当前，AI大模型正加速迈入规模应用的新阶段，从赋能千行百业升级为支撑经济社会转型升级不可或缺的基础设施和核心能力，呈现从“+人工智能”向“人工智能+”转变的趋势。

2024年全国两会开幕当日，国务院总理李强在政府工作报告中提到，要深化大数据、人工智能等研发应用，开展“人工智能+”行动。

全国政协常委、中国移动董事长杨杰建议在国家层面推动“AI+”行动，充分发挥人工智能的巨大潜能，推动新质生产力加快发展。

人工智能赋能生物医药产业发展，赋予生物医药新的增长点，AI制药成为当之无愧的新质生产力。此次科Way邀请到国内AI制药领域独角兽英矽智能科技（上海）有限公司（下称“英矽智能”）的联合首席执行官任峰博士，与他一起聊作为“新质生产力”之一的AI制药。

AI制药真的可靠吗？

这两年，在数据和算法推动下，渐成热门赛道的AI制药引得科技公司、互联网大厂、传统药企纷纷入局，资本更对其情有独钟。但另一方面，不少AI制药公司频频传出管线失利、疯狂烧钱却收获甚小、裁员以及融资困难的负面消息。而全球目前尚没有一款AI研发药物成功上市，更是让制药人的疑虑挥之不去。

问：AI制药真的可靠吗？

任峰：一款新药进入临床试验前，需要大量的研发和验证工作，会消耗大量人力物力，这使开发一款新药可能需要超过10年的时间和10亿美元以上的资金。在传统研发流程中，即使闯过了失败率极高的早期基础研究和靶点选择阶段，候选药物的确定也需要药学专家从数以万计的分子中大海捞针，找到一个满足活性、选择性、耐药性、吸收代谢、安全性等要求的“佼佼者”，并开展临床前体内外验证，顺利通过后才能进入人体临床阶段。这种方式高度依赖专家的个人经验与创造力，不仅受限于人类思维定势，还面临着“低垂的果实”摘完后成本不断递增的困境。

AI制药则提供了一种新的思路和途径。在药物研发的早期阶段，凭借医药领域的公开数据和经过清洗整理的多组学数据库，运用机器学习、深度学习、大型语言模型（LLM）、多模态Transformer模型等人工智能技术，进行药物靶点的发现与挖掘、药物分子虚拟筛选、药物分子设计与优化等，可以缩短研发周期、降低成本、提升早期药物发现的成功率。

比如我们的INS018-055，这款治疗特发性肺纤维化的小分子候选药物，从AI赋能的靶点发现到AI辅助的分子设计优化，再到临床前候选化合物的确定，共耗时18个月投入数百万美元，较之传统方式四年半的时间与数千万美元的投入，时间成本和资金成本都大大减少。从这一点看，我认为AI制药是可靠的。

但所有药物都必须经受来自临床试验以及监管层面的考验。目前，全球范围内进展最快的AI赋能药物都还处在Ⅱ期临床试验，面临关键的疗效验证。在这个阶段，AI能做的事情并不多，主要集中在早期临床试验方案的优化和临床试验成功率的预测，这一点在英矽智能发布的inClinico平台验证论文中有阐述。然而还没有证据表明AI可以完全地赋能临床研究、缩短临床试验的时间。

问：当前AI制药的主要应用模式是怎样的？

任峰：一般就是先利用 AI计算获得初步通路分析结果、靶点候选名单，然后在此基础上进行多轮“AI生成-人工反馈-迭代优化”的循环，最终得到有潜力的分子并进行湿实验验证。INS018-055就是这样研发的。我们利用PandaOmics对比肺纤维化患者和健康人的转录组学数据来获得两者差异，通过分析其中信号通路的变化，找到20多个致病靶点，然后通过湿实验验证过滤，比如做基因敲除和插入，看这个靶点蛋白有没有晶体结构、有没有动物数据证明其安全性等，最终确认了TNIK这个靶点。之后是寻找分子，也就是化合物。我们在AI小分子生成平台Chemistry42上输入蛋白结构后，它会从头生成和蛋白结合的数百个小分子，从中选出78个活性数据特别好的进行合成和测试，最终找到INS018-055这个活性和成药性都表现优良的化合物。再往后就是对这个化合物进行药效和毒性等测试，顺利通过一系列测试后，INS018-055才被确认为临床前候选化合物，准备进入后续的临床试验。

问：您刚才提到，INS018-055开发的整个早期阶段一共用了18个月，不同环节的时间是如何分配的？

任峰：就INS018-055来说，发现靶点用了1个月，验证过滤用了2个月，寻找化合物用了12个月，化合物测试用了3个月。这就是AI制药的效率。

什么是AI制药最好的模式？

业界认为，AI制药公司有AI SaaS（软件授权）、AI CRO（提供药物研发服务）和AI Biotech（自研药物）三种模式。资料显示，英矽智能不仅搭建并验证了端到端覆盖药物研发流程的商业化Pharma.AI药物研发平台，也有首付款达数千万美元、已经到达临床阶段的合作研发管线，还有30多条自研的AI创新药物管线，实现了多种商业模式的融合并形成闭环。正如任峰在采访开头所说，目前 AI在药物临床试验阶段的赋能有限，无论是AI驱动还是传统研发，候选药物必然要经历漫长严苛的临床试验，这个过程一定会产生巨大的研发开支，其中验证疗效的临床Ⅱ期到Ⅲ期阶段是所有AI公司必须跨越的“死亡之谷”。

