AI应用启示录：资本为何钟情药物研发？-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

2022年对人工智能从业者来说可能不是好的一年。

“首都寒冬”的说法越来越高涨，像《商汤》和《涂鸦》这样的独角兽的市场价值已经大幅缩水。在二级市场的悲观情绪传到一级市场之后，整个行业的融资额急剧下降，一度炙手可热的资本宠儿正陷入”创新者困境”。

关于AI有很多声音，最常见的原因有两个：一是现阶段成熟的商业场景太少，二是AI独角兽的盈利能力太弱。过去”为增长而烧钱”的真实逻辑很难引起资本市场的兴趣。

当外部环境充满悲伤时，AI制药已成为少数例外之一。这一新兴产业于2020年才进入公众视野，它逆势而行，站在了资本之风中。一些成立一两年的企业获得了亿元的融资，一些行业领袖甚至赢得了100亿元的订单。

为什么在人工智能被资本”抛弃”的时候，药物研发仍然受到圈内外的青睐？是资本吹起的新泡沫还是人工智能的应许之地？为了澄清这些问题，我们不仅可以了解AI药房的现实，而且可以为AI应用的实施找到一些启示。

01自然AI场景

AI制药的流行有一些令人愉快的因素。

在2020年举行的第14届国际蛋白质结构预测大赛上，谷歌的AlphaFold2基于基因序列成功预测了蛋白质的三维结构。在黑天鹅疫情造成的紧张气氛中，这一举措很快在全球掀起了热潮。

目前，几乎所有药物都作用于蛋白质。其原理是通过药物和靶蛋白之间的相互作用来改变蛋白质的功能，从而达到治疗效果，就像锁和钥匙之间的关系一样。如果我们能准确地预测蛋白质的三维结构，我们就能准确地设计出相应的键。

然而，蛋白质的形成需要DNA转录成RNA，RNA翻译成氨基酸链，然后氨基酸脱水合成大分子蛋白质。组成一种蛋白质的氨基酸有22种。一种蛋白质含有数万到数万个氨基酸链，并且具有复杂的三维结构，因此许多科学家无法在其一生中完全分析蛋白质结构。人工智能的影响是不言而喻的。

从2020年起，投资机构开始部署AI制药。根据斯坦福大学发布的人工智能指数报告，2020年人工智能药物研发投入资金将增至138亿美元，是去年同期的4.5倍多；根据中银证券的数据，2020年，AI+医药在中国的融资额翻了一番，融资总额比上年增长了约10倍。

资本的表现并不疯狂，但它并不是盲目的，而是隐藏在AI制药中的诱人”金钱场景”。

药物研发行业有一个著名的”双十定律”，即开发一种新药需要10年10亿美元。根据《自然》杂志的统计，”双十定律”实际上是一个理想的行业。事实上，开发一种新药并批准上市平均需要10至15年，成本约为26亿美元，临床成功率不到10%。与此同时，可怕的”反摩尔定律”也出现了。尽管制药公司的研发支出在过去几十年中一直在增加，但换成10亿美元的新药数量每9年就减少一半。

新药研发周期长.成本高.成功率低，无疑给人工智能留下了巨大的使用空间：通过机器独立学习和数据挖掘，总结和总结专家经验之外的药物研发规律，然后优化药物研发过程中的各个环节，不仅可以提高药物研发效率和成功率，还可以降低研发成本和试错成本，并推动该行业走出”反摩尔定律”的阴影。

02人工智能制药实施现状

至于AI Pharmaceutical是否是一种新的泡沫，我们仍然需要从着陆逻辑中找到答案。

从研发到量产

第一是构建人工智能技术平台，重点关注计算能力.数据.算法和其他硬实力。它主要向制药公司和其他客户收取许可费，也是科技巨头的主要战场；二是帮助制药企业或CRO企业完成研发任务，如根据既定目标筛选合适的化合物；第三，自建实验室和研发管道需要比你想象的更多的资金，并承担研发失败的风险。

没有必要重复技术平台的收入路径。重点是后两种商业模式的可行姓。由于制药行业的不确定姓，已经推出了首付.里程碑价格和其他支付方式。目前，国内管道的首付金额平均为280万美元，里程碑价格可能达到数百亿元。尽管AI制药尚未进入临床阶段，但也可以依靠合作管道从制药企业获得资金，避免”粮食短缺”的局面。自主开发管道的风险相对较高，但在这些企业的投资清单中已经可以看到龙头制药企业。

原因并不复杂。与传统制药巨头相比，人工智能制药企业往往规模较小。即使风险成本极高，”失败成本”也很容易被业界接受。一种理想的商业形式是AI制药在其早期阶段由资本市场驱动。在市场验证了前景和可行姓后，制药企业将支付马拉松赛跑费用。在此期间，一些公司可能会被淘汰，这并不妨碍整个行业的持续发展。

至少到目前为止，人工智能药学在疾病机制和靶点研究.靶点药物设计.化合物筛选.晶体形态预测.临床前辅助研究等场景中显示出良好的应用前景。药物发现作为整个药物研发过程的基石，也是人工智能药物逐步发展的基础。

04持续的范式创新

举个例子，AI制药在这个阶段处于黎明。

由于生物学的复杂姓和临床数据库的缺乏，人工智能对药物研发的渗透仍然处于药物发现的前沿。除了不分青红皂白的”攻击”，似乎还有另一种解释：人工智能的曙光已经在制药行业中照亮，这不仅影响了效率和成本，也影响了行业的合作模式。

在传统药物研发过程中，药学和化学专家往往需要根据经验提出5000至10000种化合物进行药物筛选。大约250种化合物被筛选用于临床前研究，然后5-10种化合物被发现用于临床试验。最后，有一两种化合物通过了临床试验，这与”大海捞针”没什么不同。

人工智能制药已经很久没有出现了，但许多制药企业一直在尝试改革这一过程。例如，在化合物筛选阶段引入神经网络可以在几天内筛选出1亿多个化合物，根据算法模型的预测分数对化合物进行排序，并列出几个到几十个最可能的化合物。简言之，人工智能参与药物筛选的原则是利用归纳推理能力加速化合物筛选，摆脱对药学和化学专家经验和知识的深度依赖，在环节上变得越来越科学。

与此同时，制药企业对对外合作的态度也发生了变化。

早在2019年，强生.罗氏.赛诺菲和武田等10家制药企业参加了著名的MELLODDY联盟，通过区块链和联邦学习共享药物数据；随后，由辉瑞(Pfizer).强生(Johnson&Johnson).罗氏(Roche).赛诺菲(Sanofi).武田(Takeda).礼来(Lilly)和葛兰素史克(GSK)参与的累积协同效应(Accumulus Synergy)于2020年成立，旨在加强全球所有地区的协作和数据共享；阿斯利康.默克.辉瑞.Tiva和AWS在以涩列生物技术基金的倡议下成立了人工智能药物研发实验室AION Labs，共同开发人工智能技术并孵化新公司

尽管MELLODDY联盟在合作三年后尚未宣布是否续约，但这是一个无可争议的问题