为什么AI制药这么火，为什么是现在？

编者按：本文转载自微信公众号：峰瑞资本（ID：freesvc）

2020年，生物医药创新的价值更为凸显，也成为最热门的资本市场风口。在生物医药领域，投资人关注度、药企参与度、技术交叉迭代速度三高。中国的药物研发领域，工业化与数据化在同时发生。向创新药转型的过程里，伴随着AI制药等新工具快速的应用和不断迭代。高成长性的关键技术节点有可能成为未来药物研发的新基础。

数据驱动和计算是峰瑞资本在生物医疗领域的一个重要投资角度。峰瑞资本从2016年至今陆续布局了多家AI/计算制药企业，涉及药物研发中分子生成和筛选、合成、晶型、剂型等环节。

在峰瑞资本生物医疗创投峰会第二场直播，峰瑞资本执行董事马睿、AI制药头部公司晶泰科技(XtalPi) 联合创始人赖力鹏、智化科技(Chemical.AI)创始人/CEO夏宁、剂泰医药(Metis Pharmaceuticals)创始人/CEO赖才达、康迈迪森 (CompMedChem)联合创始人/CEO万小波这几位创始人，跟大家共同探讨：

AI和计算在药物研发的各个环节有哪些应用，有哪些新进展？

为什么AI制药这么热，为什么是现在？

如何评价AI制药的发展阶段？

选择第一性原理还是AI？

中国不同类型的药企对于AI和计算有哪些需求和应用？

AI制药未来有哪些发展趋势？

什么样的人才进入AI制药领域最有优势？

/ 01 /   

AI制药公司发展得怎么样？

马睿：分享的四位嘉宾都是峰瑞投资的AI制药领域企业的创始人。在AI制药和计算制药领域，峰瑞有三个观察：

一是，今年在中美资本市场，AI制药这个领域在一二级市场热度高。二级市场美国在2020年上市了两个公司，一个是薛定谔（Schrodinger），一个是Relay Therapeutics。这两家公司现在市值都在40多亿美金左右。薛定谔的股价从首发价17美元，一度涨到近百美元，现在大概是60多美元。

投资的热度从美国传导到中国。在中国一级市场上AI制药主题的公司受到追捧，晶泰科技近期完成了三亿美金的超大额融资，估值达到10亿美金。市场上还有若干一亿美金左右估值的公司。

二是，AI制药领域有非常高的成长性。一方面，很多聪明人都参与进来。另外一方面，新的技术层出不穷，比如自动化、高通量筛选、分子砌块库、超大的虚拟筛选库，还有云计算GPU的应用、新的AI算法、结构生物学的迭代，确实有很多硬技术在发展，给领域注入了新动能。

三是，如果要谈“药物研发新基建”的话，行业的认可是非常重要的。未来，会不会发生AI和计算融合到整个药物研发基础里面这样的事情？

从几年前发展到现在，不管药企是由于害怕丧失掉一些新机会这样的心态来参与，还是说真正在利用AI制药技术，药企对于AI制药的认可度已经在不断提升。这也是我们今天要讨论的一个重点。

首先请大家介绍一下自己的公司，在AI或者计算上有什么绝活？

赖力鹏：药物研发大概分两个阶段，临床研发阶段和临床前。晶泰科技做的是生物医药的新基建，从计算的角度为药物研发提供基础设施，尤其在数字化和智能化两方面进行技术研发和贡献。

晶泰科技主要的业务在两个方面，一个是在药物的开发环节，通过对药物的晶型和固相的准确预测减少药物开发实验测试的成本。

另外一个是在药物的早期发现，从靶点的结构或者靶点的信息出发，到临床前的先导化合物的设计。

我们有三个核心技术，一个是以第一性原理为基础的计算化学技术，这一块我们主要从薛定谔方程出发，不断追求提高精度。第二是以人工智能和深度学习、数据驱动的药物研发，帮助药物化学家搜索更多的药物化学的空间。第三是我们的工程技术，目前主要以云端的超算资源为计算做支撑。我们通过一个多云架构，可以调度超过百万的CPU核心和GPU的资源。

夏宁：智化科技的英文名是Chemical.AI ，体现了我们的愿景：塑造化学的未来，把化学和人工智能、大数据技术相融合，特别是极大提升化学合成的效率，从而提升新药研发的速度和成功率。

智化科技一个核心业务是为国内外大型药企和CRO提供化学逆合成路线的设计工具，目前在技术上处于世界领先的水平。

在化学的临床前研发阶段，除了要设计出虚拟的分子之外，还要通过合成，把分子实体做出来。这个合成路线设计本身对化学家的水平、经验要求非常高，我们试图通过计算的方法，用大数据+人工智能，设计出最优的路线，避免失败。这在某种程度上能加快药物的发现，大量节省成本。我们也在尝试做可合成性评价以及从头设计分子。

