当药物研发遇上AI

药物发现、生物标志物筛选等环节均是一种苦苦寻觅的过程，要在自然界无数种物质中找到一种能治疗某种特定疾病的物质。大多数情况下，药物研发工作者会利用高通量（HTS）通过在同一时间进行数以百万计的试验，筛选无限多对象以期邂逅最具潜力化合物，提高药物发现的机率。但由于HTS不断试错的成本太高，药物研发生产中每推进一个阶段都要花费200-400万美金，对于复杂性更高的生物药的研发过程每一阶段成本可会达到500-1000万美金。

因此，越来越多的药物研发企业开始引入人工智能（AI）开发虚拟筛选技术，以取代或增强传统筛选过程。

传统小分子药物研发流程图

药物研发企业通过运用人工智能药物研发系统，能在药物开发的不同环节，包括新药开发、药物有效性及安全性预测、构建新型药物分子、筛选生物标志物、研究新型组合疗法等过程中减少人力、时间、物力等投入，降低药品研发成本，同时基于疾病、用药等建立数据模型，预测药品研发过程中的安全性、有效性、副作用等。与传统药物研发系统相比，运用人工智能可使得每年全球药物研发节约成本价值超过280亿美元，同时显著提高全球医疗信息领域的效率。

从产业升级情况来看，各国际医药巨头纷纷与人工智能药物研发公司合作以较少的资本投入，较短研发周期获，较低投资风险获得利润最大化。目前，已有部分跨国医药公司与AI医药公司合作以期完成产业升级，打造制药行业2.0，合作案例见下表

国际医药巨头	AI医药公司	疾病领域	技术
辉瑞	IBM Waston Health	肿瘤	利用云端技术快速挖掘，海量分析孤立数据用于新药靶点发现及患者治疗策略选择
葛兰素史克	Exscientina	多种疾病	自动设计、筛选及优化与特定靶点相关小分子化合物，实验检测后将数据反馈大数据以进一步改善药物选择
强生	BenevolentAI	多种疾病	自主从海量文献中提取药物研发知识并提出可验证性假设
赛诺菲	Exscientina	糖尿病及心血管类疾病	通过贝叶斯概率推测及发现有效小分子化合物
默沙东	Atomwise	疟疾	使用深度卷积神经网络自主分析药物与靶点结合规律，预测小分子化合物活性
武田	Numerate	肿瘤、神经系统疾病	通过表型数据库自主虚拟筛选药物靶点、优化化合物结构及建立药物ADME模型

从全球AI新药研发分布的情况来看，目前42家AI+新药研发公司中美国处于绝对的领先地位,共有28家公司，独占总数量四分之三;英国4家公司，中国1家公司（晶泰科技）。全球AI+新药研发公司数目图如下：

从全球AI新药发现分布的情况来，AI+新药发现公司约占总AI研发公司三分之一，共有16家。美国有11家公司，英国3家公司，中国1家公司（晶泰科技）。全球AI+新药发现公司数目图如下：

但是，AI能够最终成为医药研发的工具还面临着诸多挑战。首要的困难就是数据的可及性。大数据公司已经搜集了自1980年以来能够共享的临床数据，很多公司也都加入到化合物共享以及老药新用的探索中。其次是费用问题。在诸如计算机视觉这样的领域，研究者可以得到巨额的数据集，这是因为每个数据点的费用极小。但在制药领域，每个数据点的花费相当昂贵，这就要求研究者必须开发出一套不依赖海量数据的算法。

尽管多数药企巨头仍对AI还持观望态度，但毋庸置疑AI将在医药领域中对药物研发的成功率产生积极且深远的影响。药企已进入AI时代。 

声明：转载请务必注明本文来源及作者。