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

李帅博士作者

中经合李帅:AI赋能药物研发背后的逻辑

李帅博士拥有近4年的医疗领域的风险投资经验和8年的分子肿瘤生物学和生物技术药物的研究经验。在进入风险投资领域之前,李帅博士在北京大学天然药物与仿生药物国家重点实验进行博士后的训练,并作为助理研究员培养博士生。在此期间,李帅博士在基因治疗等生物技术药物的研究开发方面做出了很多顶尖的原创性工作。他博士阶段在北京大学基础医学院从事肿瘤的分子机制和转化医学研究,期间在顶尖科学杂志上发表了多篇研究论文。

新药研发周期长、成功率低以及研发费用高,一直是困扰制药企业的魔咒。最新数据显示,平均需要约14年,花费26亿美元才能将一款新药成功推上市场。AI技术日新月异的发展给很多行业带来了变革,制药业也同样将受益于AI带来的技术红利,来解决行业痛点,提高药物开发效率。也因此,全球诞生了超过200多家专注于AI制药的创新创业公司。

一、 什么是AI赋能的药物开发?

新药研发是一项环节多、时间长、风险高的工程,主要包括药物发现、临床前研究、临床研究以及审批与上市4个阶段。药物发现阶段主要涉及疾病选择、靶点发现和化合物合成;临床前研究阶段则以化合物筛选、晶型预测、化合物验证为主,包括药物的构效关系分析、稳定性分析、安全性评价和ADMET分析等;临床研究阶段以患者招募、临床试验和药物重定向为主,涉及用药方案、药效试验、患者观察记录、优化改进等;审批与上市阶段主要是政府药品主管机构对药企研发的新药进行审批,是新药流入市场的最后关口。

中经合李帅:AI赋能药物研发背后的<mark data-type=concepts data-id=95a97f4b-79d2-4bbc-91ae-300f074dff9f>逻辑</mark>

人工智能是赋予计算机感知、学习、推理及协助决策的能力,从而通过与人类相似的方式来解决问题的一组技术。利用AI技术在自然语言处理、图像识别、深度学习和认知计算等方面的优势,可以协助药物专家提高新药研发各个环节的效率。简单来说,AI主要可以帮助人类找到难以发现的潜在关系和利用算法来增强计算能力。AI具备自然语言处理、图像识别、机器学习深度学习能力,不仅能够更快地发现显性关系而且能够挖掘那些不易被药物专家发现的隐性关系,构建药物、疾病和基因之间的深层次关系。在计算方面,AI具备的强大认知计算能力,可以对候选化合物进行虚拟筛选,更快的筛选出具有较高活性的化合物为后期临床试验做准备。AI在新药研发领域主要应用于靶点发现、化合物合成、化合物筛选、性质预测、晶型预测、患者招募、优化临床试验设计和药物重定向等多个应用场景。DEEP KNOWLEDGE ANALYTICS “PHARMA DIVISION” 对全球150家AI制药创业公司的分析报告《AI FOR DRUG DISCOVERY, BIOMARKER DEVELOPMENT AND ADVANCED R&D LANDSCAPE OVERVIEW 2019 / Q1”》指出,聚焦于利用AI进行药物设计的公司最多,其次是数据收集和分析。

中经合李帅:AI赋能药物研发背后的<mark data-type=concepts data-id=95a97f4b-79d2-4bbc-91ae-300f074dff9f>逻辑</mark>

二、 AI赋能药物研发领域繁荣的背后逻辑

新药研发面临着研发周期长,成功率低,费用高的问题,提升cost effective是当前药企发展的重要议题,AI会是一个强有力的突破点,也因此近年在AI制药领域诞生了数百家的创业公司。

从全球医药市场销售额看,2017年已经突破12000亿美元,预计到2021年销售总额可达到14750亿美元2012~2021年的年均复合增长率为4.9%。而同时期中国医药市场的销售额将从2012年的770亿美元增长到2021年的1780亿美元,年均复合增长率达到9.8%,是全球医药市场的2倍。这表明全球医药市场在稳步增长,而中国医药市场的增长更快,具备更好的发展潜力。