问：开发一款药并证明其商业价值并非易事。英矽智能为何明知山有虎，偏向虎山行？

任峰：我认为，AI制药想打破僵局，必须有一款完全由AI发现的first-in-class（全球首创）药物，取得有里程碑意义的进展，比如进入临床III期甚至获批上市。而且最好是有一批这样的药。目前，除了十几个跟大药企合作的管线，我们还有30多个自研的管线，涵盖29个药物靶点，覆盖纤维化、肿瘤、免疫学等治疗领域，其中1个到了临床II期，4个在临床I期，一些在临床前的项目也将在一年内推进到临床。通过这些自研管线，英矽智能向客户证明了AI药物研发平台的真正能力。

不过我要更正下您的说法，我更愿意称英矽智能是AI Tech-bio，是一家AI赋能的生物科技公司。

问：不管怎么定义，终极目标都是实现AI研发药物上市及商业化？但目前看还遥遥无期，如何减轻研发投入导致的财务压力？

任峰：可以这么理解。但我们并没有计划要把所有自研管线都做成药后再去卖，目前最重要的是把项目卖出去，就是做AI药物的license out（对外授权）。AI Biotech必须承受巨大的研发开支。英矽智能的研发投入增长很快，2021年是3848.9万美元，2022年涨到7817.5万美元，确实给了我们很大的压力。但如果我们一年卖2到4个项目，有1到2亿美元收入，就可覆盖研发费用。这样持续产生现金流，就能实现盈利。

去年9月，我们将自研的小分子药物ISM3091授权给了美国上市公司Exelixis，获得了8000万美元预付款，未来还能获得基于后续进度的里程碑和销售分成。这也是亚太区AI药物的首个license out。今年1月，我们又与美纳里尼达成一项对外授权合作。

问：这看起来是非常明智的选择，在商业化上先做一些小闭环，把管线推进到临床I期或临床前候选化合物阶段就对外授权出去，证明企业从平台衍生管线到商业化的能力，再去尝试做更大闭环。

任峰：是的，我觉得AI Biotech企业可以尝试这样的发展路径。目前，中国生物医药产业已呈现从license in转为license out的大趋势，相信这种模式可以为聚焦小分子药物出海的Biotech企业增添信心。

如何解决“数据孤岛”问题

与其他领域一样，AI制药也面临着智能落地的痛点——数据。足够多的高质量数据才能使AI更好地发挥其在数据分析、整合、筛选等方面的作用。但由于制药行业的特殊性，“数据孤岛”问题难以避免。

问：面对AI制药的数据痛点，英矽智能有何对策？

任峰：现在比较普遍的一个现象是，AI药企都使用公开数据来发展自己的算法技术，当然目前数据量还够，但随着行业的进步，企业对算法精度的要求会越来越高，未来必然会形成大量标准化数据的缺口。英矽智能从开始创立就意识到这个问题了。所以我们常年保持一支20到40人的数据挖掘团队，每天保持相关数据的更新，我们的靶点识别平台PandaOmics目前已集成了千万级组学数据样本、百万级分子信息和数十万级分子相互作用机制等数据。

除了从大量的存量科研论文中挖掘新数据，我认为充分理解和提炼实时实验数据的能力也很重要。AI药企需要根据数据反馈，不断优化模型、迭代算法。所以我们还在苏州构建了一个智能机器人实验室。研发人员在上海编制好实验操作流程，将指令发到苏州实验室，机器人就会按照要求开始做实验，并将数据回传到上海。这样不仅可以节约人力物力，打造干湿实验的闭环，还能产生更多的高质量数据，帮助人工智能算法优化。

未来AI制药的竞争必然会从算法竞争过渡到数据竞争，我相信在经验和数据上拥有优势的传统药企，与更熟悉平台和算法的新兴AI制药企业，终将携手共进。

有话说

2023年全球至少有超过5条已进入临床阶段的AI药物管线停止研发，且都倒在了关键性的临床Ⅱ期。在当前的制药领域，AI还只是一项工具，作用仅仅是药物研发早期阶段的降本增效。AI制药能否实现从靶点发现到临床试验的闭环，还在检验中。但仍有一些AI制药企业，找到了自己的商业化路径。

今年1月，英矽智能与意大利制药巨头美纳里尼达成一项总额超过5亿美元的AI药物对外授权合作，美纳里尼将获得英矽智能新型KAT6抑制剂全球独家开发和商业化权益。这是继去年9月英矽智能将小分子药物ISM3091以8000万美元首付款对外授权给美国上市公司Exelixis后，再次实现自研管线的对外授权。

AI制药，一半海水，一半火焰。理性与耐心，“速度与激情”，AI与制药，最终能否碰撞出奇迹，让我们拭目以待。