10年時間,10億美金。

“雙十”一直是制藥界常提及的概念——一款新藥研發(fā)成功需要耗時十年,耗資十億美金。而現在10億已經遠遠不夠,根據Tufts Center的統(tǒng)計報告,開發(fā)一款成功上市的新藥平均需要投入26億美元。

即便投入加大,新藥的綜合成功率卻一路下滑,2018年這一數字下降到11．4%。業(yè)內甚至表示,研發(fā)新藥幾百億打水漂也是常態(tài)。

「周期長、成本高、成功率低」越來越成為藥物研發(fā)路上的“攔路虎”。對于藥企而言,尤其是提升成本效率是當前發(fā)展的重要議題。

伴隨AI技術的加速發(fā)展、藥物研發(fā)數據的高速累積和數字化轉型,AI在藥物研發(fā)上的潛力逐漸釋放,比如對靶點、化合物結構、基礎生理機制和基因等數據進行快速分析,處理海量醫(yī)學數據,從而提高研發(fā)效率、縮短研發(fā)時間。

值得注意的是,去年該領域出現了近年來為數不多的技術大突破:Google旗下DeepMind的AlphaFold通過蛋白質的氨基酸序列高精度地確定其3D結構。而精準預測蛋白質折疊的精準預測是藥物靶標研究的重要一環(huán)。

自去年以來新冠疫情的爆發(fā),利用AI加快藥物研發(fā)變得尤為迫切。AI新藥研發(fā)的想象空間進一步被激發(fā),該領域的投融資情況迅速“升溫”。

在全球范圍內,據不完全統(tǒng)計,截至2020年11月,該領域去年的總融資規(guī)模達到近18．4億美元,比2015年-2017年的總和還要多。它與2014年相比,增長了約7．4倍;與去年相比增長了23%。

此外,去年有四家AI藥物研發(fā)的相關企業(yè)密集上市——Schr?dinger、Relay Therapeutics、Berkeley Lights、Lantern Pharma。其中Schr?dinger的市值已超過45億美元,而未上市企業(yè)中已有三家估值達10億美元,分別是BenevolentAI、Recursion Pharmaceuticals和晶泰科技。晶泰科技于2020年9月獲得3．18億美元C輪融資,這也是全球AI藥物研發(fā)領域的最高融資額。

以晶泰科技為代表的國內AI藥物研發(fā)企業(yè),也迎來了融資“豐收年”。據統(tǒng)計,去年共有9家國內企業(yè)獲得融資,融資總金額至少4億美元。

AI新藥研發(fā)主要由三方主力組成:AI初創(chuàng)企業(yè)、制藥企業(yè)和AI技術服務商。其中,目前全球AI新藥研發(fā)初創(chuàng)企業(yè)共有約240家,而國內企業(yè)還不足20家。該領域的迅速“升溫”離不開藥企巨頭們對該領域的態(tài)度轉變——從「試水嘗試」轉向「重點戰(zhàn)略布局」。

“藥神”的潛質—AI藥物研發(fā)的應用場景

百舸爭流之下,眾多藥企巨頭和技術巨頭到底看中了AI研發(fā)藥物的哪些潛力?

通過利用自然語言處理、深度學習、機器學習和圖像識別等AI技術,目前人工智能輔助藥物研發(fā)主要應用在藥物發(fā)現階段和臨床前研究階段,包括靶點發(fā)現、化合物篩選、化合物合成、晶型預測等幾大場景。其中靶點發(fā)現是AI+藥物研發(fā)最熱門的領域。

AI在這幾大場景中的具體應用如下:

一、靶點發(fā)現

靶點是指藥物在體內的作用結合位點,包括基因位點、受體、酶、離子通道和核酸等生物大分子。靶點研究需要整合大量多樣化數據源找到相關模式,再通過高通量技術確定合適靶點。一直以來,這項工作往往基于藥學專家的理論和經驗,大約耗時兩年以上,另外還存在一些偏差。