万小波：康迈迪森公司9月份刚成立，我们想做专注于计算化学驱动的新药研发的平台公司，其技术特色是搭建一个基于蛋白三维结构的超大规模化合物的小分子药物发现平台，利用包括分子的超大规模的筛选+人工智能的赋能的核心技术，在短时间内搜索大量的化合物空间。

我们想要解决的痛点是突破国内仿制药企业专利跟踪的研发模式，帮助中小新药研发公司以相对低的成本，快速找到从0到0发现化合物新骨架的途径，从而为它们提供小分子化合物创新药物的早期开发服务。

赖才达：METiS剂泰医药专注于人工智能在制药领域比较未知的领域，也就是药物递送这一块。

药物递送这一块是有些基础的，刚刚晶泰科技的赖总讲了，一些药物研发新基建都还在早期搭建的阶段。

我们第一个做的是大数据平台，不止是透过已知的数据，还有产生数据的能力。我们透过一个高通量的自动化实验平台，在各种不同的药物递送的剂型、递送的途径产生非常有用的一些物理学参数跟数据。

基于这类数据，透过两个方式，一个是第一性原理的计算，智能了解分子怎么跟它附近的辅料、递送的载体产生交互作用，这些数据怎么在人体里面有很好的拓展性。

另一个是透过全AI的方式，根据前面的实验数据跟第一性原理算出来的物理参数去推进跟建模，这样无论是在药物早期发现，还是递送这边成药性的提升，或者做505(b)(2)新药设计都有非常大的优势。

METiS有两个核心业务方向: 

第一，服务药企在discovery及 development阶段，将分子结构设计到药物递送的一体化成药性评估，完成药物递送及制剂的优化，甚至做制程放大的一些工艺参数的推拟。

第二，根据临床的痛点，设计制剂新药解决问题，比如毒性、使用的便利性，通过我们平台去设计有临床差异化的管线，所产生的新药就会造成非常大的价值。我们想要帮助国内想转型的仿制药企或原料药企、创新药企创造一些真正有价值的产品。

马睿：虽然这几家公司都在AI制药领域，但AI制药涉及不同的环节，包括分子设计、晶型、剂型到合成。另外，这几家公司业务类型不同，有的是做多个环节，既有AI，也有计算，比如像晶泰；有的基于数据来做AI，比如智化科技；有的把分子库来数据化，基于物理做计算，比如康迈迪森。有的利用高通量来实现制剂的数据化，同时用计算来减少实验的步数，提高效率。通过这几个公司的业务方向能看出，AI制药是一个挺复杂的问题。

/ 02 /   

为什么AI制药这么热？

为什么是现在？

马睿：想跟大家探讨的是，为什么AI制药现在这么热？为什么是现在这个时间节点？

另外，一项新技术肯定要经历成熟发展的过程，想请大家总体评价一下，AI制药现在大概在什么样的阶段，也就是说AI和计算大概能做到什么样的程度，这可能是一个偏主观一点的问题。

赖才达：大家最近为什么对AI制药这个产业这么有兴趣，其实来源于整个医药开发效率性的问题，就是Eroom’s Law（反摩尔定律）。医药产业要面临的一个场景是，大约每九年药物研发的成本会翻倍。所以一个合理的目标是希望通过算力的摩尔定律，高通量、自动化实验技术的高效开发新药，帮助我们有效地设计更能够成功的药物。

我们去观察研发成本高的原因，你会发现它是两个层面: 

第一个层面，在药物发现阶段投入大约占10-20%的R&D开销，在临床试验阶段大概投80%以上的开销，但这两者的成功率和投入完全不匹配，大部分的失败都是在临床阶段。换句话说，我们在早期的药物发现筛选药的时候，并没有筛选出正确的分子。

我们现在通过AI计算赋能药物开发，不止想要提升效率，而是想非常有效地把药物发现跟后面的人体内的临床实验结合起来，找到好的分子。实现这个目标非常困难，需要把人体这套非常复杂的系统，真正把它解构成生化模型，通过第一性原理或者透过数据的方式，在临床前就达到非常好的模拟效果。

因此AI做drug discovery或者development的核心在于，不只是提升效率，更重要的是提高后面临床阶段的成功率。需要我们基于过去这几年蓬勃发展的基因测序，透过基因read and write的能力去产生大量的生物相关性数据，透过AI整合数据深度了解人体的复杂生化模型。

第二个层面，当我对生物的条件在某一些细分的领域更加了解的时候，对某个靶点、对机制足够了解之后，就能透过更好的物理计算的引擎去设计真正有用的药物。并且在设计分子时，对后面所有可能在CMC和Clinical有关的风险，去做一次性的评估。

