从自动驾驶到疾病诊断，人工智能正在重构一个又一个行业。

“倒摩尔定律”中，医药研发的成功率每况愈下。而将AI技术引入新药研发后，似乎开辟了全新的洞天。

早在1981年，美国《财富》杂志就对计算机辅助的药物发现进行了专题报道。到了2021年，AlphaFold已可以预测完整的人类蛋白质组结构，AI正在储备着颠覆整个生命科学行业的力量。

从2012年最早与AI公司达成合作的默沙东，到2017年与Numerate合作的武田以及与Exscientia合作的赛诺菲，再到2019年与BenevolentAI合作的阿斯利康和宣布成立AI创新实验室的诺华。纵观制药巨头与AI公司的合作情况可以发现，AI+新药研发已可为“药物发现和临床前研究阶段”及“临床研究阶段”各节约50%左右的研发周期，也因此为全球每年的新药发现节约了30%左右的成本。

在此过程中，AI研发的落地场景也日趋多元，除了在药物靶点的化合物匹配中能够提高寻找药物分子的效率之外，在化合物的优化过程和临床研究后期数据的积累，甚至在临床试验患者招募的过程中，也都发挥着非常重要的作用。

2015年，中国诞生了第一家人工智能药物研发科技公司晶泰科技。此后，在资本的强力驱动之下，中国的AI制药业也拉开了自己的历史大幕。如今，从MNCs和药明康德等药企，到云深智药、百图生科等互联网巨头背景的企业，再到后劲十足的AI创企新秀们，百花齐放中，企业们正努力用技术和资源构建自己的护城河。

不过需要承认的是，中国的AI制药公司虽然享受到了资本和技术的红利，但并没有享受到市场的红利。他们仍要经历从起初只需要用独有的技术解决很小的问题，到持续性交付能力的挑战;经历从起初只需要通过大量计算模拟来获得更多虚拟数据，到后期必须构建自上而下的数据获取能力和商业模式的挑战。

01 突破降临

2021年，人工智能向生物界投下了一枚核弹。

7月，谷歌旗下的Deepmind宣布，AlphaFold2已预测出35万种蛋白质结构，涵盖了98.5%的人类蛋白质组以及20种生物的蛋白质，并开源了它的数据库。

“长久以来，蛋白折叠都是一个重要的科学命题，被称为第二半的遗传密码。第一半是由DNA到氨基酸序列，而由氨基酸到蛋白质构象目前则还没有一个相应的解。纯化蛋白质、形成晶体、X射线衍射和解析结构也需要多年的工作才能完成。”健新原力CEO李玉玲对E药经理人表示。

这一次，AlphaFold无疑为研究者们叩开了新世界的大门。

和铂医药董事长王劲松就用“人类从石器时代向铁器时代的迈进”，来形容AlphaFold的蛋白结构预测技术带来的划时代意义。这也让他在研发药物、战胜疾病的道路上倍感任重而道远。

截至目前，FDA每年获批的First-in-class新药数量在20款左右，靶点发现和候选药物开发已然成为制药行业发展的瓶颈。AlphaFold2的开源，有望给各大药企提供一个弯道超车的机会。

“如果在AlphaFold的帮助下，能够全面准确地掌握蛋白质结构，每年获批的新药将可能达到现在的2倍甚至更多，这将让更多患者受益。”臻格生物CEO陈建新表示。

根据他的推测，Deepmind把它的数据库开源后，算法精度和执行速度会得到更好提升，也许很快就能迭代出一批AlphaFold++，并在未来诞生一个“金标准”，用此算法来测定人类的蛋白质结构。

尽管AlphaFold对生命科学和生物医药领域的影响深远，但需要直面的是，目前它仅对人类蛋白质组中30%~40%的蛋白质结构完成了比较准确的预测，在这一部分，它确实能够帮助科学家更快更好地完成药物发现和筛选，但对于剩下的60~70%的蛋白质结构，AlphaFold的帮助还比较有限。

“比如对于抗体的结构预测，AlphaFold的精度就远不能达到预期。人类免疫系统可以产生1012的不同抗体。这些需要通过Deepmind和整个学术界、产业界以及开源社区来共同努力，优化迭代。”陈建新表示。

在开拓药业创始人、董事长兼CEO童友之看来，AlphaFold的应用目前会受到两个因素的限制:

一是想要确认这个计算模型解析出来的结构预测是否准确，还需要试验来验证;

二是它只能提供蛋白质的三维结构，但还不能告诉我们这个蛋白质在细胞中的功能性注解。

“未来的场景应该是，AlphaFold等计算软件在算出大致蛋白质结构基础上，再通过其他实验技术手段，更精确地了解蛋白质的作用机理和调控机制。”童友之表示。

康宁杰瑞董事长徐霆也认为，现在AI在药物，特别是小分子药物的开发过程中，对于蛋白质结构的依赖性还不是特别强。但未来5~10年内，会看到整个行业由此发生的深刻变化。

“目前，新靶点、新机制还有候选药物的开发，主要瓶颈还是在于我们对复杂疾病的了解及干预方式有限。此外，大量三维结构的运用所需的算力以及对研发人员的要求都非常高。”

根据徐霆的分析，Alphafold短期内对行业的推动主要体现在四个方面:

