文｜阿爾法工場
盡管AI為藥物醫學帶來了諸多可能，但在商業化的道路上，國內AI藥企仍然需要探索。
AI與醫療的結合，將會給人類帶來哪些突破？
最近，谷歌微調后的Med-PaLM，開始了在醫學問題上的一路狂飆。
在挑戰了美國醫學基準測試（MedQA），取得了86.5%的成績，遠遠超出其他同類大模型。
經過專業臨床醫生評判，Med-PaLM對實際問題的回答準確率與真人相差無幾。
除了Med-PaLM模型，研究團隊還推出了自建醫療模型測評數據集。
目前，這樣的成果已經登上了著名的學術雜志《Nature》。
實際上，在Med-PaLM發力之前，AI+醫療的賽道，就早已被國外的各大投資機構所看好。
一份來自來自Grand View Research的報告，預測了全球人工智能在醫療領域的市場規模將從2022年的154億美元增長到2030年的1,078億美元，年復合增長率為37.5%。
報告還分析了新冠之后人工智能在醫療領域的需求和應用的積極影響。
而這些分析，之所以對AI+醫療如此樂觀，一個最大的原因，就是近些年AI在藥物研發方面越來越重要的作用。
01 被看好的“狹路”
實際上，與最近才興起的大模型+問診的模式相比，AI+藥物研發的方向，早已被深耕多年。
具體來說，AI可以通過分析大量的生物數據和文獻，找出與疾病相關的藥物靶點，以及與藥物靶點匹配的候選分子。
這樣就可以縮小藥物研發的范圍，提高效率和成功率。
同時，AI還可以通過模擬和預測藥物分子與靶點之間的相互作用，提出改進和創新藥物化學結構的建議。從而提高藥物的效力、安全性、穩定性等方面的表現。
然而，雖然AI+藥物研發的方向，看上去確實是片前景廣闊的天地，可就國內市場而言，國內AI藥企的盈利模式，目前還不清晰，而且十分依賴風投，難以實現自我造血。
如果自己下場做藥，又需要投入更多的時間和金錢，承擔更多的商業風險。
但即便如此，還是有少數AI藥企，在市場上站穩了腳跟，國內的英矽智能就是這樣的企業之一。
英矽智能科技(上海)有限公司，是一家2019年成立的端到端的AI藥企。
其旨在通過自主研發的Pharma.AI平臺，利用生成對抗網絡、深度強化學習、預訓練模型等技術，從靶點發現、分子設計、臨床預測等方面，加速藥物的發現和開發。
其成立至今，最為人關注的事件，莫過于獲得了全球首例完全由AI驅動發現的特發性肺纖維化（IPF）疾病新靶點。
通過這樣的案例，行業才真正認識到，通過人工智能完成新藥發現是可能的。
而這一里程碑的實現，和其創始人的背景以及技術理念，有著莫大關系。
現年44歲的拉脫維亞人Aleksandrs Zavoronkovs博士（以下簡稱Alex），是英矽智能的創始人兼CEO，也是最早嘗試用AI制藥的科學家之一。
作為一位在生物技術、再生醫學和衰老經濟學領域工作的科學家，他曾在加拿大多倫多大學、約翰霍普金斯大學和莫斯科國立大學等機構從事研究工作。
發表了137篇關于人工智能、衰老和藥物發現的論文總引用次數達到了11745次，他還申請了9項關于AI制藥的專利。
而同樣的，英矽智能的聯席首席執行官任峰，也是一位經驗豐富的藥物化學家。
任峰博士是一位有著十余年小分子創新藥物研發經歷的藥物化學家。
他于2007年在美國哈佛大學化學系獲得博士學位，曾在葛蘭素史克擔任多個藥物研發領導職務，后加入美迪西，全面負責化學部和生物部的研發服務業務。
2021年2月，任峰加入英矽智能，出任首席科學官、全球藥物研發負責人。
在成為首席科學官之后，任峰找Alex詳談了一下，而一個關鍵性的決定，就在這次交流中誕生了。
在新藥研發前線摸爬滾打的14年，讓任峰對藥物研發的艱辛深有體會。
傳統的藥物發現，首先是對數萬個小分子進行測試篩選，然后進一步合成和測試數百個分子。
其中只有大約1/10的候選藥物能夠最終通過臨床試驗。平均耗時10年，花費十數億美元。
傳統的模式效率已經太低，必須要找到新的工具。
結果Alex聽后表示：這個新的工具，英矽智能已經有了，那就是其自研的管線和AI平臺——Pharma.AI。
02 AI藥師
實際上，在當時的市場上，除了英矽智能，還有不計其數的AI藥企，都想借助人工智能技術來加速藥物研發，降低藥物研發的成本和風險。
但是，并不是每一家AI藥企都能真正做到這一點。
例如，BenevolentAI曾經是英國最大的AI藥企，估值高達20億美元，但由于研發進展緩慢、資金緊張、遭遇了大規模裁員、估值縮水。
而讓英矽智能在AI賽道上站穩腳跟的原因之一，正是其自主研發的Pharma.AI平臺。
而Pharma.AI平臺最大的特點，就是可以讓研發人員SQL語言來指定AI任務，而不需要編寫復雜的程序或調用外部的庫或框架。
Pharma.AI的子系統之一：panda Omics
舉例來說，你想要用AI系統來生成一個新的藥物分子，你只需要用SQL語言寫出你想要的分子的特征，例如“結構類似于阿司匹林，活性高于阿司匹林”，而不需要告訴計算機怎么去設計和生成這個分子。
