2023年全球Top 10总融资额同比增长约65% AI制药获跨国药企重注加码_新浪财经

不论是削减销售费用，还是关闭生产基地、研发中心和批量裁员，缩减成本几乎是所有药企当下专注的课题。贝恩公司一项调查显示，40%的药企已经在2024年的预算中考虑了预期的节省，60%的药企已经制定降低成本或提高生产率的目标。

在此背景下，人工智能（AI）在药物开发、制造和商业化方面的作用，以及可能带来的效益提升再次被重视。特别是在过去两年的生成式AI热潮推动下，市场重燃了对AI制药公司的投资热情：2023年全球AI制药Top 10总融资额约为15.3亿美元，比2022年的9.26亿美元增长约65%，且更多涉及生成式AI蛋白药物、mRNA疫苗、基因编辑、非编码RNA等前沿领域。

跨国药企与AI制药公司合作加深

无论生成式AI如何被看作是医药行业提升效率，甚至是突破诊疗模式的重大机遇，最终能为AI制药付费并应用至实际开发与商业化的，还是大型跨国药企。

摩根大通医疗健康年会（JPM大会）期间宣布的交易事件，一直被视为医疗健康行业的关键风向标。今年初的JPM大会上，谷歌母公司Alphabet旗下的AI生物技术公司Isomorphic Labs宣布分别与礼来和诺华达成战略研究合作协议，两项合作潜在总金额近30亿美元。

2023年，赛诺菲宣布“Allin AI”战略，其官方招聘信息也显示，公司有多达100多个职位正在招聘AI人才，传统的药化分析职位需求远远少于AI药物发现职位。今年2月份，赛诺菲首席执行官Paul Hudson表示，赛诺菲在项目中采用的核心AI模型准确率预测高达80%，90%的疾病靶标均通过单细胞基因组学认证，75%的小分子项目通过AI和机器学习化合物设计实现。该公司或将成为第一家大规模AI驱动研发的跨国制药公司。

事实上，跨国药企对与AI制药公司的合作是充满热情的。2023年至今，几乎所有大型跨国药企都有和AI制药公司开展合作。相比早年间基础的化合物筛选，如今两方之间的合作内容更加丰富，包括靶点识别、候选化合物筛选、分子优化和临床数据管理等。不少合作项目瞄准了肿瘤学、神经病学、免疫学、炎症性疾病等医疗需求尚未满足的重大疾病领域；多个合作项目提到利用多模态数据库、整合分子学数据进行药物靶点识别，反映出多组学数据驱动的AI药物发现正成为趋势；有合作项目专门针对mRNA药物、基因编辑疗法的靶点识别，显示AI正助力新型治疗手段的开发；也有合作项目涉及利用AI简化临床试验数据管理和审查流程，显示AI正向临床开发后端延伸。

“跨国药企有资金、有数据，更有丰富的药物研发经验，但跨国药企一般不会自己开发所有工具，大多数情况下更倾向于使用专业公司开发的工具。”耀速科技创始人谢鑫解释了跨国药企大量与AI药物开发平台合作的现象，跨国药企普遍看好AI在药物开发中的应用，并将其视为提高效率、降低成本和加速药物上市的关键工具。如果AI制药公司能够有独特的技术解决跨国药企的痛点，并且帮助其理解AI制药平台的技术优势，往往会受到青睐。

对AI制药公司来说，与跨国药企的合作是其获取必要资源、加速药物开发进程和拓宽业务范围的机会。2023年1月至2024年2月，跨国药企与AI制药公司公开披露的潜在合作总额超过120亿美元（详见表）。

需要给AI制药更多耐心

AI能够快速完成药物筛选和化合物设计，目前，使用AI来设计分子是其在药物开发中的主要应用方式。AI设计的分子覆盖全面，同时成药性质更加均衡。

但是，AI能否提高药物开发的成功率还有待检验。进入临床试验阶段后，许多通过AI设计的分子药物开发进展缓慢或失败，效果不如预期，如住友制药和PsychoGenics公司利用Smart Cube平台开发的精神分裂症药物候选物Ulotaront的Ⅲ期临床试验失败。少数有所成就的管线，AI在其中的贡献是有限的。例如，武田60亿美元收购的TYK2抑制剂TAK-279（此前被称为NDI-034858）一度被热捧为“AI驱动的药物研发”，但事实上，这是Schrodinger公司和Nimbus公司参考百时美施贵宝发表的分子结构，通过自由能微扰（FEP）计算优化得到的。FEP计算可用来预测同系物的相对结合自由能变化，得益于近些年计算机性能的迅猛发展，已成为药物设计中研究自由能的主流方法。

Schrodinger公司认为，机器学习只能根据从训练数据中学到的知识建立预测模型，覆盖可能开发的分子总数的“极小部分”。药物发现的关键在于理解生物学机理和明确临床指标，正确提出问题比算法更重要，而生成式AI只能以新的方式结合它们已经知道的东西输出，不能进行全新的输出。

谢鑫表示，通过AI制药进入临床试验的管线还不够多，现有的失败案例还不足以判断AI制药对临床试验成功率的影响。AI制药管线的失败是研发过程中的一个自然环节，应当被视为学习和改进的机会。失败可以揭示AI模型的局限性、数据质量问题或特定疾病领域的复杂性，为未来的研究提供宝贵的经验。这也为未来行业整合高质量湿实验数据、高通量自动化实验室等技术和工具，完成AI、数据的正向反馈和闭环打下基础。通过这样的方式，药企可以进一步实现药物发现的工业化和数字化。

AI制药另一个为人诟病的问题是，几年前高价发行股票的多家Biotech如今在资本市场上表现不佳。不论是去年因被英伟达投资而获高光时刻的Recursion，还是和多家跨国药企都有合作的Exscientia，都在展示实际成果之前就受到过高的期望，导致股价表现不佳。

另外，早期的AI制药公司过度依赖数据驱动的方法来加速药物发现，但在数据稀缺的情况下，这种方法可能产生与已知药物相似或重复已知失败的化合物。现在，AI制药公司纷纷调整策略，转向个性化治疗或解决更根本的药物靶点选择问题，而不是仅关注药物优化。

20世纪80年代，刚刚问世的计算机辅助药物设计（CADD）并不被看好，但如今却已成为大型制药公司的标配。技术发展从来不是线性的，即使是ChatGPT，从最初的RNN模型走到今天也花了30年。有行业人士认为，AI制药目前的问题在于数据维度过高而数据又过少，如果高通量测定与数据收集技术能够跟上，将成为AI最擅长的领域。

蓝驰创投的沈远表示，AI是个巨大的变量，大模型在新分子生成领域有望成为游戏规则改变者，研发出一些传统方法无法解决的靶点的药物。但是依托现有的数据，AI能否生成人们想要的大模型还不得而知，尤其是生物医药研发中有多模态的数据，需要将其有效地整合起来。此外，不同公司的研发数据存在数据孤岛的问题，从头生成高质量的数据也需要时间。

未来，或许应该给AI制药更多的耐心。正如赛诺菲首席执行官Paul Hudson总结的，AI预示着药物发现的伟大时代，可以从根本上改变医学，但前提是我们能让它实现。（作者单位：动脉网）

(责任编辑：刘思慧)