迄今，AI制药行业还没有一款药物获批上市。近期以来，全球多款首批用人工智能（AI）设计的新药分子在临床阶段遭遇失败或被剥夺优先级，但资本市场对于AI制药的热情却并没有因此退去。
据市场机构统计，今年三季度，全球AI制药领域出现了多起大额融资。10月份，全球AI制药领域有所降温，但当月8家完成新一轮融资的AI制药相关企业所披露总金额仍达到约12.34亿元。与此同时，在投资机构的名单中，出现了英伟达、红杉资本等的身影。
资本对于AI制药相关企业的关注点主要聚集在药品研发的早期阶段，这也是AI在制药领域被寄予厚望的部分从1981年被《Discovery》杂志首次报道以来，AI应用于制药领域已经有超过40年的历史。理论上可以赋能药物研发从临床前到临床试验各个阶段和不同领域的AI算法，目前更多聚焦于靶点发现、化合物筛癣分子设计和优化等临床前阶段。在国内创新药靶点扎堆、同质化严重的当下，基于深度学习技术的AI，正成为以追求“first-in-class”为目标的创新药企共同瞄准的新赛道。
然而，AI赋能新药研发，既不一定“更快”也不一定“更好”。一方面，AI在制药领域的应用潜力，受制于现代医学中组学技术的发展以及高质量数据量有多大、算法有多精确；另一方面，仍主要局限于临床前如疾病机制研究、靶点发现和虚拟化合物筛选等环节的AI，在加速某一个制药环节的过程中，也有可能被另外一个环节所稀释。
第一财经近日就AI制药话题专访了英矽智能（Insilico Medicine）联合首席执行官兼首席科学官任峰。英矽智能是全球较早进入AI+Biotech（生物科技）赛道的玩家之一。
任峰表示，相较于AI分析病例、患者影像的技术已经比较成熟了，AI在生物医药领域的赋能还处在比较早期的阶段。但在AI的辅助下，可以充分利用患者组学数据，针对特定疾病发现可靠的潜力靶点，进而解决行业内卷问题。
AI制药仍处于辅助性阶段
第一财经：今年下半年，英矽智能已有一款AI抗肿瘤新药以高价实现授权转让（license-out）。我了解到这款抗肿瘤新药今年已实现“中美双报”，两国药审部门对于利用AI技术研发的药品，是否会采取更严的标准？
任峰：license-out模式指企业进行药物早期研发，然后将项目授权给其他药企做后期临床研发和上市销售，合作中的购买方，主要关注的是化合物的有效性、安全性和差异化，至于是否是AI生成的，并不是影响其购买意愿和双方交易金额的主要因素。换言之，AI设计药物可以加快项目进展，但就合作伙伴，其本质上更关注的还是化合物成药的可能性。
至于药审工作，不管是中国还是美国，有关部门在新药临床试验（IND）的审评审批工作中，关注的依然是新药化合物的试验室数据，包括药效、毒性和安全性等，也即提供足够的数据证明该款新药化合物在人体开展试验是安全并有潜在价值的。至于这个化合物是人工筛选还是机器筛选出来的，并不构成影响。
第一财经：前述的药审经历，是不是在某种程度上也反映了AI制药还处于辅助性的阶段，没有办法做到一个颠覆性的改变呢？
任峰：目前来说，我们必须承认AI的工具属性，也就是它会提供很多可能的解决方案，但不能代替人类做出决定。最终需要的还是人类智能和人工智能的配合。怎样去达成这个配合非常关键，比如AI提供了几个相对优秀的解决思路，如果人类恰巧选择了其中比较错误的那一个，就会带来麻烦。
相较于AI分析病例、患者影像的技术已经比较成熟了，我认为AI在生物医药领域的赋能还处在比较早期的阶段，还没有一款AI研发的药物成功上市，整个POC（概念验证，prove of concept）还没有完成，还没有完整的行业最佳实践可以证明AI研发药物的能力。目前AI生成的药物大多处在临床1期，部分达到了临床2期，但也都处于比较早期的阶段。
