新藥研發(fā)具有成本高、研發(fā)周期長、成功率低三大高風險性質。據《Natrue》報道，新藥研發(fā)成本約為26億美元，耗時約10年，成功率不到1/10。如何加速新藥研發(fā)進程，降低研發(fā)費用已成為各大制藥公司迫切需要解決的問題。此外，藥品流通環(huán)節(jié)及醫(yī)療價值鏈的轉變，迫使制藥公司降低價格，提升藥物價值。
如今藥物研發(fā)累計的數據高速增長，藥物研發(fā)領域數字化轉型加速。因此，藥企的首要任務在于利用這些數據來驅動價值，達到提高藥品生產效率和審批率，并降低成本的最終目標。
最近為學習和預測新特征而建立的人工智能技術，尤其是深度神經網絡（DNNs）或遞歸神經網絡（RNNs）等的進步，讓人工智能技術應用更為廣泛，社會自動化程度提速。在此大背景環(huán)境之下，與大數據、云計算相結合的人工智能技術在藥物研發(fā)中的應用日益增多，應用優(yōu)勢也得到突出體現。
AI+藥物研發(fā)應用情景與技術
從1956年的達特茅斯會議開始，AI在藥物研發(fā)中的應用已有60多年的歷史，現在已滲入醫(yī)藥研發(fā)各個階段，但還主要集中在新藥發(fā)現和驗證階段。不過應用的技術已有很大進步，已從以前定量關系的（QSAR）和定量結構-性質關系（QSPR）的研究中的標記訓練數據集和模型進步到機器學習、認知計算和圖像識別等。
現在，AI與藥物研發(fā)相結合應用的主要場景包括：發(fā)掘藥物靶點、挖掘候選藥物、高通量篩選、藥物設計、藥物合成、預測藥物ADMET性質、病理生理學研究及新適應癥的開發(fā)——老藥新用。其中靶點篩選是近期AI+藥物研發(fā)最熱門的領域，而兩者相結合的應用也將讓老藥新用達到新高度，但小分子藥物篩選和設計仍然占主要地位。但按照應用場景的發(fā)展速度來看，藥物合成未來或將成自動化程度最高的方向。這些應用場景常用的AI技術主要是機器學習、認知計算和圖像識別等。
AI+藥物研發(fā)代表企業(yè)和布局領域
目前，AI+藥物研發(fā)代表性的初創(chuàng)企業(yè)有Exscientia、BenevolentAI、Atomwise、Relay Therapeutics、晶泰科技、燧坤智能、Numerate和IBM Waston和Lam Therapeutics等。按照現有初創(chuàng)企業(yè)在治療領域的布局情況來看，腫瘤占比最多，而神經領域次之，而罕見病相關的企業(yè)也較多。因此，腫瘤和神經系統(tǒng)不僅是目前AI+藥物研發(fā)的布局重點領域，也是未來發(fā)展的潛力領域，而AI也將助力破解罕見病診斷難和藥物研發(fā)難的“兩難”境地。
圖1. AI+藥物研發(fā)初創(chuàng)企業(yè)治療領域布局情況
數據來源：biopharmatrend，數據截止時間為2019年7月底
AI+藥物研發(fā)優(yōu)勢及代表實例
與傳統(tǒng)藥物研發(fā)模式相比，AI+藥物研發(fā)具有縮短研發(fā)周期，節(jié)約資金成本，提高成功率，充分利用現有醫(yī)療資源等優(yōu)勢。據統(tǒng)計，傳統(tǒng)模式下的藥物研發(fā)光是臨床前階段可能就需要4-5年。而基于AI和生物計算的新藥研發(fā)管線平均1-2年就可以完成臨床前藥物研發(fā)，藥物研發(fā)明顯提速。自此，首個完全通過AI設計的藥物-渦輪增壓”的流感**已經進入臨床階段。Pharnext公司利用AI技術開發(fā)的治療腓骨肌萎縮癥1A亞型的組合療法PXT3003已完成兩項III期臨床，且取得積極結果。2017年天士力也與Pharnext達成了合作協議。
AI+藥物研發(fā)企業(yè)合作情況
2019年9月11日，江蘇豪森和Atomwise宣布，雙方將合作設計和發(fā)現多個治療領域中多達11種未公開靶蛋白的潛在候選藥物。根據雙方合作協議，此次合作對Atomwise的潛在總價值將超15億美元。之前正大天晴通過與阿里云合作獲得一種全新的化合物篩選方法。據悉與傳統(tǒng)計算機輔助藥物設計方法相比，這套新方法可提高篩選準確率20%。