這樣，就可以省去用戶編寫復雜的程序，或調用外部庫或框架的麻煩。
做到了這點，成本才能真正降低，研究進度才能真正加快。
其次，Pharma.AI的特點，還在于其可以實現從靶點發現、分子生成、臨床前評估到臨床試驗結果預測等環節一站式研發，而不必依賴于外部的數據或算法，這樣可以保證數據的質量和一致性。
這是個十分重要的環節，因為相當一部分AI藥企，實際上都倒在了數據質量和可復現性問題上。
由于藥物研發涉及到大量的生物數據和化學數據，這些數據的質量、完整性、標準化和可獲取性都會影響AI算法的效果和可靠性。
而在數據方面，英矽智能成立之初，就組建了一支專業團隊，負責收集公開發表的所有數據，包括組學數據、化合物文獻專利數據、化合物的結構、性質數據等。
之后，這支數據團隊會對公開數據庫中的轉錄組學數據進行篩選、標準化和處理，轉化成機器可讀的格式，來進行機器學習。
在學習中，Pharma.AI會通過小塊學習來訓練自己的模型，避免數據之間的相互污染，提高模型的命中率，最后留下有效的算法。
目前，基于Pharma.AI平臺，制藥行業從項目啟動到IND籌備研究階段平均耗時，可以從4.5年壓縮到12個月以內。
客觀地說，英矽智能在AI制藥領域取得的種種優勢，實際上給行業內所有類似的AI藥企提了個醒，那就是：
AI制藥，之所以道阻且長，是因為其涉及的領域，本身就是一種復合型的學科，其涵蓋了生物技術、藥物化學、人工智能等多個領域的交叉知識。
僅精通藥理機制，或AI算法單方面的知識，都是不足以實現藥物的商業價值的。
雖然有些遠見的Alex，早已在數據和算法方面進行了布局，但在新藥商業化的邏輯中，除了靶點發現、化合物篩選等AI技術平臺擅長的領域，還有臨床試驗、商業化等多個有待跨越的“死亡之谷”，也都是AI制藥公司不擅長的。
這也是任峰這樣的“制藥老將”對這家公司轉型的重要性所在。
然而，即使在數據、算法、制藥等環節順利過關斬將，英矽智能在商業化的道路上，仍然要面臨諸多不確定性與風險。
03 坎坷的商業化
在商業模式上，國內AI藥物研發企業主要分為AI SaaS、AI CRO、AI biotech三種模式，即出售軟件、服務和研發藥物，分別占了商業模式總數的25%、23%和8%。
簡單來說，AI SaaS是提供AI平臺的方式，為制藥企業賦能；AI CRO則是用AI直接幫交付先導化合物；而AI biotech則是直接自研管線，包完了AI制藥的整個流程。
藥物研發流程示意
在實際生產中，醫藥行業的 SaaS做下來其實非常不容易，因為這不僅需要圍繞客戶的管線去打磨一套產品，而且為了應對實際部署后模型會產生偏差，AI藥企還需要人員去現場調試參數。
總體來說，SaaS做下來根本不賺錢，訂單額度較小，但維護壓力較大。
而AI CRO模式，則需要面對技術驗證和風險分擔的雙重難題，在目前，行業還沒有統一和公認的驗證方法和標準，來衡量AI技術在藥物研發中的各個環節的貢獻。
人工智能生產出來的藥物，不知道要幾個月和多少成本去做驗證，這是AI CRO模式最大的難點。
雖然英矽智能主要以AI SaaS服務為主，但其自身也有原創AI藥物研發平臺，和完整的藥物研發管線。
對于英矽智能來說，燒錢搞自研藥物雖然辛苦，但實際上也為自身帶來了勝于雄辯的廣告效應。
因為醫藥產業是一個極為嚴謹的行業，而研發又是一個失敗率很高的環節，稍有不慎就會價值清零，因為相當一部分大藥企，并不愿意輕易將研發交給AI制藥這樣的新技術。
在此情況下，英矽智能唯一破局之道，就是通過自研去向市場證明自身的AI制藥技術是能夠幫助藥企進入到臨床階段。
雖然憑借著獨特的自研管線，2021年至2022年間，英矽智能的營收從471.3萬美元猛增至3014.7萬美元，增幅達到了539.6%。
但從營收結構上來說，英矽智能的營收增長主要依賴于與大型制藥企業的合作，其中復星醫藥和賽諾菲是最大的兩個客戶，分別占了2022年營收的40.6%和36.7%。
從實力上來說，大藥企要數據有數據、要人才有人才，如果他們要親自下場用AI研發新藥，很多AI制藥公司恐怕就都沒有機會了。
這種情況對有自研管線的AI公司挑戰最大。
同時，英矽智能向外界透露，盡管在分子活性方面AI制藥公司已經非常擅長，但是在藥代動力學（與藥物在人體中的代謝有關）和毒理等需要從人體試驗中獲得數據的項目，則相對不容易獲取。
因為與人體試驗相關的數據主要還都集中在大藥企的手里。
而這一痛點，也是所有AI藥企繞不開的問題，因為AI制藥雖然能夠大幅縮短研發時間，降低巨大的人力和材料成本，但這種加速無論如何不能跳過臨床階段的。
而如果無法改變臨床階段進展緩慢的問題，就根本談不上所謂的顛覆。
從這點來看，盡管AI為藥物醫學帶來了諸多可能，但在商業化的道路上，AI藥企的未來仍然充滿不確定性。