昇得源资源康健工业团队“AI+”系列报告之1: AI+新药研发

2020年以来

海内AI盘算驱动的立异药物研发领域

（下称“AI+药物研发”）

热度显着攀升

泛起多起大额融资：

晶泰科技

2020年9月 C轮 3.188亿美元

（其时全球领域内最高纪录）

2021年8月 D轮  4亿美元

英矽智能

2021年6月 C轮  2.55亿美元

百图生科

2021年8月 A轮  数亿美元

望石智慧

2021年4月 B及B+轮 1亿美元

齐鲁锐格

2021年2月 B轮  9000万美元

星药科技

2020年12月 A轮 数万万美元

2021年8月 战略融资

......

凭证果真信息整理

2021年阻止现在

海内已完成31起融资生意

总融资额凌驾110亿元人民币

已凌驾2020年整年融资生意数目与融资额

而市场对AI+药物研发领域有诸多好奇

好比：

针对公共普遍关注的上述这12个问题

昇得源资源给出了昇得源谜底。。

近年来深度学习算法的突破，，，，，算力大幅提升，，，，，以及生物学手艺生长和本钱下降带来的生物医药大数据加速积累为AI在生物医药领域的应用提供了客观条件。。

外洋AI驱动研发的候选药物进入临床，，，，，以Schrodinger和Relay为代表的AI/盘算驱动制药公司上市，，，，，以及多个跨国药企和互联网巨头的涉足成为该领域热度攀升的催化剂。。

新冠疫情对行业与资金面的影响不可忽略。。疫情驱动市场对生物医药行业有了亘古未有的关注，，，，，流动性宽松的配景下资金向危害资产倾斜，，，，，而AI+药物研爆发为市场想象空间重大的交织领域，，，，，同时受到TMT和医疗这两个大行业资源的追捧。。

对海内企业来说，，，，，国家关于立异药的帮助是AI+药物研发热的主要驱动因素。。以2015年药品审评审批制度刷新为起点，，，，，国家从注册审批、医保支付、资源市场上市规则、人才政策、专利保；；；
；さ雀鞲鼋嵌戎苋憷⒁煲┑纳，，，，，me-too、me-worse等“伪立异药”和仿制药的价值空间被极大压缩，，，，，对立异的追逐以及降本增效的需求驱使医药企业加速拥抱AI。。

凭证昇得源资源的扫描，，，，，阻止2021年8月尾，，，，，海内共计有57家AI+药物研发公司。。其中最早一批公司建设于2012年-2014年，，，，，大都公司建设于2018年后，，，，，就AI的应用场景及AI驱动的研发效果而言，，，，，现在行业整体还处于起步阶段。。

就现在的应用效果而言，，，，，AI在药物研发领域只是饰演赋能工具的角色，，，，，谈AI对市场名堂的倾覆还为时尚早。。我们预期AI带来的研发质量与效率的提升会成绩一批接纳立异研发模式的“新生代”biotech，，，，，但big pharma多年积累修建的临床开发与商业化壁垒非一朝一夕可以建成，，，，，行业主流名堂在短期内难以被撼动。。但我们不扫除随着数据积累、模子立异与迭代、新的羁系与商业模式的泛起，，，，，AI未来有可能重塑立异药行业名堂。。

AI在靶点发明与验证、分子发明与优化、临床前研究、临床试验设计与患者筛选入组、药物上市后研究等新药研发的各个环节均有大宗应用。。新药研发的链条很长，，，，，差别环节所需要的手艺能力与履历配景差别很大，，，，，因此大都AI+药物研发公司选择从其中一两个环节切入，，，，，且主要集中在靶点发明与验证和分子发明与优化阶段，，，，，这是由于生物学机制明确和候选分子性子是决议临床试验成败的最要害因素。。

现在应用在立异药研刊行业的AI手艺主要指的基于数据驱动的机械学习（ML）算法，，，，，现实上ML乃是AI大领域下的一个主要使命。。而以深度神经网络DNN代表的深度学习手艺则是现在最前沿的ML偏向，，，，，在这次AIDD热潮中施展了至关主要的作用。。AIDD目今主要应用的深度学习算法模子包括卷积神经网络CNN、循环神经网络RNN(LSTM)、天生对抗网络GAN、Transformer、图神经网络GNN及其变种和组合等。。除此之外，，，，，模子中还经常有许多机械学习中的经典算法来配合使用，，，，，如决议树、支持向量机、蒙特卡洛树搜索、MCMC等。。

