第一部分：大分子

1、AI在不同藥物領域的研發進展?

AI在早期藥物發現的各個領域都有應用，化藥因為高質量數據多，用算法做分子生成、藥效評估、成藥性預測和毒性分析都有應用。AI在化藥領域的應用已經很成熟，比較容易實現，但是可以做的創新東西不多。

(資料圖片)

大分子的AI計算還處在非常早期的階段，多肽發展稍微快一些，從單體計算到復合物再到多肽/核酸、多肽/蛋白開始做結構設計。但是現在的生物藥都是通過序列和物理結構做設計，大分子都有柔性片段和三維空間結構，結構這塊的預測和算法發展很慢。多肽現在已經可以做到三四十個氨基酸的大環肽，可以做peptide-ADC和peptide-核藥。

蛋白抗體的空間結構更加復雜，抗體的數據都是高度保密的，數據的真實性問題比較大，很多體內篩出來的抗體流式分析假陽性，實際沒有辦法和抗原結合，非特異性結合體導致體內脫靶效應很嚴重?，F在大部分公開數據都是沒有經過抗原抗體結合驗證的，整體數據質量都比較差。

2、藥企利用AI技術篩選藥物的主要商業模式?

藥企和AI公司的合作主要有幾種：1)AI公司自己做藥物開發，做到PCC或者IND，然后授權;2)大型制藥公司自己組建AI部門做算法;3)通過CRO外包的形式把自己的業務外包給AI公司做藥物結構優化，按照工時收費。

大型制藥企業目前主要通過收購AI公司，或者拿到AI公司的算法授權，用企業內部數據訓練模型的方式生成藥物分子，不會與AI企業共享數據。但是能夠開發的藥物領域非常多，跨國藥企也很難在每個細分領域做到數據上的全球領先，AI公司能夠在細分領域做出產品的差異化。

國內真正掌握AIDD的技術人員非常少，都自己出去創業了，從2021年開始全市場都在招人。企業自建AI部門前期投入成本很大，一條管線需要配3-5個人，整套的計算軟件的費用也比較高。

找AI公司合作一般會簽署排他協議，每個靶點在幾年時間內只能給一家客戶服務。AI公司會在確定靶點的時候讓團隊評估公司現有的模型能不能做，或者通過簡單的算法迭代能不能實現，然后再決定接手這個項目。

3、AI算法與傳統CADD篩選藥物分子的區別?

目前大部分的化學藥物篩選都是使用的CADD，傳統的CADD講究的是人的研發經驗和計算機輔助設計之間的結合;AIDD的思維方式更偏計算機，會篩選出全新的藥物骨架。

純算法公司算法的地位很高，實驗團隊只是個工具團隊做結果驗證。但是傳統制藥企業是以臨床導向來設計開發產品。

4、AI數據庫和算法的核心競爭力?

藥物發現的數據量越多，準確度就越高，需要不斷去擴充自己的數據庫。公開的文獻資料大家都能檢索，但是從自然獲得的天然序列和功能片段每家都會不一樣。

通用的底層算法在網站上都能免費獲取，但是基于機器訓練學習的優化模塊都是需要商業付費的。因為每家底層優化算法的邏輯不一樣，AI公司在篩選同一個靶點藥物的時候也會生成完全不同的藥物分子。

AI公司的算法團隊每天會通過網上發表的新文獻不斷更新和調試自己的模型，某些熱度比較高的領域甚至每天都會上線幾百篇新的科研文章。由于數據的真實性和重現性問題，訓練模型采用的方法非常關鍵。

5、AI行業近幾年的發展變化?

蛋白質分子結構預測，算法和通量都在提升?，F在6個氨基酸的已經篩的差不多了，氨基酸的序列數量在不斷提升。大分子需要通過酵母、噬菌體或者mRNA展示平臺進行結果確認，現在可以做到酵母展示平臺同時分析1000條序列。以多肽為例，人工合成幾百條的成本已經很低，現在也有在開發多肽的自動化合成儀，通量一直在提升。

自動化設備只能做重復性的工作，對于不穩定的產品需要多次改變參數，不需要通量提到非常高的水平就足夠用來訓練模型。

ChatGPT現在有嘗試用氨基酸序列去訓練蛋白質語言。

第二部分：算法

1、AI算法在藥物研發當中的應用場景?

