AI加持下，国内药物研发行业未来能否登顶全球第一？

10年、26亿、10%。

这三个数字解释了新药研发是如何困难的一件事：一款新药上市，平均要历经10年周期，耗费26亿美元，成功率仅有不到10%。对药企来说，改变其中任何一个数字，降低药物研发的成本，所带来的效益都是巨大的。

上世纪80年代初，美国《财富》杂志曾对默克公司使用计算机技术设计药物进行了封面报道，并称这项技术为“下一次工业革命”。如今，这项技术逐渐迭代发展，交棒给了“AI+药物研发”。

此前，健康界曾推出了3篇系列文章，对国内外AI药物研发行业进行了盘点。在本文中，健康界通过查阅报告及采访业内人士，试图对AI药物研发行业的现状、问题和趋势进行梳理。

现状：人才储备充足，需求旺盛

据不完全统计，全球从事药物研发工作的AI公司已超过130家。据速石科技《2021全球44家顶尖药企AI辅助药研行动白皮书》显示，自2012年开始，全球AI药物研发行业迎来增长期。

该白皮书对全球44家顶尖药企、55家AI初创公司、12家IT云服务商及7所高校在AI药物研发领域的动作进行了统计发现，全球药企中，诺华、阿斯利康、杨森、辉瑞、默克、拜耳等在AI药研上行动积极，而国内药企中，药明康德在AI药研上最为积极。其中，超出三分之二的AI合作集中在药物发现阶段，约四分之一的AI合作集中在临床治疗阶段；AI药物研发主要聚焦的疾病领域为癌症、精神类、心血管、肝肾肠胃、呼吸系统等。

图片来源：速石科技

据健康界统计，国内目前从事AI药物研发的企业近20家，超半数企业成立时间主要集中在2015-2018年，融资轮次集中在A、B轮。同时，受疫情等多方因素影响，2020年，国内获得融资的AI药物研发公司有8家，包括望石智慧、晶泰科技、星药科技、冰洲石科技等。

与国外相比，国内AI药物研发行业虽然起步稍晚，在企业数量及市场成熟度上，与国外尚有不小差距；但另一方面，互联网行业培养了大批工程师，加上AI企业如雨后春笋般出现，为行业储备了大量技术人才，AI药物研发行业有了快速发展的基础。

在2020年首届红杉中国医疗健康峰会上，药明康德执行副总裁杨青认为，与全球其他地区相比，中国医药创新环境有“速度快、规模大和复杂多样”三个独特条件。他表示，美国医疗健康行业的发展是波浪式，从传统药厂到生物技术再到AI、大数据赋能的生物科技，总体上是一个阶梯性的发展路径。而中国不同，所有的改革和创新都是在各个层面和领域同步进行，这给行业管理者，投资者和创业者的决策都带来了更多的复杂性和多样性。

“AI药物研发正处于高速发展的成长期。”晶泰科技CEO马健告诉健康界，虽在药物研发领域，尤其是在靶点发现等基础研究和临床研究上，中国的研发能力与海外尚存在一定差距。但在AI技术层面，中外起步时间差不多，而且受计算机技术的快速发展和工程师红利的影响，海内外AI制药企业没有显著的技术差异，更多是各有所长。

“实际上，全世界目前有超过60%的疾病是没有有效药物的。例如，有些药可治疗晚期癌症，但实际上只对30%的患者有效，尽管对比过去已经有了巨大的进步，但剩下70%的患者怎么办，这是我们要考虑的问题。因此，药物研发市场的需求是旺盛的，而且中国药物研发市场一直处于上升态势。”星药科技创始人李成涛近期也分享了对国内药物研发行业的看法。

问题：数据获取的周期和成本高

即使是使用了前沿的AI技术，也并不能立刻扭转新药研发面临的挑战。

与此同时，多数AI企业仍聚焦于靶点发现、化合物筛选等药物研发的早期阶段，目前国内外还暂无利用AI技术实现新药上市的成功案例，使得国内外也出现一些质疑AI+药物研发的声音。马健认为，这是一项新技术在发展过程中，所遭遇的正常现象，有人会解读为“泡沫”或“未达预期”，事实上有很多非常实质性的进展还没有被正式披露。

原因在于，一是传统医药行业对于AI算法概念比较陌生，医药产业和AI创业公司在理解上有偏差，双方讲的可能是两套“语言”；二是行业内可能存在一些技术夸大成分，不管是AI公司主观夸大与否，在传播的过程中，都容易导致人们对AI技术产生过分期待。

此外，AI药物研发行业迫切需要解决两大问题：一是问题的描述，二是数据的获取及应用。这两点也是AI在其他领域落地时常常面临的共性问题。

AI药物研发是一件需要跨行业、跨学科协作的事情，若想将AI技术落地到生物医药领域，不能各说各话，AI企业首先应积极与医药领域的公司和专家进行更多的交流合作，深入了解行业痛点，将问题定义清楚明确后，再用AI去针对性解决。

医药行业正面临数字化转型的大趋势，但还有很多环节还未实现数字化，缺少足够的数据，导致AI能够发挥的空间有限，因此有赖于医药行业推进数字化基建过程。马健认为，AI企业应具备以下能力：在数据最丰富的地方快速推进AI技术应用落地，在数据最为薄弱的地方，能构建创造数据的能力。

但在生物医药领域获取数据，并不是一件简单的事情。在医学影像、辅助诊断领域，医疗机构及AI企业通过各种医学影像设备获取大量的影像数据，影像数据的生产、分析和利用非常高效成熟，这或许解释了医学影像为何是国内AI医疗商业化落地率最高的领域。

图片来源：图虫创意

据了解，药物发现如大海捞针，研究机构通常要去查阅海量的生物医学文献，在百万级以上的数据库中筛选易于预测、合成的化合物，或与已知药物作用类似的新分子。而小分子中约有10的60次方种化合物具有类药属性。