相比之下,AI利用NLP技術檢索分析海量文獻、專利和臨床試驗報告非結構化數據庫,找出潛在的、被忽視的通路、蛋白和機制等與疾病的相關性,以發(fā)現新機制和新靶點。

二、化合物合成

利用機器學習(或深度學習)技術學習海量化學知識,建立高效模型,快速過濾“低質量”化合物,富集潛在有效分子。此外,它或者還能通過云計算幫助化學家在多種合成路徑當中篩選出簡潔高效的最優(yōu)方法。

三、化合物篩選

化合物篩選,是指通過規(guī)范化的實驗手段,從大量化合物或者新化合物中選擇對某一特定作用靶點具有較高活性的化合物的過程。在藥物研發(fā)過程中,進入藥物研發(fā)管道的5000至10000個先導化合物中,平均只有250個能夠進入臨床。從數以萬計的化合物分子中篩選出符合活性指標的化合物,其篩選成本達到數百億美元。

AI可以通過深度學習技術,從藥化、生物學的大量數據中挖掘有效信息篩選化合物,并準確預測它們的理化性質、成藥性質和毒性風險�；�于機器學習算法和算力的提升,AI技術能夠開發(fā)出新型虛擬篩選方法,提升篩選效率。另外,AI圖像識別技術同時可應用于高通量篩選之中,助力化合物的篩選優(yōu)化。

四、晶型預測

晶型變化會改變固體化合物的物理及化學性質(如溶解度、穩(wěn)定性、熔點等),導致藥物在臨床治療、毒副作用、安全性方面的差異。單純依賴人工獲得穩(wěn)定性強且溶解度好的晶型,需要耗費大量時間并且成功率很低。而通過深度學習能力和認知計算能力,AI可以實現高效動態(tài)配置藥物的晶型,更快更精準地找到良好的晶型。

AI藥物研發(fā)趨勢和挑戰(zhàn)

億歐大健康經過梳理發(fā)現,未來AI藥物研發(fā)領域正呈現以下幾大趨勢:

一、制藥巨頭加快建立內部相關研究部門或加強與AI初創(chuàng)企業(yè)/AI技術服務商的合作,其中合作的頻次和廣度將進一步提升�？梢灶A見,多方合作將有助于拓展藥物管線,并推動出現重大研究突破。截至目前,拜耳、諾華在AI藥物研發(fā)領域的合作數量最多,均達成了8項;輝瑞、阿斯利康、GSK(葛蘭素史克)、羅氏分別累計有7、6、4項合作。此外,默沙東、羅氏、賽諾菲、BI(勃林格殷格翰)均達成了3項相關合作。

二、AI初創(chuàng)企業(yè)初步形成頭部效應。從全球融資情況看,已有小部分企業(yè)的融資體量遙遙領先,預計2021-2022年會有一批企業(yè)率先上市。

三、科技巨頭幾乎均已入局,搶先一步獲得研究突破將及早建立競爭壁壘,比如已經在蛋白折疊預測領域有所突破的谷歌。以國內為例,阿里云與GHDDI(全球健康藥物研發(fā)中心)合作,開發(fā)了AI藥物研發(fā)和大數據平臺;騰訊成立了推出了首個由AI驅動的藥物研發(fā)平臺“云深智藥”;百度成立了“百圖生科”公司,以AI技術加快新藥和診斷產品的研發(fā)速度;華為與字節(jié)跳動都在招攬AI制藥領域人才。

資本涌入,巨頭加持,AI新藥研發(fā)領域似乎走到了自己的“高光”舞臺。但實際上,目前該領域的產業(yè)化成果和突破性研究很少,大部分項目仍處在臨床階段。此外它還面臨著一些不小的挑戰(zhàn),比如AI新藥研發(fā)人才匱乏、優(yōu)質數據稀缺等。

作者:秘叢叢