2024年诺贝尔奖三大科学奖中两项授予了人工智能（AI）相关成果，DeepMind联合创始人兼CEO Demis Hassabis凭借AlphaFold成为化学奖三位共同获奖者之一，再次将人们的目光聚焦到新药研发领域。新药研发工作风险大、周期长、成本高，业内流传着平均需要超过10年时间、10亿美元成本、才有10%成功率的“三十定律”。随着AI技术的突破迭代，计算机辅助药物设计（CADD，Computer Aided Drug Design）不断向人工智能辅助药物设计（AIDD，Artificial Intelligence-Driven Drug Design）演进，多维度赋能药物研发提质增效，推动AI制药从“理论实验”加速迈入“技术验证”新阶段。
一、AI赋能药物研发的环节
相关数据表示，至今60%疾病无有效治疗药物，大量临床需求未被满足，业界迫切需要新的研发工具和范式加快新药研发上市，AI+新药研发进入关注视野。目前AI主要应用在靶点发现、化合物合成、化合物筛选、晶型预测、适配患者招募等环节。
数据来源：塔夫茨大学药物发展研究中心数据，优发国际绘制
图1 AI+药物研发的主要场景
数据来源：Tech Emergence数据，优发国际绘制
图2 AI赋能药物研发的效果
（一）优化药物发现流程
药物和靶点的关系就像钥匙和锁，合适的化合物（钥匙）才能激活或者抑制疾病相关的靶蛋白（锁）。传统药物研发范式通常采用“一分子、一靶点、一疾病”策略，依靠试错法识别有效针对疾病相关蛋白质的化合物，然后再设计药物结构，通常一个药物结构至少需要花费几个月甚至几年的时间才能得到。DeepMind推出的AlphaFold 2利用一张GPU只需半个小时就可以得到一个近似的结构，AlphaFold 3更是将预测范围扩展到“几乎所有分子类型”的蛋白质结构和蛋白质与其他各种生物分子的结合，帮助药物开发人员快速识别靶点，同时辅助设计蛋白结合体。
（二）加速临床前研究
临床前研究主要包括药物动力学、药剂学和毒理学等，用以评估候选药物通过临床试验的可能性。传统模式下，上述药物临床前研究需要花费数月时间，而辉瑞和晶泰科技公司利用基于AI的小分子药物模拟算法平台，仅用6周便确认了一款蛋白酶抑制剂——化合物PF-07321332的优势晶型，让Paxlovid成为第一款获得美国FDA批准的新冠口服药。
（三）提高临床试验成功率
临床试验是新药研究中周期最长、成本最高的环节，由于存在患者匹配度不足、试验期间监测不力等原因，当前的药物临床试验成功率大约只有10%。而通过大模型优化临床试验设计、加快适配患者招募入组、高效管理分析数据、模拟预测临床试验结果，可以显著提高临床试验成功率。此前获得1.5亿美金B轮融资的Iterative Scopes，利用其人工智能招募（AIR）技术确定IBD（炎症性肠病）临床试验招募对象的试验资格，简化匹配过程，帮助辉瑞等公司加快临床研究进程。
二、研发管线与模式
从AI新药研发管线上看：截至2024年1月4日，据智药局数据，全球共有102条成功进入临床阶段的AI药物研发管线，一半以上尚处临床Ⅰ期。其中抗癌药物管线是众多企业的研发首选，近一半正在进行肿瘤相关的研究。
数据来源：智药局数据，优发国际整理绘制
图3 AI制药公司临床管线进度
表1 国内外部分获批临床的药物研发管线
表格信息来源：优发国际根据公开信息整理，截至2024年1月
从AI新药研发模式上看：目前逐渐演化出以下三种研发模式，一是大型药企自建或收购AI研究团队。全球十大制药公司均已布局AI新药研发，辉瑞、GSK、诺华等制药公司已在内部组建AI研究团队，赛诺菲更是在去年宣布了“All in AI”战略。二是AI+新药研发创新公司不断涌现。由于众多AI+新药研发创新公司缺少新药研发的相关数据、研发管线以及资深专家，与大型药企或者CRO企业开展合作，成为其谋求生存的重要方式。如药明康德和Schrdinger合作，将其先导化合物优化服务与Schrdinger的药物设计软件平台相结合，加速新药发现。英矽智能与复星医药达成合作协议，推进多个靶点的AI药物研发。三是IT巨头利用自身基础主动布局。部分依托强大算法与科技实力，作为“卖铲人”获利。另一部分则拓展其业务和投资版图，如腾讯投资的晶泰科技已于今年6月在香港上市。
三、展望及建议
从靶点发现到化合物筛选，再到临床前研究、临床实验，AI在药物研发领域展现出巨大潜力，大大加快新药研发速度，但应用过程中仍面临诸多挑战。截至目前，也还没有完全由AI辅助研发的新药获批上市。为加快释放AI在药物研发领域的应用价值，为我国创新药高质量发展提供有力支撑，建议从以下三方面进一步加强部署。
（一）加快打破数据壁垒
数据质量参差不齐、稳定性不足，多源异构数据影响整合能力、药企不愿公开核心数据等问题，是制约AI药物研发进一步推进的关键掣肘之一。亟需加快探索医药健康数据开放和流通机制，布局干湿一体化实验平台，加快完成数据的原始积累，解决行业数据匮乏的困局。
（二）医产协同深化应用
虽然目前各企业已在大模型基础上进行AI驱动的药物研发实践，但在重大疾病致病机制研究、药物靶点发现等环节的潜力还有待进一步释放，在最耗时、耗资的临床试验阶段渗入尚浅。亟需加强医产学研协同创新，通过组织医产融合共享平台建设、推动典型场景应用示范等方式，“以点带面”加快AI技术在临床试验等更多关键环节的深度应用。
（三）强化智能算力保障
AI药物研发高度依赖于大数据处理和分析，算力是支撑这些复杂计算任务的关键要素。亟需在利用好现存智算资源的基础上，合理布局建设新的算力基础设施，逐步构建起多元一体化算力网络，为AI药物研发企业提供稳定、泛在、安全的算力服务，护航AI+新药研发的快速推广。
参考文献
[1]潮涌｜AI制药走向成熟，数据共享亟待破局［EB/OL］.
http://www.thepaper.cn/newsDetail_forward_23010529
[2]专题报告 | 人工智能在新药研发中的应用现状与挑战［EB/OL］.
http://www.cn-healthcare.com/articlewm/20211020/content-1275725.html
[3]人工智能加速落地新药研发［EB/OL］.
http://www.news.cn/fortune/20241024/1af8b8defc5a45578abf24e9bf010b12/c.html
作 者
杜玉竹，咨询工程师（投资），长期关注研究生物经济领域
梁 雨，长期关注研究人工智能领域