以AI制药的角度来看，我们希望能够在非常早期，就能够在全链条下面做一个digitalize的赋能，降低药物开发的风险，提升开发的效率。

因此现在我们还在AI制药非常早期的阶段，要连接omics data、体外、人体内还是一个非常长的过程。我们现在比较擅长是在足够了解疾病机制之后，怎么去设计一些分子，设计一些递送的方式，再去设计化学合成路径，去满足早期发现的需求。AI制药领域方兴未艾，未来甚至会更热，因为真正的梦想是更大的。

马睿：确实，数据化特别重要，我们现在处于数据化早期的阶段。我想再问一下晶泰科技的赖力鹏，为什么AI制药现在这么热？以及为什么是现在这个时间节点？

赖力鹏：赖才达总说的比较全面，我蛮赞同的。

AI 制药为什么这么热？为什么是现在？我觉得它的驱动力一方面来自药物研发工业的挑战，另一个驱动力来自计算机技术的发展。

挑战刚刚赖总提了，制药成本一直增加，但成功率却逐年下降，非常不平衡。

另一方面，在药物市场里，不管是患者的需求，还是国家的一些政策，都在期待更有创造性的、更高质量的药物出现。所以，我们想用计算的方法，帮助药企设计出更好的分子。

整个药物研发从早期的discovery，再到clinical trial，投入markets，最终的愿望是做出好的药。从技术上来说，我们会有一个前期search的过程。第二阶段就是validation和测试、评价。

目前阶段，计算在制药过程里最主要的价值在于，通过前期较低成本的高质量的投入来降低后期评价的成本和迭代的次数。

目前的算法在一些相对细分的具体领域，包括数据的积累、一些前沿的计算方法、第一性原理和AI的方法方面都有非常快速的发展。这些先进的技术可以帮助我们更好地做设计和筛选。

另一方面，这个机会也是人才造就的。在互联网等其他行业里面，有大量AI人才，出现大量关于AI的研究。当这些人才进入生物医药行业，和药物化学家一起工作，可以做更好的算法设计。

综合起来，数据、算法、人才都是AI这个新技术能够进入生物医药行业的驱动因素。

整体上，可能大家已经不是几年前，看到一个新技术，只想快速跟随一下，怕错过这个机会的状态。在一些具体的问题点上面，新技术已经在体现它的价值。

从晶泰自己的研发效果，包括晶型、药物新结构的发现来看，相比传统的方法，AI能够缩短时间，降低大量成本。另外，在制剂和晶型的预测结合上面，也能看到这种算法带来的优势。

未来，当更多的数据进来，更多的人才进来之后，新的计算方法会在很大程度上加速药物早期发现和开发的过程。

马睿：也就是说，从数据、算法和人才上都有机会。比起几年前，AI新技术要稍微再深入一些，在每个环节都有一些令人有想象力的地方。

夏宁：我从两个角度说一下看法，一个是宏观的角度，一个是技术发展。

宏观来看，我们到了一个很愿意拥抱新技术来找解决方案的时代。

药物研发有“三高”，成本高、时间长、失败率高。但现在研发的投资回报率已经低到一定程度，你不解决，就很难持续研发药物。药物研发关系到整个人类的健康长寿的需求，我们必须要解决这个问题。

国家政策也把生物医药作为重点发展的产业，由此推动了一波投资热潮，产生了更多生物医药方面的需求。我们希望能弯道超车，把跟国外的大型药企之间的差距拉得很小。在这个过程中，我们必须要尝试一些新的技术，比如通过AI、大数据和高通量来降本增效。市场的大环境对新技术的需求是明确的。

第二，从技术的发展来看，新药研发是关于第一性原理的事情。理论上，通过计算能解决很多问题。过往，数据、算力以及对算法的研发这些技术瓶颈，让很多企业没有进行很大规模的投入。目前，算力、数据积累以及算法的成熟度，一定程度上满足了AI制药一些基础设施的要求。已经有了一些解决之前技术瓶颈的方法，虽然还是在比较早期的阶段。

AI制药的难度肯定是非常大的，要经历一个长期的过程，但这个方向是合理的。通过不断研发，不断地产生各种各样的收益，大型药企、Biotech公司都在拥抱这一技术。

AI制药是一个很有前景的新技术，又有明确的市场需求，所以比较热是很正常的。

整体来看，AI制药还处在非常早期的阶段，如果用百米赛跑作比喻，我们现在大约跑了五米。当然，在细分领域，我们切入的逆合成路线设计很可能是一个跑得比较快的领域。近期，一些《科学》、《自然》上边的论文，也给出了一些很好的结果，甚至解决了一些化学研究人员解决不好的问题。

智化科技在AI制药方面积累了超过十年的研发经验，把算法做到了一个可实用的阶段。在这个领域，算法可能在几年内，会达到比较厉害的化学家的水平，也可能会在一段时间后超过人类，这是我们现在正在努力的目标。

