2021年8月4日，头部AI制药公司英矽智能（Insilico Medicine）宣布，利用公司自研的高效人工智能药物研发平台，成功研发了肾纤维化临床前候选化合物。该候选药在药理和药代等药学性质、以及体外和体内的临床前研究中表现出色，具有良好的临床前景，公司目前正在积极推进该候选药的临床I期试验。
在取得这又一突破性进展之前仅半年，英矽智能才刚刚宣布他们获得全球首例利用全AI驱动药物研发技术而成功发现的特发性肺纤维化疾病的新靶点和针对该靶点的新活性化合物。
这次的肾纤维化临床前候选药的发现，英矽智能把新药研发周期缩短到了18个月，成本降至260万美元，远低于传统新药研发需求的时长（5年）和投入（1000万美元）的平均值。
计算机辅助药物研发由来已久，但其成效一直受到质疑，而英矽智能的再次成功，提振了整个制药行业的信心。满怀期待的制药人，即将见证医药行业大踏步地迈入人工智能时代。
人工智能，制药新活力
长久以后，新药研发的高回报和高风险让人又爱又恨。新药研发的高风险主要源于研发的周期复杂、耗时长，从活性到成药性，从制剂到生产工艺，任何一个环节的失败都会让一款被寄予厚望的新药研发前功尽弃。
根据美国Tufts大学2014年的一项研究统计，一款新药从首次合成到进入临床平均耗时31.2个月，而从临床I期到成功上市平均再需96.8个月。也正因为投入资金巨大、耗时长、风险高，新药研发几乎一直是财力雄厚的巨头药企才玩得起的游戏。
另一方面，环境恶化、全球化、老龄化等现代社会问题所带来的新的医药市场需求愈发凸显，尤其集中在癌症、传染性疾病、心血管疾病、神经退行性疾病等方面。有预计到2024年，全球医药市场总规模将超过11万亿。
面对如此巨大的用药缺口，制药行业亟需能在各个环节上降本增效的突破性解决方案，包括高速筛选和设计有潜力的候选药、提高药剂开发和快速优化工艺流程、以及加速临床试验的样本筛选和不良反应监测等多管齐下，从而实现新药和新疗法的加速研发和市场化。
在计算方法辅助药物设计之前的时代，新药的筛选几乎完全依靠化学合成和生物试验，成本高耗时长。随着计算化学和计算生物学等学科的发展，药物筛选实现了高通量初筛，既缩小了先导化合物的范围又以非常低成本的方式覆盖了更大范围的化合物结构。
只是早期的计算辅助药物筛选和设计的方法效果不稳定，这一方面受限于这些模型和算法依赖于科学家对化合物理化和药学性质的认知，另一方面计算力的限制导致虚拟筛选其实远不能覆盖这种技术应该搜索的全部结构和能量空间（数量级可能达到10的60次方）。
而伴随着机器学习、人工智能等核心技术的快速发展，计算能力的大幅提升，这两方面的问题都可以迎刃而解。机器学习等人工智能算法就是为了处理海量数据而生的。而随着有效数据累计的越多计算结果则越好，并且可以最小程度的依赖于人的先验知识。
AI或人工智能，是用以指代一个能够独立学习和决策的系统，它能够从被给予的输入（数据）中学习“知识”，找出规律，并据此进行推演和预测。目前已应用于医药行业的很多方法，比如机器学习（包括深度学习）、自然语言处理、计算机视觉等都属于人工智能的范畴。
机器学习在靶点识别、药物筛选、药物设计、疾病诊断、传染病预测等多方面都有广泛的应用；自然语言处理是一种机器从文本中提取信息的方法，可以被用于分析电子档案等文本数据，甚至于在临床试验中招募合适的患者和优化实验设计；而计算机视觉则在基于医学图像的疾病诊断、疾控视频监测等应用场景中已经取得了实质性的进展。
人工智能正在逐个击破医疗行业的高成本低效率之痛。
AI触达新药研发多个新的应用场景
新药研发的全过程大致可分为药物发现、临床前研究、临床研究以及上市四个阶段。计算机在传统的驱动模式下，主要集中于药物发现阶段的药物筛选、结构优化等环节，伴随机器学习算法的深入，计算驱动的场景已经扩展到了新药研发的全过程，其中靶点发现、药物筛选、药物设计和优化、临床试验患者招募、优化临床试验设计等方面有较为深入的应用。