中经合李帅:AI赋能药物研发背后的<mark data-type=concepts data-id=95a97f4b-79d2-4bbc-91ae-300f074dff9f>逻辑</mark>

虽然医药市场在稳定增长,但是药物研发成本越来越高。EvaluatePharma2019年的报告显示,2018年全球药企的研发费用达到了1790亿美元,预计2024年会达到2130亿美元,年复合增长率约3%,约占销售收入的20%。研发成本日益增高,是药企的重要成本支出。

中经合李帅:AI赋能药物研发背后的<mark data-type=concepts data-id=95a97f4b-79d2-4bbc-91ae-300f074dff9f>逻辑</mark>

从中国的具体情况来说,政府从2015年开始进行了大力的医疗体制改革,目的是降低医保支出,解决看病难看病贵的问题。中国医疗正在经历从保证基本需求向提高优质医疗医药可及性转变的过程,即从首先解决有没有的问题,转向解决质量和费用的问题。在制药领域,2016年3月5日,国务院办公厅印发《关于开展仿制药质量和疗效一致性评价的意见》(国办发〔2016〕8号),标志中国仿制药质量和疗效一致性评价工作全面展开。以前中国仿制药有自己的特点,很多仿制药与原研药在质量上有较大区别,原研药专利悬崖现象在中国没有出现,药品价格居高不下,而仿制药一致性评价政策的实施就是解决药品质量的问题,使得仿制药疗效与原研一致。2018年开始推行药品集中采购政策解决药品价格问题。同年12月6日“4+7”集采中药品的中标价格大幅下降,平均降幅达到了52%。药品巨大幅度的降价使得仿制药的利润空间非常有限,迫使制药企业必须要进行创新药的研发才可能赢得继续生存发展的一席之地。然而创新药需要大量的资金和时间,考虑研发失败的风险,新的数据估算一款创新药成功上市需要26亿美元大约14年的研发周期,大概比2003年增长了145%,巨额的成本是一般药企难以负担的,所以有效够降低药物研发成本是药企的必然之路。也因此AI技术赋能制药领域备受关注,成为了2019年最热的话题之一。

中经合李帅:AI赋能药物研发背后的<mark data-type=concepts data-id=95a97f4b-79d2-4bbc-91ae-300f074dff9f>逻辑</mark>

从科学的角度来解释,人类2万多个可编码蛋白的基因,其中10%-15%与疾病相关,而可作为小分子药物靶点的小于700种,容易的靶点已经开发殆尽,剩下的都是难度很高的或者难以成药的靶点,需要投入更多的时间和经济成本才可能成功。低垂的果实已经没有了,如何找增量以及提高效率成为了当前新药研发的主题,能快速摘到深藏或隐藏的果实、又或者将树叶树枝变为果实(寻找增量)的公司才是未来制药领域的赢家。当前随着信息技术的迅猛发展,AI技术正在成为制药领域潜在有力的突破点。比如利用AI强大的发现能力寻找新的药物靶点,药物重定向,挖掘微生物组宝库等等应用。虽然仍有很多问题和质疑,但却是必须要拥抱的未来方向。

三、 AI制药领域发展的限制因素

  • 学科交叉人才稀缺

AI赋能药物研发是一个信息科技赋能传统行业的交叉领域,既需要AI的人才也需要懂药物研发的人才,同时双方必须要能够理解对方的专业语言和思路,才能很好地配合。这样的团队很难搭建,需要长时间的磨合。相应的人才储备对应不同的商业模式,创新药的开发链条长环节多,优质人才要熟悉整个过程,某个环节的缺失可能会拖慢整个过程,这样只能单点突破选择CRO的商业模式。

