(zhàn)
在制藥企業(yè)積極探索AI的同時，必須面對的還有諸多挑戰(zhàn)。畢竟AI只是新藥研發(fā)的輔助技術(shù)手段之一，并非意味著唯一和萬能。
根據(jù)BenchSci的一項調(diào)查，330位藥物研發(fā)科學(xué)家中，41%的人并不了解AI技術(shù)，也就無法利用AI來進行新藥的篩選。也就是說，建立相應(yīng)AI人才培養(yǎng)體系將成為重要基礎(chǔ)。
另一方面，藥明明碼AI項目總負責(zé)人Thomas Chittenden曾分析，對于人工智能識別系統(tǒng)來說，新藥研發(fā)以及其臨床試驗的有效性評估仍是極其復(fù)雜的識別模式。
此外，優(yōu)質(zhì)藥靶匱乏、動物模型臨床轉(zhuǎn)化差等現(xiàn)狀也是影響AI技術(shù)應(yīng)用效益化的重要因素。
人工智能專家Bruce Booth博士就曾分享了一個有趣地現(xiàn)象：計算機設(shè)計新藥雖已存在數(shù)十年，但醫(yī)藥行業(yè)的研發(fā)產(chǎn)出率非但沒有上升，反而還逐年下降；藥物發(fā)現(xiàn)時間沒有縮短，成本也降得更低。
幾十年來新藥的研發(fā)產(chǎn)出率正在不斷下降
其意思為，AI尚未給新藥研發(fā)帶來大幅的可喜改觀。因此，從長期來看，AI技術(shù)等應(yīng)用，雖可程度降低失敗率，節(jié)省藥物研發(fā)成本，縮短藥物研發(fā)時間。
但不可否認的是，“AI+新藥研發(fā)”還處于初級階段，并將在該階段持續(xù)相當(dāng)長的時間。目前，AI技術(shù)針對新藥研發(fā)不同階段的價值雖已明確，但真正做到AI驅(qū)動新藥研發(fā)的整體發(fā)展，至少還需要5-10年時間。
點擊下圖，預(yù)登記觀展
合作咨詢
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2024 上海博華國際展覽有限公司版權(quán)所有（保留一切權(quán)利）
滬ICP備05034851號-57
