EN Menu
小埃论药
转载 | 从“+AI”到“AI+”的制药工业之路,我们走到哪一步?
来源:同写意 时间:Sep,2022 浏览次数:107次

近3年来,AI技术为创新药研发赋能的成果渐显,多家AI制药企业基于先进的AI算法与庞大的数据湖,快速开发出一系列能满足迫切临床需求的新分子与新靶点,且已有药物管线进入临床试验阶段。

 

头部跨国药企早已布局AI制药技术,2021-2022年相关上亿美元级的合作频现。中国本土药企与Biotech也纷纷参与其中,相关技术合作数量呈井喷态势。


站在又一个前沿技术的风口,如何把握创新药的发展新趋势?8月,同写意AI制药俱乐部系列活动邀请了埃格林医药董事长杜涛、晶泰科技CEO马健、西湖大学副校长兼药物牧场董事长许田、阿尔法分子联合创始人袁曙光,共话制药工业从“+AI”到“AI+”之路。


截图-20220908200728

 

1. “+AI”与“AI+”的区别、现状和转变

对于“+AI”和“AI+”的定义,讨论嘉宾普遍认为,“AI+”行业,是以AI为主导创造出的行业,如自动驾驶,语音识别;而“+AI”则是传统行业在先,利用AI技术的一些优势来辅助和推动行业发展。


许田教授观察,现阶段对生物医药场景来说还是“+AI”,即把AI技术的应用在某些合适场景,比如AI图像分析现在已经做得很好,但还没有成为主流,病理医生也还没有“下课”。因此在制药界,更需要选择合适的场景和应用角度来“+AI”。


不过,AI药物研发的“必然性”源于巨大的未被满足的临床需求,以及传统药物研发所需的巨量的时间和成本,研发成本的日益增加和成功率下降产生的矛盾,亟需一种新的技术思路来解决。当“+AI”走向“AI+”,或将改变现有医药工业的格局,出现一个新的业态。


从“+AI”到“AI+”的演变可能是一个相对较长的过程,杜涛回顾了AI技术在医药工业的发展可以分为三个阶段。


第一阶段是1.0版本,时间上从2013年至2018年。这个阶段AI制药企业还处在概念和数据收集阶段,拥有数据的大型药企大多不愿意分享自有的数据。


第二阶段是2018年到2020年的2.0版,AI制药行业根据各种信息来源,已经在医药R&D的R端(研发端)积累和形成了一定的数据库,相对应的,这个阶段的AI药物研发也主要集中在R端。在北美医药工业中,R端和D端(开发端)的分界在急性毒理环节,从靶点发现、分子发现、分子优化,再到做药理试验,做急性毒理,进而判定从最低有效剂量到最低毒性剂量之间的‘治疗窗口’(Therapeutic Window),进而确定这一分子的成药性。


第三阶段自2020年开始的3.0版本,核心在于AI制药进入‘端到端’模式的开发,从早期的靶点寻找和分子发现到进入到临床试验的AI技术使用。这是医药工业在过去15年中一个巨大的跨越,也是一个医药工业发展中的“必然”。


“医药工业传统的研发模式已经进入一个瓶颈,研发成本增加和时间的延长导致了医药工业正逐渐成为一个不代赚钱的工业。”杜涛博士补充说,“FDA获批的药物有60%不赚钱,因为研发到上市耗费太长时间,导致专利保护的时间太短,会遭遇‘专利悬崖’和仿制药的竞争。”


同样看好AI研发的马健博士表示,虽然现在还没有一款用AI研发的药物上市,然而在药物研发中使用AI技术的占比在显著提升。目前AI制药还处在早期的“+AI”阶段,但随着AI技术在药物研发环节中依次得到验证,在不远的将来能真正实现“AI+”,从而赋能医药工业的快速发展。


形象地看,“+AI”的模式像是拿着锤子找钉子,随着自动化水平提高和数据标准化的普及,可用数据的数量会有显著提升,产生数据的效率越来越高,从而转变到“AI+”的模式。