万小波：我补充两点，第一，人工智能技术或者高通量之类的技术，要经历和其他技术融合的过程，而不是一个技术解决所有问题。

在药物设计和筛选当中，我们使用的一些早期的技术，可能在40年前就开发出来了，90年代大家用得比较多，但是慢慢地，大家开始回归理性。

AI也会遵循类似Hype cycle这样的技术发展曲线，经历上升、最高点、回落、再发展的阶段。但我们现在处在往前走的阶段，这是大家普遍认可的。

第二，在这个过程中，不单单是技术本身，人的一些经验或者决策同样非常重要。我们可以把这个过程视为找到人机怎么相互完美结合，寻找最佳切入点的过程。

比如，你说算法可以提高10%或者20%，但在项目实施过程中，是不是能够真正把整个环节的效率提高10%？其实是需要从药物发现的全环节去考虑的。在一个人机结合得比较好的条件下下，才可能把项目做得比较好。

/ 03 /   

到底是应该走物理计算路线，

还是AI的路线？

马睿：想请各位具体聊一下，我们到底是应该走物理计算路线，还是AI的路线？

可能第一性不是一个特别好的词。马斯克也提第一性，第一性的意思有点像从本质上解决一个从A到B的目标问题。

我们应该用物理来做计算，还是基于数据做计算？物理的话，可能有些问题算不了，因为对算力的要求太大。AI来做的话，有的时候数据又不够。

想请你们评价一下，现在哪些环节可以用AI来做？哪些环节可以用物理来算？哪些需要AI+物理？

赖力鹏：我不是药学背景的，从靶点到临床前化合物，我觉得从数学上来说，是一个筛选的过程。

筛选要平衡两个事情，筛选的多样性和结果的准确性。潜在的可以成药的化学分子数量非常巨大，不管是虚拟筛选，还是实验室筛选，都只能探索到一个空间中很小的一部分。所以，筛选的目的是探索更多新的空间，就跟挖矿一样，得知道更多的矿源在哪。

但最终成药的一个项目，可能往后面推大概就是十几个或者几十个这样的分子，所以，当我们确定“矿源”，要从大的空间不断缩小范围，需要非常高精度的计算来确保，计算出来的东西尽可能接近最后实验的结果。

从场景角度，这两个技术在整个药物研发里面都有自己的分工和地位。

如果是从物理模型出发，有一位在线的观众也提到，他说物理计算精度非常高，但对于算力的要求也非常高。所以，物理计算更适合确定矿源之后，更精准的挖掘。

AI的方法则是在数据条件允许的情况下，能够快速探索，帮我们找到更多用于后期精准计算和实验测试的源头。

另外，从方法开发角度，这两个技术有融合的地方。

AI依赖数据，但很多时候数据的积累有一个过程。我们在早期用AI方法，对一个药物分子的活性和成药性做各方面评价的时候，有些数据可能只有几千个或者是几百个。不像互联网上可能会有百万、千万体量的数据，甚至像ImageNet会有一个标准的数据集。

在算法上面，我们会关注怎么样让AI算法做更好的预测，其中大部分工作都关乎分子结构的表征。

打个比方，我们在做图像识别时，有红绿蓝三个通道。这三个通道的信息，加上像素信息就可以让深度学习对图像技术识别。

那么到AI在生物医药的应用，我们要做的是，在对一个分子或者一个蛋白建模时，研究清楚它的通道有哪些。如果一个图片只是用了红色的通道，忽略了绿色和蓝色，就很难预测准确。在数据集还不够大的时候，我们可能很大程度上就要依赖计算化学的方法或者量子化学的计算结果，来作为分子或者蛋白的特征。

总结来看，这两个方法在药物研发的不同环节会单独发生关键的作用。第二，在方法的研发本身，它们会有一个非常好的结合，相辅相成。AI可以帮助更好地提高计算化学方法，比如在参数优化和全局搜索方面。计算化学的方法也能帮助AI进行提高，主要包括像特征提取和数据处理方面。

赖才达：物理计算和AI这两种方法是相辅相成的，并不是说用了一个就不用另外一个，大部分时候这两种方法可以结合起来。

比如药物递送要关注药物进去之后在肠液的溶解度，进入肠膜这一块的通透系数，进到血液之后，在肝脏的反应器里面怎么反应等等。关于这些流程，如果你有非常详细的第一性原理的数据，可以做相对好的预测。

但真实世界比较复杂，生物体本身的复杂性使我们很难得到第一性原理的物理性参数。现在能得到的数据很有限，包括体外的对药本身性质的研究，或者动物体内尽量模拟人体内递送条件的物理数据。AI能够帮助我们，透过这些与第一性原理相关的物理性参数，做很好的临床前预测，根据这些参数帮助设计临床上一些重要的指标。

举个例子，比如微球释放的过程，在体外可以用第一性原理模拟，但微球在体内的反应，整个过程的复杂度非常高。所以这一块IVIVC（体内外相关性）就要透过不同的注射地点、输送的途径、代谢的途径、涉及哪一些组织等等, 通过这些data，来做一些预测模型，就要把AI和第一性原理结合起来。