中国的AI制药起步相对晚一些，传统药企还处于观望的态度，但也在做一些探索性的布局。
第一财经：在当前这个工具属性较强的阶段，AI在加速某一个制药环节的过程中会不会被另外一个环节所稀释？
任峰：是有可能的，某个环节上的加速可能被其他环节的拖延稀释。AI主要对药物早期发现有帮助，从靶点发现到临床前候选化合物（PCC）的确定这个过程，可以通过AI缩短研发周期、降低研发成本。但在PCC确定之后，程序化的试验，包括放大试验、制剂、稳定性评估、药代动力学、药效评估、安全性评价等，快的话11~12个月可以完成，慢的话需要18~20个月，因为验证性实验的设计，会造成这个环节的耗时差值，可能就把之前节省的时间消耗掉了。
AI制药有望打破新药研发内卷化
第一财经：近几年大语言模型、深度学习在制药领域取得广泛应用。这是否对数据体量提出更高的要求？
任峰：从整体上来讲，对于AI算法而言，高质量的数据量越大，算法就越精确，所以AI制药行业对于数据的态度是多多益善。然而，受到一些条件限制，部分领域的数据样本量比较少。
在这种情况下，可以利用大语言模型等通用性模型，搭建一个预先训练好的模型，再将经过预训练的模型应用到小样本量的数据上，用这种方式来处理样本量比较小的目标任务，让小样本量计算成为可能。在这种通用模型出现之前，类似的小样本计算非常不准确，但当今的预训练通用模型可以在数据量偏少的情况下，创造出准确率相对比较高的算法来解决药物研发问题，进而赋能生物医药领域。
第一财经：根据你的描述，基于深度学习，药物罕见病适应证的拓展和全新靶点的新药发现，似乎有更大可能性？
任峰：药物研发之所以内卷，是因为缺乏优秀的靶点，其实大家做分子的能力都很强。比如PD-1的潜力得到验证之后，现在有了上百个PD-1药物的临床。在GLP-1出现之后，国内又有95家在做。
有了AI辅助，我们可以充分利用患者组学数据，针对特定疾病发现可靠的潜力靶点，进而解决行业内卷问题。如果有100个PD-1这样的明星靶点，就不需要内卷了，各大药企分散来推进研发就好了。在基因数据规模越来越大的未来，我们有望利用AI在某些疾病领域找到平衡新颖性和可信度的靶点，从根本上消减内卷问题。
说到罕见病，之前由于患者群体偏孝投资回报率比较低的问题，大家给这个领域的关注比较少。另一方面，偏小的患者规模意味着在临床试验招募患者上面临挑战。AI出现之后，传统流程下回报率比较低的罕见病药物流程可以得到加速，AI也能通过降低整体成本来解决“投入成本难以收回”的担忧。
对于很多致命的不可逆转的罕见病，患者可能没有时间等待一款新药的研发。这个时候，AI就可以辅助“老药新用”研究，在市面上已有的产品中寻找可能对该罕见疾病有效的药物，尽快让患者有新的选择和尝试机会。
AI制药对于非肿瘤药物研发有同样潜力
第一财经：目前，AI切入的药物领域可能还是肿瘤类药物为主，这会不会反而加剧了这个领域的内卷趋势？AI在其他类型药物研发中是否具有同样应用潜力，只是药企没有更多往这方面投入？
任峰：这个选择依赖公司技术平台的特色，也会根据当前市场情况有调整。
举例来说，之前AI制药公司和传统药物研发公司都不会花费太多精力研发抗病毒药物，但新冠疫情带来了“抗病毒常态化”的概念，也改变了这个格局，让更多公司聚焦在抗呼吸道病毒药物的研发，而不是传统的甲肝、乙肝、丙肝等病毒。
对于拥有技术平台的AI制药企业而言，选择这些项目，一方面和公司技术平台的特色有关，另一方面也和外部企业的合作意愿有关。
对于没有生物学平台、聚焦化学平台的公司而言，一般会选择短时间内见效的，或者比较容易做的适应证，大多数就会选择癌症入手。原因在于，癌症药物可以在临床1期就用到患者群体，很快看到疗效。对于其他的慢性病，临床1期都是健康人受试者，要很久之后才能看到候选药物在患者身上的数据。
