Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

药明康德AI作者

年度盘点 | 人工智能驱动新药研发,2018八大重磅融资新锐一览

你最看好哪家公司?

随着科学技术的不断进步,越来越多的公司开始使用人工智能加速药物发现过程,并提高药物研究成功率。在2018年,随着投资和其他重要事件的数量越来越多,这种趋势变得更加“火爆”。本篇盘点在此梳理一下2018年1月至今,使用人工智能驱动新药研发的初创公司“重头”融资事件。

Engine Biosciences

今年1月,总部位于美国旧金山的生物技术公司Engine Biosciences宣布完成了一笔1000万美元的融资,由通和毓承和丹华资本共同领投。此轮融资将为Engine的多项核心工作提供支持,包括搭建药物发现平台、拓展其在新加坡和旧金山的科研及执行团队,以及开展公司内部以及与合作伙伴的临床前期研究。

Engine Biosciences公司致力于利用人工智能来改进药物发现过程。该公司开发了一个利用人工智能技术的生物医学平台,使研究人员和药物开发人员能够比传统方法更快、更具效益地揭示疾病背后的基因相互作用机理和生物网络,测试专门针对这些相互作用的疗法,以及对精准医学应用进行分析和预测。

twoXAR

twoXAR是一家使用人工智能技术的生物医药公司。该公司于今年3月宣布获得了1000万美元的投资,用于建立公司的药物研发管线,以及加速已有候选药物的临床前研发进程。本次投资由软银早期风投机构SoftBank Ventures领投,其他参与投资的公司包括Andreessen Horowitz Bio Fund和OS Fund。twoXAR之前已经从Andreessen Horowitz、CLI Ventures和Stanford-StartX Fund等投资机构获得了430万美元的种子轮融资。

twoXAR使用其特有的人工智能平台,能够快速识别出适合体内试验的候选药物。这一过程原本需要数年才能完成,而twoXAR的人工智能平台可以将其缩短至几周时间。并且,在肝癌、类风湿性关节炎和2型糖尿病等疾病的治疗方面,应用该平台进行体内试验的成功率显著高于传统疗法。通过与生物医药公司、药物研发人员和投资者开展多种合作,twoXAR正在建立一条新型候选药物研发管线。

BenevolentAI

今年四月,总部位于英国伦敦的BenevolentAI公司宣布从新老投资者中融资1.15亿美元,使其前期估值提升至20亿美元。这是AI医药行业最大的融资之一。该公司自2013年成立以来,已经筹集超过2亿美元的资金。

BenevolentAI致力于应用人工智能开发疑难疾病的新药。它是第一家完全集成的AI公司,同时拥有药物发现和临床开发能力。BenevolentAI的先进技术以更低的成本,更高的成功率和更短的研发流程打破了医药行业的传统模式。BenevolentAI目前的药物研发产品组合表明,它可以将早期药物研发的时间缩短四年,并有潜力在整个药物研发过程中,提高药物研发平均效率的60%。

Atomwise

今年5月,位于加州硅谷的Atomwise宣布完成了4500万美元的A轮融资。Atomwise公司成立于2012年,其核心技术名为AtomNet,是一种基于深度学习神经网络的虚拟药物发现平台技术,能以前所未有的速度、准确性、以及多样性,对小分子药物进行发现与设计。据估计,当下的高通量筛选机器人能在每天完成10万个化合物的筛选,而Atomwise的算法能将这一数字猛增到每天1000万-2000万个,提高两个数量级。

过去几年里,这个平台取得了优异的成果。在Atomwise的官网上,我们看到了这样一个例子:利用其独有的技术,Atomwise在820万个小分子中,发现了一款蛋白互作抑制剂,有望用于多发性硬化症的治疗。在AI的设计下,这款新药分子有着众多出色的成药特性——它能口服用药,也能穿透难以逾越的血脑屏障。在动物模型里,它更是展现出了良好的疗效。

Owkin

今年5月,一家使用人工智能技术的医疗研究平台新锐OWKIN宣布,谷歌旗下风险投资公司GV参与了该公司的A轮融资。迄今为止,OWKIN公司A轮融资的金额总计为1800万美元,投资方除GV外,还包括Otium、Cathay Innovation和NJF Captial等。

OWKIN公司成立于2016年,其总部位于美国纽约。OWKIN的专有平台名为OWKIN Socrates,利用深度学习算法帮助学术领域,医院和制药行业的研究人员开发预测模型,加速药物研发过程,从而推动医学研究的发展。同时,OWKIN致力于使用机器学习技术,整合生物医学图像、基因组学及临床数据,从而发现与疾病和治疗结果相关的生物标志物和机制。

BenchSci

BenchSci是一家专注开发基于人工智能的生物产品搜索引擎公司,于今年5月宣布已经获得了800万美元的A轮融资。本轮投资由iNovia Capital领投,参与投资的公司包括谷歌旗下的人工智能风投基金Gradient Ventures,以及Golden Venture Partners、Afore Capital、Real Ventures和Radical Ventures等公司。

BenchSci建立了一个人工智能驱动的平台,用数字的形式来提供相关科学文章中的参考资料,以便研究人员验证其提出的假设。通过浏览大量的科学文献,以及使用基于监督机器学习(supervised machine learning)的智能计算机程序对抗体的每个细节进行检索,BenchSci的研究人员可以找到在任何独特的实验条件下都可以使用的抗体,其速度比现有方法快24倍,而成本只是现有的75%。

Insilico Medicine

今年6月,美国新一代人工智能公司Insilico Medicine宣布完成由药明康德风险投资基金领投的新一轮战略融资。Insilico Medicine总部位于马里兰州巴尔的摩市,专注于将深度学习等新一代人工智能技术应用于靶点识别、药物发现以及抗衰老研究。

Insilico Medicine在全球率先运用生成对抗网路(GAN)和强化学习(RL)来开发新的药物分子,这项技术可同时运用于已知靶点的疾病以及未知靶点的疾病。除了与大公司合作开发药物之外,Insilico Medicine也同时在内部开展药物发现项目,专注于癌症、皮肤疾病、纤维化、帕金森病、阿兹海默病、渐冻症,糖尿病、肌肉减少症和衰老的新药开发。

维智基因(Verge Genomics)

今年7月,利用机器学习算法开发新疗法的药物研发公司维智基因 (Verge Genomics)宣布完成3200万美元的A轮融资。该轮融资由德丰杰风险投资公司领投,药明康德风险投资基金,ALS Investment Fund,Agent Capital和OS Fund等创新生物科技投资基金也参与了这一轮融资。此轮超额认购使得Verge Genomics迄今为止筹集到的总资金超过了3600万美元。

维智基因公司于2015年成立,致力于运用机器学习、神经科学和实验生物学等专业领域技术,从而加速药物研发进程。该公司在肌萎缩侧索硬化症(ALS)和帕金森病中率先研发出了领先的治疗项目,并与两家医药公司建立了合作关系。同时,维智基因投入了大量的精力来创建其专有数据集。通过与十几个顶级学术组织和政府机构建立合作伙伴关系,该公司建立了该领域最大和最全面的ALS及帕金森病患者基因组数据库。

2018年已经涌现出了越来越多的AI初创公司,开始在新药研发领域崭露头角。我们祝愿在未来,这些新锐公司能够继续大放异彩,为全球患者带来更多创新疗法和医药产品!

参考来源:

[1] 2018: AI Is Surging In Drug Discovery Market. Retrieved November 23, 2018, from https://www.biopharmatrend.com/post/72-2018-ai-is-surging-in-drug-discovery-market/

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业融资机器学习药物研发深度学习神经科学生物学
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~