另外，药物开发本身跟工艺也有相关，不管在合成或者在制剂开发的过程中，会影响第一性原理的一些数据，这一块也需要做一个AI的建模。

所以，第一性原理跟AI相辅相成，不管是实验得到的数据去推理，或者第一性原理计算的方式，计算化学、计算物理、计算生物学的方式，核心还是推算出一些有代表性的参数，尽量得到一个很好的，能够覆盖大部分人群临床指标的预测。

夏宁：第一性原理和AI需要相结合和平衡，并不是一个单选题。

第一性原理能够得到比较高的准确度，但瓶颈在于计算速度比较慢。比如，我们做逆合成的时候，化学家很难忍受你再花10分钟做个量子力学计算。AI基于统计学，它的准确度跟数据体量以及体系的复杂度都相关，但AI的优点在于速度比较快。

整体来讲，AI在两个环节有先天优势，第一就是存量数据多的环节适合用AI，因为人在分析大量的数据的时候的效率比较低，但AI可以做这件事情，比如根据海量文献找一个靶点、跟踪专利、设计合成路线，这些都需要分析海量的数据得到结论。

第二，一些需要高通量的环节也适合用AI，因为人做不了高通量，包括第一性它其实也很难做高通量。比如docking（分子对接），你做几百个可以，但做十万个、二十万个就很难。

所以，在一些虚拟分子产生领域，比如批量的一些性质预测，包括可合成性评价，都比较适合用AI。高通量，也就是自动化合成，未来也是一个很有希望应用AI的方向。

马睿：物理计算路线、AI的路线两者是相辅相成的，起到不同的作用，而且存在不同的应用的场景。

/ 04 /   

客户对于AI制药的需求主要是什么样？

马睿：我们很关注的一个问题是，客户对于服务类公司的反应。想问问大家，你们在BD的过程当中，接触到不同类型的药企，它们对于计算和AI制药的需求主要是什么？现在它们对于计算和AI制药的应用大概处于什么阶段？

夏宁：智化科技现在主要服务的客户就是国内外大的药企，还有大型CRO。跟国外药企相比，中国药企对新技术的接受程度整体略慢一些。他们认可，但走得不会那么快。最近这两年，有一些国内头部药企已经走在了前面，愿意尝试使用新的技术提高研发效率。

药企非常实际，要看到你的技术带来的结果，能不能得到一个明确的验证，这是挺重要的一点。对AI制药来说，有些环节验证起来还是挺复杂或者周期比较长，是难点。在中国创新药转型的过程中，AI制药是一个非常关键的技术，所以大家现在都开始来看这个方向。

赖才达：第一，从工具的角度来看，我们怎么赋能药企。从国家开展仿制药质量和疗效一致性评价之后，药物制剂跟药物递送是药企比较欠缺的版块。大家原来很擅长做药物合成，但做制剂能不能满足一致性评价，能不能满足BE，甚至更复杂到下一步，做临床差异化的这些改良型新药，这些其实是非常欠缺。

所以，从工具的角度来看，除了计算，基础实验、递送本身制剂的设计、处方设计、工艺设计，这些都是蛮不足的。我们先通过计算的工具、高通量产生数据的工具，帮药企把药的制剂或者一些处方的设计、工艺的设计做一个赋能。在开发临床前的阶段，提升成功率，或者解决药物递送上面的一些痛点。

工具之外，我们还会从产品角度切入。通过co-developement或者licence out的方式，跟转型中的药企做合作，产生真正有临床差异化的产品。国内在这一块的痛点极大，我们目前聊下来，不管是仿制药企，还是fast follow这些创新性药企，它们都需要有临床差异化的改良性新药产品，可以非常快速地进到市场。所以，我们在这一块更多是用product as a service的方式来切入。

我们在早期根据这些药企非常擅长的几个大品种药，它们非常了解大品种药在临床上有什么样的痛点，病人使用上有什么样的缺陷，比如毒性、病人的依存性，从这个角度倒过来帮它设计产品。这个设计的过程是非常有价值的。

夏宁：从我们的业务发展的情况来看，客户对于计算方法或者计算和实验这种结合的方法的需求，体现在两个方面：

一个是工具的需求，针对某个特定的药物研发中的环节，有没有比现有的工具更好的一些方法，不管是AI、计算化学或者高通量实验的方法，能够帮助药企在这个环节降低成本或者增加成功率。

另外是产品的需求，面对药物创新的压力，能不能通过共同开发的方式去交付一个比如在临床前或者能进入临床阶段的一个高质量的药物分子、多肽或者抗体？

现在有一个趋势，大的药企也会和计算公司，或者拥有先进实验技术的公司来合作，共同开发。大药企，尤其是跨国的药企在工具上的需求会更多一些。他们自己可能有一个长期的完整的研发团队，现在更关注在某一个点上，其他公司能不能帮他们提高。

