导语
AI制药1.0时代，80后互联网狂人疯狂攒钱入局。AI制药，是蓄势待发还是竹篮打水？
2020年或许是中国AI制药的元年。
这一年的1月，全球健康药物研发中心GHDDI正与阿里云合作开发人工智能药物研发和大数据平台。
4月，华为云免费开放EI医疗智能体平台（EIHealth），面向医疗领域提供病毒基因检测、抗病毒药物筛选。
7月，世界人工智能大会云端峰会上，腾讯发布AI驱动的药物研发平台云深智药（iDrug），用技术帮新药研发加速。
9月，李彦宏亲自带队成立“百图生科”正式上线， 致力于用高性能生物计算和多组学数据技术，加速创新药物和早筛早诊产品的研发。
12月，字节跳动开始招募AI-drug团队，意图在AI 算法的辅助下进行药物发现与制造等前沿研究。
（图片来源：公开信息）
一、多方因素推动AI制药
（一）需求端
1、10亿美元，10000种化合物，1个药物
从10000个可能的药物分子开始，平均约250种化合物能进入临床前阶段，而最终通过I,II,III期临床试验的约能剩下5种。这5种化合物最终约只剩1种能通过IV期临床试验，获得批准。从立项到上市，成功比例仅0.01%。根据JAMA（《美国医学会杂志》）的分析显示[1]，2009-2018期间，美国生物制药公司将一个新药推向市场的成本约为10亿美元。
研发周期长、失败率高、成本高是药企的痛点，这给AI制药行业带来了巨大的增量和发展契机。
（图片来源：康龙化成招股书）
2、战略转型与政策支持
中国医药的研发正处于从仿制药到创新药的转型，从2015年开始，国务院、卫计委等部门集中发布了多项医药研发相关政策，主要包括以下五点：
（1） 药品集采制度让仿制药的利润空间骤减
2018年通过的《国家组织药品集中采购试点方案》，明确了国家组织、联盟采购、平台操作的总体思路。“带量采购，以量换价”是药品专利期过后的出路。然而中标后的药品平均降幅56%，多个品种降价幅度可超过90%，近乎压榨了仿制药的所有利润。因此对药企来讲，从Me-too，Me-better到First-in-class是不得不做的转型策略。
（图片来源：招商银行研究院 ）
（2）临床实验数据核查
核查期间，被撤回的药物比例提升到七成。
（3）加快创新药审评审批
多项国家政策文件中提出要加快创新药审评审批，以缩短审评审批流程。
（4）鼓励优质创新药品，与国际接轨
2017年6月，CFDA（国家食品药品监督管理总局）正式加入ICH（International Council for Harmonization，人用药品注册技术要求国际协调会议），标志着国际社会对中国医药产业的认可。
（5） 配套政策提质量，促创新
国家食品药品监督总局还出台了一系列配套政策，意图通过提升研发药物的质量，促进新药研发。
（图片来源：亿欧 《2018中国医药研发创新研究报告》）
（二）供给端
1、开源数据库：
National Cancer Institute Genomic Data Commons (NCIGDC)，PubMed， PubChem，ChEMBL等公开数据库提高了人工智能模型学习的内容，辅助提高了模型的准确度。
2、针对临床前研究阶段：
（1）高通量筛选
高通量筛选可以快速鉴定出调节特定生物分子途径的活性化合物，抗体或基因。采用传统的方法，一个实验室1年内约能筛选75000个样品。但高通量筛选技术的检测量级可以达到105个样品/秒[2]。
（2）自动化生物实验设计
自动化生物实验设计将生物实验搬上流水线，极大程度降低了生物实验中的人工成本，以及实验中人因造成的实验误差。
（3）计算机算法成功应用到交叉学科当中
通过将分子结构转化成相邻矩阵或者Molfile格式等形式，把分子转化成了计算机可以读懂的数据结构[3]，从而使得常用的算法被成功应用到AI制药中。
基于此，来自供需两端的驱动力真正助推了一场资本热潮。
二、资本市场热度不减
近年来各方对 AI 制药领域的关注度明显上升，资本持续注入，药企研发力度逐步增强会加速AI 制药相关技术的迭代。在技术和资本的双重推力下，近年来在药物研发各细分环节中诞生了许多各具特色的 AI 制药初创公司。
（图：AI制药相关公司分布情况）
（图片来源：Deep Pharma Intelligence[4]）
（图：AI 制药50大核心投资方）
（图片来源：Deep Pharma Intelligence[4] ）
三、然而AI制药
真的准备好了吗?
互联网巨头的加入让AI制药这个赛道火热起来，错以为现在的药物研发人员已经可以坐在电脑前，通过计算机软件技术就能把想要的药物研发出来。然而事实却大相径庭。
AI制药这个话题被持续热议，但从以下三点来看，AI制药目前存在很大的局限性：
（一）AI制药具有极大不确定性，药企很难买单
AI制药研发的成功率并不是100%。假如药效模拟阶段，药物a的成功率预测为90%，药物b的成功率预测为95%的情况下，虽然药物b似乎成功率更高，但药企专家可能并不愿意为这5%的风险买单，且存在置信区间都不达标的可能。因而一番周折得到的药物分子，最后也只能化为0和1的字符串，湮灭在计算机的后台中。
（二）数据需求依然很大
制药行业信息化才刚开始，整个医药行业目前数据的质量并不高，数据预处理阶段就需要花费大量的时间。
（三）懂AI的不懂药，懂药的不懂AI
AI制药不是一撮而就的把不同学科的人放在一起搞研究，需要软件技术人才与生物制药人才的协同创新，这无疑是指数级增加了AI制药领域的创新门槛。在人才储备上，AI制药企业一方面需要寻找软件所需要的计算生物学，计算化学，AI算法设计等背景人员，另一方面也需要引入药剂学，药物临床试验和临床医学等方面的人才做临床和药物指导。
AI 制药赛道，机会与挑战并存，利益和风险同担。对于企业来讲，明确自身发展方向，加强创新，确立自己的核心技术壁垒，尽早完成商业化布局，才能在AI制药赛道上继续蓬勃发展。
参考资料：
[1]Wouters OJ, McKee M, Luyten J. Estimated Research and Development Investment Needed to Bring a New Medicine to Market, 2009-2018. JAMA. 2020;323(9):844–853. doi:10.1001/jama.2020.1166]
[2]Zeng W, Guo L, Xu S, et al. High-throughput screening technology in industrial biotechnology[J]. Trends in biotechnology, 2020, 38(8): 888-906.
[3]Gupta, R., Srivastava, D., Sahu, M. et al. Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Mol Divers 25, 1315–1360 (2021). doi.org/10.1007/s11030-021-10217-3
[4]Deep Pharma Intelligence，AI for Drug Discovery 2020
https://analytics.dkv.global/deep-pharma/AI-for-Drug-Discovery-2020.pdf