一是由于蛋白质结构相对精准的预测，我们可以获得大量同源蛋白的结构信息，对于蛋白质结构功能的进化和深入理解提供很大帮助;

二是可以在短时间内对于蛋白质突变做出结构模型，对于致病的突变可以找出或者快速定向筛选出小分子或者单抗药物;

三是对于AI辅助的蛋白质的定向进化和合成生物学起到极大推动作用;

四是对于蛋白质和抗体的Denovodesign(全新设计)提供指引，为AI辅助蛋白质设计提供基础和Trainingset(训练样本)。

“有这个数据库和开源为基础，蛋白质结构预测会更加精准，特别是对于单个蛋白的结构解析。但是传统的结构生物学，比如晶体衍射、冷冻电镜等不会很快退出舞台，而是会演变进化到蛋白质修饰、复合物、弱相互作用。新的技术也会出现，用来获得蛋白质在完成其功能的过程中的动态变化。”徐霆说。

李玉玲也表示，基于靶点结构的药物设计在理论上是一项可行的举措，但在真实应用中取得的成功有限。未来治疗疾病的靶向治疗药物会越来越多，那些很难表达和纯化的靶点，可能会通过AlphaFold来解决这个结构。

“我认为，新药研发最终仍然需要依靠人的能动性和创造性。”劲方医药董事长吕强指出，人工智能深入药物设计领域，已大大提升研发效率和化合物成药性。但业界更期待重磅的跨界技术成果和真实世界数据，能证明AI靶标筛选及分子设计可以沟通早期发现和转化科学，甚至超越传统开发模式的疗效和安全性。

02 “最终是没有AI”

Alphafold打开了AI在生物医药产业的想象空间。但IT与BT的结合之路上，“欲善其事”只“利其器”是不够的，“悟其道”更加重要。

晶泰科技CEO马健曾经说，一个外援性技术进入一个行业，它的增长曲线不是单纯的一条，而是好几条曲线推进，可能天花板很低，要不断提升。

而AI药物研发面对的周期是很长的，AI在药物研发中究竟该如何落地，如何产生对应的价值，对AI制药企业来说至关重要。

“AI最终应该变得没有AI，这才是未来的发展方向。”说这话的是未知君创始人谭验。

在谭验看来，生命科学过去一直被认为是实验科学，是一种单一实验的做法，会因为不同操作者而出现不同的结果。而未来，整个制药行业一定会走向更标准化的实验，或者自动化、标准化的实验流程，通量也会极大地提高。从中得到的数据，可以更好的去阐释生物学的原理。

“未来这种模式可能不能仅仅称作AI制药，而是要发展成依靠数据和高通量实验本身，来驱动生命科学的发展，也就是‘没有AI’的境界。”

谭验2015年获得美国波士顿大学生物信息与计算生物学博士学位，2017年，回国后的他创办了专注于肠道微生态治疗的AI制药公司未知君。

去年，未知君因连续两轮获得数千万美元的融资，而受到市场广泛关注。最近，公司也获得美国FDA对于其FMT(肠道菌群移植)药物IND申请的正式批准，这是中国微生态制药企业首次获美国FDA批准的IND申请，未知君的发展也正式进入临床阶段。

虽然是科学家出身，但谭验在创业之初就已明白，掌握了前沿技术，也不意味着就一定能做成公司，技术如何在国内的商业环境下落地是更值得思考的问题。

最终，谭验决定从国内尚属空白的微生物药物研发切入。这一选择，注定了未知君在药物研发上与AI密不可分的关系。

人的肠道里有500~1000种菌，随着认识的深入，这一数量还在增加。如果按传统筛药物的方法，一个一个菌株去筛选，几乎是做不到的，这也是益生菌用了上百年，却依然只有几组菌在用的原因。

“现在我们有了测序的方法，可以先不用培养，就能从数据端知道人的肠道里有哪些菌，然后通过机器学习的建模方法去推测，看哪些菌或菌的组合是跟某种疾病相关的，最后再去进行筛选。这时AI在里边就起到了一个很强的驱动性作用。”谭验表示。

如今在AI端，未知君积累了两种能力，一是多组学的数据分析能力;二是围绕序列进行的功能预测的能力。这些能力也可以迁移至现在一些很新的技术平台，所以公司对自己的定位，就是用AI去赋能新的疗法。

在此过程中，数据的获取变得很重要。

谭验承认，数据对整个AI制药行业都是一个痛点，但长期看，它可能又会是一个增长点。他自己的体会是，从创业之初到现在，随着数据增加，很多计算越来越精准，越来越有生物学意义。

未知君目前获取数据的做法是以公共数据集为基础，通过与医院的合作收集自有数据，包括病人肠道菌群移植前后的临床表现数据等;同时，通过数据分析的方法去缩小搜索的范围，推测哪些代谢产物具有治疗性的作用，然后进行药物研发。

“我们通过与医院的合作采集到的自有数据，主要是反映人的肠道微生物与它疾病相对应的情况，特别是在肿瘤病人接受PD-1的治疗上，我们在多个项目中与第三方合作，合计收集了上千个样本，这应该是全球范围内体量名列前茅的数据集之一。如果加上公用数据集，体量应该是几十万条，目前还在不断增大。”谭验称。