  • 数据获取难

AI训练模型需要优质的数据,而新药领域的数据大都在药企,公开的数据比较有限,所以如何获取优质的数据是AI制药初创公司需要解决的问题。能够跟跨国药企合作的初创公司在市场上会非常具有竞争力。中国过去做创新药的实践很少,但是近几年实施了多项政策鼓励创新药发展,呈现了繁荣发展的态势,药企相关的数据虽然不比跨国药企,但是也在快速积累。另外中国CRO公司(如药明康德等)发展迅速,掌握了大量的数据,尤其是临床前的研发数据。中国的基础科研突飞猛进,科研论文数量已经是世界第一,背后也积累了海量的数据。AI制药的初创企业要积极跟学术界和产业龙头合作,获得优质数据是立足之本。

  • 商业模式的选择

新药开发周期很长,目前也没有AI制药公司宣布利用AI技术开发的药物成功上市,AI在新药开发上的价值也不易量化评估,在做好长期奋斗的同时,开展一些CRO的业务来补充公司的现金也是不错的选择,不过需要思考好如何处理好CRO和做药的商业模式。公司自己做药物开发就是药企的竞争对手,而CRO模式是为药企提供服务,两种商业模式可能会存在一些利益冲突,所以要想清楚开展这两种商业模式的具体环节,阶段,比重等问题。从商业价值的角度来说,药物开发比CRO的市场更大,收益更高,但是对公司的挑战更大,对人才的要求也更高。

  • 开发强AI,才能更好地体现出AI在药物开发中的价值

人工智能(ArtificialNarrowIntelligence,简称ANI)是指仅在单个领域比较牛的人工智能程序。比如的谷歌AlphaGo,便是弱人工智能的典型代表。其特征便是虽然很擅长下围棋,却无法与你玩一把飞行棋。强人工智能(ArtificialGeneralIntelligence,简称AGI)则是能够达到人类级别的人工智能程序。不同于弱人工智能,强人工智能可以像人类一样应对不同层面的问题,而不仅仅只是下下围棋,写财报报道。不仅如此,它还具有自我学习、理解复杂理念等多种能力。也正因此,强人工智能程序的开发比弱人工智能要困难很多。而药物开发涉及环节众多,虽然目前一些环节已经在应用AI,但是需要强人工智能才能打通各个环节,更好地赋能制药领域。

四、 中国AI药物研发公司现状

中国对于创新药的研发有着非常强烈的需求,但对创新药研发历史较短,经验不足,而且研发投入的巨额资金和长周期的风险使得国内药企对于创新药开发既爱又恨。而利用AI技术解决现在创新药研发周期长失败率高的问题有非常好的前景,也因此,在中国诞生了大大小小数十家专注AI制药的创新企业。

中经合集团看好AI制药领域的发展潜力,也已经投资了数家以不同角度切入制药领域的“AI+制药”的公司,包括搭建AI技术平台提高药物筛选和药物设计的效率(英飞智药,开发真正可以赋能药物发现阶段各个环节的AI技术进行药物研发),亦或者利用AI从新的作用机制(Panorama,利用深度学习对海量RNA组学数据进行分析开发靶向RNA剪接过程的小分子或者大分子药物)、新的靶点和组合(Enginebio,全基因功能网络分析寻找新的靶点和组合)、新的资源宝库(Deepbiome,利用AI对海量的微生物组数据进行分析挖掘,越过微生态药阶段直接找到背后的小分子药物)等方向寻找新的增长点。去年中经合集团也收获了动脉网数字医疗十佳投资机构和中国AI药物开发投资机构top5的奖项。

Panorama Medicine是一家由风险资本投资的创业公司,由世界顶尖的计算和实验RNA生物学家组成的多学科团队创立。Panorama利用独有的基因大数据分析深度学习技术加速药物研发过程,旨在高效开发由于RNA剪接异常引起的疾病的药物。