再看全球藥企的合作情況，至此，全球十大跨國企業(yè)均已入局AI+藥物研發(fā)領域，具體合作信息如下表所示。因此在AI+研藥物領域，初創(chuàng)企業(yè)布局平臺，通過技術合作盈利，而傳統(tǒng)大型企業(yè)通過合作或者戰(zhàn)略投資入局。在此趨勢之下，初創(chuàng)企業(yè)的涌現、合作和融資情況在2018年均達到了歷史最高，初創(chuàng)企業(yè)融資金額高達10.36億美元（未包括未公開項）。
AI+藥物研發(fā)所面臨的機遇和挑戰(zhàn)
來自TechEmergence的一份報告顯示，人工智能可以將新藥研發(fā)的成功率從12％提高到14％，可以為生物制藥行業(yè)節(jié)省數十億美元。此外，據報道AI在化合物合成和篩選方面比傳統(tǒng)手段可節(jié)約40%-50%的時間，每年為藥企節(jié)約260億美元的化合物篩選成本。在臨床研究階段，可節(jié)約50%-60%的時間，每年可節(jié)約280億美元的臨床試驗費用。即AI每年能夠為藥企節(jié)約540億美元的研發(fā)費用。AI+藥物研發(fā)與傳統(tǒng)模式相比，時間和成本優(yōu)勢明顯。
現在，全球十大藥企已入局，而初創(chuàng)企業(yè)融資和合作也達到了歷史最高，領跑著已獲得高額融資回報，而優(yōu)先布局的大型企業(yè)如羅氏也掌握了優(yōu)質數據源。按此發(fā)展，未來AI+醫(yī)藥這一市場有著巨大的發(fā)展?jié)摿?。?025年，AI+藥物研發(fā)的市場規(guī)模將超37億美元（不包括診療等）。
但AI+藥物研發(fā)同樣面臨著不太樂觀的現狀及諸多挑戰(zhàn)。2019年4月，IBM公司因為財務業(yè)績低迷，決定停止開發(fā)和銷售藥物開發(fā)工具——Watson人工智能套件。作為醫(yī)藥健康領域人工智能的領跑者，也不得不面對財務業(yè)績低迷的狀態(tài)。
此外，當下AI應用較為集中的靶點篩選方向，現已通過文獻分析等篩選出比已批準藥物更多的靶點，但是靶點的確證卻是一道難題，如何建立確證模型，又用什么來確證，人力財力是否跟得上，這也是需要思考的。另外，人工預測藥物的可成藥性，與通過試驗摸索得到的藥物相比，可信服度低。因為基于已不到2000個獲批藥物的數據集（質量未必高）來預測，這是遠遠達不到依賴高質量、有標識的數據集的深度學習的最基本的要求。而這也恰巧是AI在藥物合成方面的應用優(yōu)勢。
因此整體來看，AI+藥物研發(fā)真正意義的產出極少，大部分企業(yè)需要面對產出成果不足或者不優(yōu)而導致財務狀況堪憂的現狀。因此，企業(yè)需要合理的定位產業(yè)鏈角色，選擇適合的創(chuàng)新商業(yè)模式。
此外， AI+藥物研發(fā)的企業(yè)也面臨來自政策、人才、技術等方面的挑戰(zhàn)。新的技術的引進，讓原有藥物研發(fā)模式改變，監(jiān)管人才、政策指南等均需要同步更新，而現在尚無針對性的政策指南出臺。就人才而言，高端復合型人才的缺失也限制了這一領域的發(fā)展。且AI多任務學習的“黑匣子”特征仍是深層神經網絡從復雜生物信息中提取關鍵關聯信息的阻力。未來需要政策監(jiān)管同步提高，培養(yǎng)復合型高端人才，技術方面如自然語言處理實用化發(fā)展、知識圖譜的多維度應用，以及知識問答、分析決策和語義搜索等也需要較大提升。除此之外，對AI+藥物研發(fā)認知度和生物復雜性的理解提升也有待提高。在決定AI+藥物研發(fā)質量的數據問題中，如何建立研發(fā)數據標準體系完善數據，如何建立風險利益公擔的共享機制，也是未來AI+藥物研發(fā)所需要面對的。
結語
雖然AI+醫(yī)藥研發(fā)目前現狀并不是非常樂觀，還面臨諸多挑戰(zhàn)，但可以明確的是，AI+藥物研發(fā)的結合必然是未來制藥行業(yè)的發(fā)展趨勢，也將在未來十甚至二十年的時間內，對醫(yī)藥領域進行一場顛覆性的革命，迎來新時代。
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所有（保留一切權利）
滬ICP備05034851號-57