靶点发现。已经上市包括在管线上的药物靶点数量非常有限，药企除了针对已有靶点研发更有效的新药，更需要寻找新的靶点以解决抗药性问题或获得更好的治疗效果。新靶点的发现依赖于从海量的生物信息学数据找出与疾病的临床指征的关联，再从中发现有可药性的靶点。各种机器学习、数据挖掘的算法被应用于转录组、蛋白质组、代谢组等高通量生物组学数据中，通过大量数据不断的对算法的进行训练，从而挖掘出有潜力的新靶点。
临床试验患者招募。在临床试验中，机器学习和自然语言处理可以应用于优化和加速患者的招募选择。通常患者入组的时间大概占用了全部试验期的三分之一，而如果临床试验招募的患者不合适，会导致约80%的失败病例。机器学习方法可以在临床试验的II期和III期中，通过分析患者特异性基因表达谱来选择特定的患病人群进行招募，从而加速试验过程，提升成功率。
此外，AI在上市过程中的市场分析定价，后期的不良反应监测的方面都有可发挥作用的空间。
AI制药可盐可甜的商业模式
人工智能技术和应用场景的日趋成熟，带来了市场的飞速发展，从2015年2亿美元的市值到2018年的7亿，预计2024年将达到50亿美元。作为AI重要应用场景之一的制药行业，全球领先的制药公司开始率先拥抱人工智能，或从内部孵化或直接与AI科技公司合作。
辉瑞和IBM Watson合作利用后者的计算平台和ML、NLP等技术搜索癌症免疫疗法的新靶点，赛诺菲与首个AI制药临床试验公司Exscientia合作，利用Exscientia开发的AI药物发现平台来优化用于心脏病和癌症治疗的先导化合物结构；此外，诺华、拜耳、Lilly等都与微软、IBM、XtalPi等AI技术或AI制药公司在药物研发等领域有合作。
除了只就计算可驱动新药研发阶段与大型药企进行合作，像英矽智能这种“端到端”的新药研发模式也是未来AI制药公司可以发展的商业模式。AI制药公司在计算驱动新药研发方面，比之老牌药企已经先行，技术领先优势如果再配以完备的全链条研发能力，将有望在新药研发的速度和成本之战中胜出。
英矽智能目前不仅和全球三十多家领先的药企达成合作，还拥有自有管线30多条，用于覆盖各类疾病的药物研发。这种级别的管线数量，越到后期，资金和资源的压力越大。英矽的信心一方面来源于AI技术极大降低了初期研发的成本和时间，另外其自建的三款AI药物研发平台可以覆盖新药研发和临床试验的三大阶段，包括靶点发现（PandaOmics）、药物设计和生成（Chemistry42）、和临床试验的结果预测平台InClinico。即便有AI加持，英矽目前的策略仍然是把管线推进到临床I期，而在II和III时寻求强有力的合作伙伴。
曙光已现，未来可期
在过去的2020和2021两年时间里，AI制药行业融资加速，国际和国内多家AI制药公司获得了高额融资，包括晶泰科技的3.188亿美元融资、Recursion Pharmaceuticals的2.39亿融资、Insilico的2.44亿融资等，国内也有超过20家AI制药公司获得融资。而国内互联网巨头坐拥技术优势，也纷纷入场布局医药行业。百度于2020年成立了百图生科（BioMap），阿里云自建了AI药物开发平台，字节跳动也多地开启AI医药领域的算法人才的招募。2020年6月Drug Discovery Today期刊发表的一篇调查综述中显示，在被调的21家头部药企中，传统药企对于AI研发部门的投入巨大，技术成果虽然处于初期，但是已经日趋成熟。
新药研发一直是制药企业的核心竞争力，随着集采政策的发布和加码，药企必须不断的提升新药研发的能力，在研发周期长、成功率低、研发费用高这三大困局中实现自我突破。人工智能技术赋能新药研发的可能性已毋庸置疑，虽然技术的进一步发展以及与医药行业的深度绑定仍然限制了AI制药行业的迅速崛起，但是曙光已现，未来可期。