英飞智药是一家以创新药物为目标,以人工智能为驱动的初创公司。英飞智药在新药研发中充分利用并持续发展先进的AI药物发现技术,打造自主知识产权的AI+新药研发平台—智药大脑TM。英飞智药拥有多款候选药物的成功开发经验和业界领先的开发成功率,将创新候选药的开发周期从3-6年缩短到6个月至2年,致力于高效批量开发自主创新药物品种,也为医药企业的新药研发提供先进的技术服务和知识产权解决方案。

DeepBiome是由来自Harvard/Broad研究所的团队创立的一家AI药物发现公司。他们聚焦于挖掘人类微生物组这一极具前景和前沿的领域,这是一个基本未被开发的药物先导化合物的宝库。DeepBiome希望利用最新的人工智能(AI)技术,彻底改变目前高成本、低效的药物发现过程。

Enginebio是由世界领先的MIT Broad研究所的科学家Tim Lu创立的利用人工智能技术进行药物发现的公司。在计算科学、合成生物学和药物发现领域的专家领导下,公司将高通量、大规模并行的生物实验与高通量计算结合起来,破译生物医学网络,增强药物开发过程产生新的药物。

中经合集团
中经合集团

1993年成立,最早进入亚太地区的全球范围跨境VC机构,主要关注人工智能、智能制造、大数据、AR/VR、5G、金融科技、保险、生态环保和医疗健康等。

产业制药新药研发AI
1
相关数据
Qualcomm机构

高通公司(英语:Qualcomm,NASDAQ:QCOM)是一个位于美国加州圣地亚哥的无线电通信技术研发公司,由加州大学圣地亚哥分校教授厄文·马克·雅克布和安德鲁·维特比创建,于1985年成立。两人此前曾共同创建Linkabit。 高通公司是全球3G、4G与5G技术研发的领先企业,目前已经向全球多家制造商提供技术使用授权,涉及了世界上所有电信设备和消费电子设备的品牌。根据iSuppli的统计数据,高通在2007年度一季度首次一举成为全球最大的无线半导体供应商,并在此后继续保持这一领导地位。其骁龙移动智能处理器是业界领先的全合一、全系列移动处理器,具有高性能、低功耗、逼真的多媒体和全面的连接性。目前公司的产品和业务正在变革医疗、汽车、物联网、智能家居、智慧城市等多个领域。

http://www.qualcomm.com/
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。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

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。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

弱人工智能技术

弱人工智能(weak AI),也被称为窄AI,是专注于某一特定狭窄领域任务的人工智能。 相对于可以用来解决通用问题的强(泛)人工智能,几乎目前所有的人工智能都属于弱人工智能的范畴I。

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)

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

强人工智能技术

强人工智能或通用人工智能(Strong AI或者 Artificial General Intelligence)是具备与人类同等智慧、或超越人类的人工智能,能表现正常人类所具有的所有智能行为。强人工智能是人工智能研究的主要目标之一,同时也是科幻小说和未来学家所讨论的主要议题。相对的,弱人工智能(applied AI,narrow AI,weak AI)只处理特定的问题。弱人工智能不需要具有人类完整的认知能力,甚至是完全不具有人类所拥有的感官认知能力,只要设计得看起来像有智慧就可以了。由于过去的智能程式多是弱人工智能,发现这个具有领域的局限性,人们一度觉得强人工智能是不可能的。而强人工智能也指通用人工智能(artificial general intelligence,AGI),或具备执行一般智慧行为的能力。强人工智能通常把人工智能和意识、感性、知识和自觉等人类的特征互相连结。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

围棋技术

围棋是一种策略性棋类,使用格状棋盘及黑白二色棋子进行对弈。起源于中国,中国古时有“弈”、“碁”、“手谈”等多种称谓,属琴棋书画四艺之一。西方称之为“Go”,是源自日语“碁”的发音。

药物发现技术

在医学,生物技术和药理学领域,药物发现是发现新候选药物的过程。

量化技术

深度学习中的量化是指,用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

暂无评论
暂无评论~