除了大药企会采用共同开发的模式，一些Biotech或者初创的公司也有非常强的需求。它们自身可能在Biology非常强，希望自己在生物学领域的发现能快速转换成药物产品。药企会和晶泰科技这边的技术平台合作，会和METiS 剂泰医药在制剂、递送这些方面合作，能够快速帮他们完成一个阶段的药物开发。双方可以很好的互补。

可以预见，在这样的平台，除了赋能已有药物研发企业之外，还可以促生很多早期的startup。因为这些平台可以弥补药企在研发中有所欠缺的环节。这是我们跟药企合作的过程中，出现的比较多的情况。

马睿：我小结一下，对于药企来讲，从剂型的角度，有预制剂的需求，还有帮助开发复杂的制剂的需求。很多大的药企其实需要一个合成路线的难易度的评估。晶泰科技这边服务了几十家的药企，康迈迪森这边是能够快速去做docking和超大规模的去做虚拟筛选。

对于现在很多药企，它为了要做创新的管线，要做first in class，而不是跟随别人的，就需要从靶点能够快速地，超大规模地，通过虚拟筛选拿到先导化合物。所以，康迈迪森现在聊到的客户基本是中国现在刚上市，或者即将上市的一些做非常创新first in class靶点的先导化合物的客户。

/ 05 /   

做服务工具类的公司应不应该做自己的产品？

马睿：刚才讲的是给药企做服务，想接着探讨，服务工具类公司应不应该做自己的产品？大家有没有计划未来做自己的产品？pipeline 是什么样的？

赖才达：Metis是一家产品导向的平台公司，目标是可以产生大量有临床差异化的产品，透过产品再做service，把产品通过license out或者co-development的方式往下推。我们跟晶泰科技、智化科技或者康麦迪森有很多可以合作的方式。我们以数字化药企的方式切入，甚至从早期找靶点，根据靶点设计药物的时候，就会把剂量药剂学、递送整个考量进去。

赖力鹏：探讨产品这个问题，可能得先要探讨how to define the product. 药物研发整个环节非常长，晶泰关注的重点是在临床前，通过工具或者服务、共同开发的方式，能够帮助合作方快速走过从药物靶点到临床前化合物的产生这个过程。

所以，我们一方面会和合作方在立项前期就进行合作，共同开发。我们也会针对一些目前可能有风险的项目，基于晶泰的技术平台，探索有没有形成产品的可能性。比如，一些药企觉得风险比较大，但是我们觉得有一定的把握，可以利用晶泰的AI和计算化学的方法，和METiS 剂泰医药、智化科技、康迈迪森这些前沿的企业合作，去看怎么把这些项目结合起来，产生一些早期的比如pre-clinical阶段的产品。

在项目的后续阶段，晶泰更多还是会通过合作开发的方式，把工作交给合作方。晶泰就专注于早期的技术开发和产品产生的定位。

万小波：最近和一些大药企聊，它们也提到产品。它们不单单只是需要一个设计的在计算机里呈现的虚拟的小分子，它们需要的是一个产品，一个具有活性的，可以往临床阶段开发的整体的药物。

药企在处理产品的问题时，一方面它会交给外部的CRO企业（比如类似我们这样的公司）来做测试，另一方面他也会有在内部团队同时开展。这个过程里，怎么样让外部、内部的团队建立足够的信赖，在后续一起推动进行联合开发，从而降低成本，我们应该多想一些沟通、合作的方式。

夏宁：可以把这个问题比作“淘金热”，在淘金热的时候，到底应该淘金做产品，还是卖工具？

这两个方向都有可能，它是一个动态平衡，如果淘金的人过多，竞争饱和，可能卖工具更好。反之，可能淘金的收益最大。

除非有一种比较理想的情况：新技术达到某种程度的垄断优势，别人用铲子淘金的时候，你可以用铲车淘金，这可能是做产品最好的时机。要找到一种绝活，实现这种绝活是AI制药初创公司比较理想的一种商业模式。

马睿：讲得非常好，小结一下，第一是可以做产品；第二还是必须要有绝活，离了你不行，不管是做产品，还是联合开发，你才能去占那个权益。

/ 06 /   

计算和AI能不能对这些难成药的靶点去做一些工作？

马睿：从me too到me better，药企已经有很多经验了，计算和AI能不能对难成药的靶点做一些工作？比如Kras这样的靶点，计算和AI能不能对它的成药有一些帮助？