早期主要做靶點發現，聯合用藥機理研究，通過敲出基因降解蛋白研究疾病發生的原因。小分子目前已經發展到給定一個蛋白表面的口袋(與藥物結合的位點)，就可以用算法生成藥物分子，交給藥物化學專家再做進一步的結構優化和CMC。大分子這兩年進步很快，可以根據靶點生成蛋白，然后交給做實驗的部門確認。

AI能夠幫助研發人員尋找到親和力最好的藥物分子，但是在實際疾病治療過程中, 親和力最好的分子不一定是藥效最好的分子，對疾病發生治療的全面了解，是AI目前無法替代的部分。

2、AI算法底層架構的來源?

有些公司會直接用已經公開發表的算法，有些公司會根據公開算法做進一步優化，有些甚至會盜用其它企業的算法。算法底層的邏輯都差不多，但是在細分抗體結構域的優化方面每家有自己的特點，各家企業會通過自己獨有的數據庫訓練優化，形成各家獨有的產品管線。算法的更新迭代騰訊和字節這類公司做得更多。傳統大藥企的核心在于CMC、臨床和商業化，海外的大藥企也更傾向從biotech購買新發現的分子。

3、傳統大藥企和AI制藥公司的差異?

傳統的大藥企也在嘗試搭建相關的團隊，但是生物學家不懂計算, 生物學家更傾向通過自己的經驗去優化分子，有自己的路徑依賴，但是比較費錢費時間;算法公司可以直接生成分子，但是算法的底層框架和傳統篩選方法不同，不一定能夠被生物學家很好的理解。藥物研發到了CMC之后的階段，算法能夠提供的幫助就非常有限了，臨床試驗的時間也是沒有辦法通過算法縮短的。

4、AI制藥目前在國內的發展階段?

過去幾年Google、Amazon、Microsoft在底層算法上取得了非常大的進步, 2017年Transformer模型出現，2020年α fold在此技術上實現了蛋白結構的解析，算法層面實現比較大的突破。數據方面一直是在緩慢積累的，屬于緩變量。大分子結合面比較大，這幾年進步非常快;小分子在分子動力學方面(小分子和蛋白結合)進展很慢，小分子結合面很小，算法要求非?？量蹋M展緩慢。

2018年設計的分子, 可能剛做到IND階段，這兩三年很關鍵，能夠初步驗證第一批篩選出來的分子是否能夠成功進入臨床實現商業化。以前篩選分子需要耗費上千萬的費用, 一年以上的時間;AI算法可能幾十萬一個月就能完成。分子生成的速度現在很快，根據特定的靶點生成對應的蛋白幾周就可以完成，然后通過2-3周的實驗驗證就可以完成初步的驗證。以前傳統的藥物篩選方式需要建立10^8以上的蛋白庫做驗證，非常耗時成本也很高。AI在計算的時候就可以直接完成親和力方面的結構優化，傳統篩選方式篩出來的蛋白還需要后續進行結構優化。現在計算已經很快了，但是都需要做實驗驗證，速度沒有辦法提得更快，也沒有必要在后續實驗數據不充分的情況把所有的分子結構都計算完。

5、各AI企業的主要差異?

所有的AI模型都是基于α fold的基礎建立的，每家用自己獨有的數據庫進行訓練和微調，方法論是通用的，只是大家選的研究方向不一樣，國外開源的數據庫很多。理論上國內的CRO公司是不能采用客戶的數據進行模型訓練的，需要得到客戶的授權，并且客戶的數據也不夠完整。

本文轉載自“價投幫”公眾號;智通財經編輯：陳雯芳。

關鍵詞：