袁曙光博士总结说,不管是说“AI+”还是“+AI”,这可能都需要一个比较合适的应用场景,医药领域也不例外。


“我们现在还是处在一个‘+AI’的阶段,这是因为技术本身的属性所决定的,因为我们知道,纯粹AI需要前期有大量的数据,如果数据量不太够,现阶段我们还是以‘+A’为主。” 袁曙光博士回应说。


虽然说是 AI制药,但是传统的 CADD的方法其实是跟 AI有一个很大的交叉。这时,CADD本身可能也会对于从“+AI”到 “AI+”的进程起到一个非常好的催化剂的作用。


当然,随着时间的延续和增加,当产业的数据量越来越多,再以AI为主导去做医药行业的研发,便可能会有一个量变成为质变。在未来可以期待的一段时间之内,“+AI”也能够再在医药领域完成一个蜕变,变成 “AI+”。


2. 如何实现医药的“端到端”AI研发?

“AI+”的医药产业图景是怎样的?许田教授将重点落在“产品的研发由AI启动和推动”。


例如,在老药新用的场景中,先把病人所有的基因表达和候选药物所能改变的基因表达都通过AI方式进行预测,确定候选药物是否可以用于治疗某个适应症,然后再启动整个药物研发的流程。在某一个过程的环节中,如果AI技术能取代人并起到主导作用,那也可以认为是达到了“AI+”。


许田教授提到,尽管很多企业都只是关注AI在研发中的某个阶段的应用,而其它的阶段还是用比较传统的方式进行,但如果AI对于某个阶段能有所帮助,也是很了不起的进步,对于提高效率和成功率又很大助益。


“AI进入医药工业是颠覆了传统的研发思维,传统研发是靠海量的生物学试验,用试管或大量病人数据堆出来。现在千人级别的临床试验很多,这种形式已经不可持续,所以AI正在逐步渗透到医药工业,现在AI制药开始从早期研发端向后期临床开发端移动。”杜涛博士分析说。



英国的AI制药公司Exscientia引起了行业关注,其独特之处在于,这是一家做AI技术开发起家的公司,而现在即提供服务也做自有管线,并且一款抗肿瘤候选药物也于2021年进入I期临床,杜涛博士把这称作一种新科技带来的全新业态。过去两年,Exscientia已经跟赛诺菲、BMS和拜尔等大型药企签署了数十亿美元的项目合作。


即使如此,马健博士的分析是,Exscientia还是在临床前阶段使用AI技术,做了化合物筛选找到一个新的化合物,而后期临床和制剂研发都还是按传统模式进行,还未做到在药物研发的每一个阶段都用AI的技术来提升。对这一观点,杜涛博士也表示赞同。


“在医药研发的D端,比如工艺的放大、工艺路线的设计和优化,已经开始有很多的实践了,行业内大型的CRO公司有很多的实验的基础,早期药物发现所面对的化学空间更少,需要提高整个CDMO的效率,加上集采带来的成本压力,所以对CDMO最大的竞争优势就是效率和成本,随之一定会在中国会催生出更多的自动化和智能化的实践。”马健博士说。


袁曙光博士则提出新颖的观点。在他看来,基本上一旦PCC(临床前候选药物)确定之后,如果分子足够好,那么在做CMC可能会比较容易。在做安评时,也会比较顺利,就不需要反复的用非常复杂的动物模型或者非常复杂的程序去做。


换言之,如果前期在R端开发出一个非常完美的临床前候选药物分子,则后期D端可以用较简单的临床试验设计达到间接的节省时间的效果。


3. 虽道阻且长,但行则将至

AI药物研发还普遍处在早期的“+AI”状态,不过这并不影响嘉宾们对AI制药前景的乐观。


以新科技推动医药工业的变革势在必行,随之而来的是医药工业新型业态的出现,当“AI+”的时代真正到来将会是人类制药史上一个质的飞跃,带来的效率和成本优势会最终惠及广大患者。


当下,国内的AI制药企业如晶泰科技、埃格林医药、药物牧场、阿尔法分子等公司已经奔跑在这条未来的高速道路上。