在剛剛過去的2023WAIC世界人工智能大會上，生成式AI的熱潮幾乎貫穿了整場大會。作為當前最受關注的變革性風口，投資人、產(chǎn)業(yè)界、學術界都對其抱有諸多期待，尤其是如何在應用層面挖掘出顛覆性的機會。 AI+醫(yī)藥是被看到的機會之一。在本次大會上，美國超威半導體公司（AMD）董事會主席兼首席執(zhí)行官蘇姿豐在發(fā)言中就表示，醫(yī)療保健是AI能真正影響人類結果的領域，會幫助醫(yī)生作出更好的診斷，加速疾病預防研究。 她的老對手動作更快。7月12日，英偉達宣布以私募股權的形式向AI制藥公司Recursion投資5000萬美元。其創(chuàng)始人兼CEO黃仁勛在公告中表示，在開發(fā)新藥和新的療法方面，生成式AI是一種革命性的工具。Recursion正在使用英偉達的相關產(chǎn)品在生化領域進行開創(chuàng)性的工作，加速開發(fā)世界上最大的生物分子生成型AI模型，以此推動生物科技的發(fā)展并加速制藥公司的藥物發(fā)現(xiàn)。

AI制藥在國內(nèi)一直是風口之一，已經(jīng)涌現(xiàn)出一批在技術上跑到世界前列的頭部企業(yè)。當時代的機會來臨，身處一線的AI制藥企業(yè)如何認知當前的變化，《科創(chuàng)板日報》邀請到騰邁醫(yī)藥聯(lián)合創(chuàng)始人、CEO何騎、晶泰科技首席科學官張佩宇、深勢科技戰(zhàn)略負責人王小佛三位產(chǎn)業(yè)界代表，分享他們眼中的機會和挑戰(zhàn)。

▌“卡脖子”的不是算力是數(shù)據(jù)

對生成式AI浪潮帶來的影響，三位企業(yè)家共同的感知是“熱度”起來了。

騰邁醫(yī)藥CEO何騎表示，現(xiàn)在整個醫(yī)藥行業(yè)還處于寒冬中，但AI制藥的賽道已經(jīng)開始回溫。騰邁在今年3月份完成了3500萬美元A輪融資，當時得到了很多頭部機構的支持，現(xiàn)在也有不少機構表示對業(yè)務模式感興趣。

晶泰科技的首席科學官張佩宇和深勢科技戰(zhàn)略負責人王小佛都認為，生成式AI的影響還沒有直接傳導到AI制藥上，但已經(jīng)給行業(yè)帶來了正面的信號。張佩宇提到，“現(xiàn)在GPT的投資熱點還是圍繞大模型、數(shù)據(jù)庫、圖形計算這些，這只是開始，未來肯定是要向醫(yī)藥、制造這些更細分的應用層遷移，這是向上生長的必然過程。”

在ChatGPT爆火出圈前，AI賦能新藥研發(fā)已經(jīng)成為行業(yè)的共識。研報顯示，通過機器學習（machine learning，ML）、深度學習（deeplearning，DL）等方式賦能藥物靶點發(fā)現(xiàn)、化合物篩選等環(huán)節(jié)，能夠使新藥研發(fā)的成功率從12%提高到14%，每年為全球節(jié)約化合物篩選和臨床試驗費用約550億美元。

但另一方面，AI制藥也面臨著瓶頸。AI制藥目前主要應用在藥物發(fā)現(xiàn)、先導化合物篩選等早期階段，在臨床試驗階段更多還是要依靠人來完成相關工作。同時AI制藥也受限于數(shù)據(jù)同質(zhì)化的影響。通俗意義上說，AI的學習資料是人類已經(jīng)創(chuàng)造的實驗數(shù)據(jù)，對于冷門的靶點數(shù)據(jù)，AI無法無中生有。這也意味著生成式AI最具想象空間的能力受到了限制。

因此擺在AI制藥企業(yè)面前的困境和現(xiàn)在的大模型公司是截然不同的。張佩宇在采訪中直言，算力、算法都不是限制AI制藥企業(yè)發(fā)展的核心關卡。幾百個GPU和當前不斷迭代的算法已經(jīng)足夠支持一家AI制藥公司的需求，關鍵在于數(shù)據(jù)。 “不論是通過AI算力優(yōu)勢進行模擬計算，加速篩選優(yōu)化先導物，還是基于經(jīng)驗和大數(shù)據(jù)的訓練，設計全新的分子結構，都需要大量的數(shù)據(jù)作為支撐。

對于AI制藥企業(yè)來說，它的核心就建立在數(shù)據(jù)生產(chǎn)能力上?！睆埮逵畋硎?。 在何騎看來，現(xiàn)在AI之所以在藥物后期開發(fā)當中能發(fā)揮的作用還相對有限，主要問題就是數(shù)據(jù)匱乏，尤其是在臨床階段或者是轉化醫(yī)學上所需要的數(shù)據(jù)。這對大模型的訓練造成了很大的挑戰(zhàn)。

數(shù)據(jù)的匱乏不止體現(xiàn)在量上，王小佛進一步剖析了問題的核心，“現(xiàn)在數(shù)據(jù)的量是不夠的，因為通過實驗產(chǎn)生數(shù)據(jù)的成本非常高。更麻煩的是質(zhì)也無法得到完全保證，比如同樣的實驗，甲來做和乙來做，可能做出來的結果會不一樣，它本身是有很多場外因素的影響和關聯(lián)誤差存在的。底層數(shù)據(jù)的量、質(zhì)無法保證，直接結果就是AI學習的表現(xiàn)和成果就大打折扣了。”