万小波：我在美国的时候，做的一个项目就被认为是undruggable的靶点，我花了几年时间，才摸清楚怎么针对比较难的靶点做设计。

药物设计本身应该和最新的实验进展紧密结合起来。针对undruggable的靶点现在有几个不同的策略。第一个策略，是我比较熟的共价化合物的设计，比如像kras，前段时间（Mirati Therapeutics MRTX849）的那个化合物，过了二期临床，可能明年就会上市。针对这种共价化合物的设计、计算方法，是值得我们借鉴的。

还有其他一些技术，比如像protac以及其他针对RNA靶点进行药物的设计，现在这些领域有一些机会，取决于我们怎么结合自己的特长，做这方面的研究。

夏宁：针对undruggable的靶点，有两个难点：第一，我们可能还不清楚它的机理；第二，算不准。

机理的问题，需要借助一些新的实验技术来假设并验证，这并不是一个纯计算的问题，可能是实验层面或者药理层面的问题。

算不准的原因在于，我们根本不知道它怎么结合。一个方法是，可以多合成一些分子，用一些批量的、高通量的方式来解决。就像买彩票，如果中奖概率低，就多买一些，多合成一些分子，总是能够把概率提升一些。

赖才达：我补充一点跟递送比较相关的，其实整个undruggable，除了靶点本身的问题，比如说PPI、三维结构复杂的蛋白之外，有另外一个原因是分子很难递送到作用位置，比如很多疾病蛋白其实是细胞内像转录因子或是需要跨BBB递送的药物等等。现在很多新的modality药物都是专门去针对这些靶点，那他的核心问题就在递送本身了。

所以，非常需要解决的问题是，你能不能够很有效地把药物递送到细胞内。这不只要用计算解决的问题，还需要有一些很好的实验数据，透过高通量的方法筛选数据，设计一些很好的递送技术。

赖力鹏：谈到undruggable这个话题，计算的价值在于，第一，确定药物作用的一些机理。我们可以针对某一个target做靶向的设计，也可以是类似于像protac或者分子胶，不同的方式决定了计算要处理的问题会不一样。在这个过程里，怎样和一些生物学家配合，研究一些新的治疗办法？会涉及到生物信息学方面的一些计算。

确定靶标之后，还要确定靶标结构、结合位置等等，计算一方面可以做一些独立的工作，比如像蛋白结构的建模或基于深度学习的结构预测，利用动力学的模拟，来看到蛋白的结构和动力学性质。

现在也有一些用binding pokcet finding 或者 epitope mapping这样的方法来做小分子的结合位置或者是抗体结合位置的预测。

另外一个层面，赖才达总提到计算要和实验结合，现在有也比较火的，像DEL（DNA编码化合物库）的方法来研究一些新的靶点，也会有一些类似于纳米盘的方法来研究跨膜蛋白。把计算和DEL结合，可能可以帮助我们在拿到DEL的结果之后，用计算的方法做更进一步、更量化的分析。

还有包括用AI的方法，做结合位点或者是它的HITs的找寻。像跨膜蛋白这种，可以用计算的方法去帮助实验stabilize the structure或者增加它的水溶性，来帮助结构生物学做更好的结晶解析等等。

总体来看，计算在undruggable target方面有非常多应用，已经在学术研究和工业上面产生相应的结果。

/ 07 /   

计算需要哪些新技术？

AI制药公司需要什么样的人才？

马睿：刚才大家提到计算需要结合一些新的技术，这些新的技术是什么？是自动化、高通量，还是结构生物学，还是一些新的筛选的技术、新的算法？

另外，你要做这些新的技术，对初创公司来说，是需要一些人才的。在计算+药物这样的交叉领域，什么样的人最适合你们？请大家一块回答这两个问题，新的技术环节和人才可能也是相关联的。

赖力鹏：从合作角度来看，晶泰主要关注两个方面，一个是技术上我们非常关注和高通量、自动化的实验的技术合作，包括像更高通量的筛选、生物学评价以及包括合成。

原因在于，整个AI应用现在最大的挑战是验证的链条非常长，从AI算法做出来的prediction到真正拿到大家公认的实验室测试的标准，需要做很多的工作。所以我们现在非常关注的一个技术合作点是，能够以高通量的方式，高效地进行实验的评价。

另外一个层面，作为一个基础平台，我们也会非常关注有生物学背景的合作方，可以帮我们在算法开发以及在整个项目的推进上引入更多洞见。

所以，晶泰目前关注的人才主要集中在药物学和算法两个方面。药物学方面，尤其是临床前有相应的学习和工作的经验和专长。算法方面，包括计算化学方法，也人工智能的方法。

我们需要非常多不同领域的人才，毕竟晶泰做的是一个跨领域的事情，希望一起工作的同事在自己的领域有非常深入的专长，比如计算化学方向、结构生物学、计算生物学，或者是深度学习的某个自然语言处理方向等等。