在幾位AI制藥從業(yè)者看來，從ChatGPT走向DrugGPT的道路曲折且艱難，卡住脖子的不是算力而是底層數(shù)據(jù)生產(chǎn)能力。但同樣的，生成式AI浪潮下，AI制藥有機會給整個制藥行業(yè)帶來質(zhì)變，打破創(chuàng)新的瓶頸，解決研發(fā)效率的根本問題。

▌DrugGPT的未來還有多遠？

首要解決的是數(shù)據(jù)生產(chǎn)能力的問題。 晶泰的思路是“自動化+智能化”。張佩宇認為，藥物研發(fā)的過程是一個不斷試錯迭代的過程，其中不少環(huán)節(jié)傳統(tǒng)上都屬于勞動密集型，完全可以通過自動化來替代人類勞動，提高效率和精確度?，F(xiàn)在他們做的很多工作就是把傳統(tǒng)工藝轉化為自動化工藝，并且以自動化的流程全程追溯高精度數(shù)據(jù)，實時反饋給AI模型。

這種方式能比人類實驗收集更多、更全面真實的數(shù)據(jù)，提高人效數(shù)倍的同時，賦能人類去做更多更成功的創(chuàng)新探索。 自動化產(chǎn)生的數(shù)據(jù)源源不斷地驅動智能化算法的開發(fā)和優(yōu)化。自動化的效率越高，智能化算法的預測越精確、適用范圍越廣。

同時，智能化還體現(xiàn)于把非結構化的信息轉變?yōu)榻Y構化數(shù)據(jù)。據(jù)他介紹，現(xiàn)在AI可以將非結構化的文獻和專利中隱藏的合成路徑、分子結構等信息抽取出來，轉成結構化數(shù)據(jù)，提高算法的表現(xiàn)，再將設計的合成路徑輸出給自動化設備，進入化學合成測試、數(shù)據(jù)生產(chǎn)流程中。

在這個過程中，AI還能起到調(diào)度規(guī)劃的作用，高效并行地調(diào)用各種各樣的工具，針對不同的應用場景完成算法預測到實驗驗證的閉環(huán)。 “這是個值得期待的發(fā)展方向，走到最后，僅靠AI就能把設計和生產(chǎn)的閉環(huán)串聯(lián)起來，自動地完成藥物研發(fā)?！睆埮逵畋硎尽?br />
深勢則提出了AI for Science的科研新范式，簡單來說就是用AI去學習一系列事物底層運作的科學規(guī)律。王小佛表示，面對數(shù)據(jù)匱乏的問題，他們將AI引入更底層的科研領域后，讓AI利用自身強大的函數(shù)擬合和數(shù)據(jù)分析能力，去學習科學規(guī)律和原理，得出可用模型來解決實際的科研問題，特別是輔助科學家在不同的假設條件下進行大量的驗證和試錯，從而大大加速科研探索的進程。 目前已經(jīng)能看到在效率上的提升，王小佛提到，此前在藥物篩選過程中可能需要做很多次的高通量實驗，現(xiàn)在先用AI for Science的新范式去計算，算完之后再去進行小部分驗證，最近我們有試過做比過去少一個數(shù)量級的實驗，就能拿到候選藥物。這等于獲得了一個不止10倍以上的效率提升。

效率的加持帶來了更底層的變化。據(jù)張佩宇介紹，現(xiàn)在晶泰為生物醫(yī)藥設計的自動化數(shù)智實驗室，不僅可以用于藥物研發(fā)，還可以進一步拓展到同樣需要實驗篩選的化工、新材料方向，底層原理是相通的。但這些領域的安全性要求、驗證周期和項目復雜度顯著更低。這是一個不弱于制藥的巨大市場，目前他們已經(jīng)和一些石油化工、儲能材料等新材料研發(fā)企業(yè)達成了合作。 對于未來，他有相當樂觀的預期，在跨越數(shù)據(jù)生產(chǎn)的瓶頸之后，AI制藥有機會以量變引起質(zhì)變，未來的藥物研發(fā)可能整個過程都是通過AI去指導實現(xiàn)，使難成藥靶點及新的成藥機制催生出新一代優(yōu)質(zhì)藥物，創(chuàng)造新的藥物管線及增量市場。

在二三十年后，可以期待，新藥研發(fā)中90%的工作都可以讓AI來更加高效地完成，創(chuàng)新門檻降低的同時，藥物研發(fā)的天花板被抬高，以更少的資源、時間和失敗風險，讓更多藥物來到患者身邊。 當下，何騎認為，AI對藥物研發(fā)的推動力已經(jīng)到了第二曲線，Biotech公司在做創(chuàng)新藥研發(fā)當中，都不可避免需要在計算方面做大的投入?；谶@一痛點，提供了設備和算力，還有專家支持的AI制藥企業(yè)，已經(jīng)能得到不少客戶的認可。打下商業(yè)化基礎之后，企業(yè)可以以更長遠的視角，探索更多AI賦能藥物研發(fā)的路徑。

審核編輯：劉清