另外，有一个开放的心态，能够拥抱一些新技术，并且能够积极参与跨学科讨论。我们非常喜欢这样的人才。

赖才达：我们专注在制药环节偏下游，以药物递送为主，从体外物理模型到人体内动物体内建模(IVIVC, IVIVE)的药剂学一系列人才是需要很多积累的。

除了刚刚力鹏讲的计算所需要的计算生物学、计算物理学、计算化学、AI算法背景的人才之外，同时在药剂学这边有经验的，不管是模拟方面，药物临床试验和药代动力学研究(DMPK) 、对于药物递送系统(DDS)的高通量实验设计及执行、临床设计等人才，我们都会去广泛地引入。

我们期待明年开始真正进入到临床阶段，因此clinical团队也是我们非常注重的，我们在杭州及Boston都会积极招募管线开发及临床团队。

万小波：我们想招募一些分子生成以及分子筛选这块有专门经验的人才。

一方面是应用方面，做过从早期发现到后续的生物验证流程的复合型人才，我们是非常欢迎的。另外，我们也欢迎底层计算和AI算法开发的人才，把现有的软件进行迭代，进一步加速。

实验方面，我们也很希望能有一些结构生物学或者冷冻电镜比较专业的，研究小分子和蛋白相互作用的人才加入团队。

简单概括，既对计算有信心，也比较感兴趣药物研发的人才，是我们比较欢迎的。

夏宁：我们要的也是偏复合型的人才，特别是在合成领域有比较丰富的经验，比如博士背景，加上多年的合成经验，同时还有一些算法的研发能力这样的人才，这是我们最缺的。我们能够一起来塑造化学的未来，是很有意义的一件事情。

/ 08 /   

中国现在的技术和国外的AI公司相比有什么优势？

马睿：有一位观众问：中国现在的技术和国外的AI公司相比有什么优势？为什么国外的大药企要和我们合作？目前有FDA获批的药物是通过AI筛选出来的吗？大家想了解，中国的公司现在做到了什么程度。

赖才达：针对第一个问题，从我们做药物递送的角度来看，在AI制药环节还是比较未知的，全世界我们是领先做这个方向的。其中积累非常多具有壁垒的能力, 主要体现在大数据平台、药物递送的模拟建模、及AI算法上。基于这方面的优势, 我们能替药企在设计分子阶段投入可开发性的评估, 解决早期发现40%以上的分子在ADMET/PK递送上的痛点, 有效提升成药的效率。

夏宁：我也来说下第一个问题，我们这个技术从逆合成的角度，在全球范围内也算做得比较早的，并不比国外晚或者在学国外。2012年，我们就做出最早期的版本。开拓国外市场时，我们基本上是第一批接触这些头部客户的，他们经过多方测评之后，发现我们的产品确实是最好的。

所以，并不是说国内企业不如国外企业，大家都是看谁最早开始做，并且关注技术的落地情况。

马睿：目前获FDA批准的，上市的药里面，有没有通过AI制药的方式生产出来的？

万小波：这个问题相当于，怎么定义AI制药或者是计算化学找到的化合物。是说从头到尾还是说初步的筛选就是完全依靠AI或者是计算化学？

据我所知，目前还没有一个纯粹通过AI制药筛选出来的药物，获得FDA批准。但是，有一些实验室或者公司通过AI的方法拿到了一个可以做临床实验的PDC的化合物，或者是接近到临床实验的阶段。

赖力鹏：我跟万总的想法一样，投资人也会问我们有没有AI发现的药物。

其实药物发现是一个跨学科，可能会有几十、上百种技术参与的过程，很难单纯说是通过哪一种技术发现了药物。

之前有报道称Exscientia（AI药物发现公司）有一些药物进入临床阶段，但也不能说这个药物完全是AI发现的，一定会有药物化学家或者计算、实验等等参与。

如果说纯粹由AI发现药物，就是AI机器一直工作，最后给一个化合物，实验一测，还挺好的，还能进入临床，这可能还是一个相对理想的、比较远的目标。目前更多是通过AI的工具和人，还有和其他的计算、实验技术一起发现药物。

现在我们的项目里面，有一些合作项目推进到接近PCC的阶段，其中有AI的参与。在这个过程中，AI提供了一些新的分子的骨架结构，或者说在某一个特定的ADMET的属性，比如说像透膜性等方面，通过AI的预测，帮助药物化学家更好的对结构进行修改，并且已经有了一定的阶段性结果。

马睿：我们现在还在谈每个技术环节的AI，但现在还没办法实现，用AI技术实现链条上的所有环节。

其实基于结构药物的设计，很多HIV相关靶点的药物都是很经典的，基于结构或者计算机辅助的药物设计产生了很多药。

在美国Nimbus Therapeutics，我觉推到最前的大概是进了临床三期，它的ACC靶点的，最后也在3期临床失败了。我们很难定义，到底是进了临床，还是说最后真正能成药，代表AI是一个值得去推的方向。

编者按：本文转载自微信公众号：峰瑞资本（ID：freesvc）