关于深度神经网络相关算法来说，，，，，其形成的端到端的系统结构关于输入输出而言类似一个黑盒，，，，，因此模子参数的可诠释性相对较差也就成为其主要的局限性，，，，，怎样用现有的生物医药知识有用地指导模子搭建和效果优化也是目今的一个主要研究偏向。。

盘算机辅助药物设计（CADD）在小分子药物研发领域已有很长的应用历史，，，，，NASDAQ上市公司Schrodinger提供的解决计划就是CADD的应用规范。。CADD基于物理规则，，，，，使用盘算机来模拟化学事务并准确盘算原子和分子的物理化学性子，，，，，对算力要求高，，，，，通量低，，，，，主要应用于已有苗头化合物后的分子优化。。

AI则是基于数据的统计学习要领，，，，，AI的引入可以加速数据处置惩罚历程，，，，，显著提升CADD的效率，，，，，但AIDD绝不可简朴明确为CADD的迭代与延伸，，，，，AI 手艺可以被有机整合至新药研发的各环节，，，，，将盘算科学在药物研发中的应用从CADD聚焦的分子发明和优化阶段扩展到药物研发的整个生命周期，，，，，为药物研发带来更彻底、普遍的厘革。。

都很主要，，，，，引用一句在业界普遍流传的话：数据与特征决议了机械学习的上限，，，，，模子和算法只是无限迫近这个上限。。

算法模子的要害是明确其底层生物学意义，，，，，对domain knowledge的明确是决议模子质量的要害。。算法模子的优势可以体现在多个维度，，，，，好比效果的精准度、盘算速率、模子体量、泛化性能等，，，，，差别算法模子可能有差别的着重偏向，，，，，因此优势也会不尽相同，，，，，在特定使命需求和应用场景下合理选择具有响应优势的算法模子至关主要。。

数据质量主要体现在数据自己的统计特征（如单因素剖析与多因素剖析的统计学显著性）、差别泉源和差别批次数据间的一致性等方面。。另外，，，，，原始数据的结构化水平，，，，，噪声含量，，，，，以及与真实应用场景下的数据漫衍误差水平，，，，，也都是判断数据质量的主要标准。。

公共数据是很主要的数据泉源，，，，，如TCGA、PDB、Drugbank、GenBank等大宗公共数据库及富厚的文献专利为AI+药物研发企业提供了海量珍贵数据。。

通过委托CRO、客户相助及公司自有实验平台定向爆发有价值的高质量数据。。

数据的质量和数目对AI+药物研发公司来说至关主要，，，，，但对数据的挖掘、明确以及对要害问题的界说的主要性不亚于数据自己，，，，，这需要基于公司团队关于生物学与药物研发的深入明确。。

现在主流的深度学习都是依赖大宗训练数据，，，，，通过自动学习的算法获得包括相关知识的模子参数，，，，，从而实现模子功效。。面临训练数据缺乏的情形，，，，，现在主要从“开源”和“增效”两个角度来解决。。

“开源”即是增添训练数据量，，，，，可以使用古板的数据处置惩罚思绪，，，，，如机械预标注、数据增强等方法来镌汰数据准备本钱从而扩增数据量；；；；
；也可以通过行业整合的方法，，，，，联合多方数据源头搭建数据共享平台，，，，，使用区块链和联邦学习等手艺在包管数据隐私和所有权的情形下，，，，，实现行业数据的合理使用与有用整合。。

“增效”即是通过立异和改良深度学习要领，，，，，提高对有限训练数据的使用效果，，，，，好比使用迁徙学习、小样本学习等要领，，，，，使用少量训练数据对现有预训练模子举行微调，，，，，从而实现模子在新数据集下的响应功效（预训练模子一样平常来自相同使命下现有的通用模子，，，，，或者可通过低本钱概略量的数据集训练获得）。。

AI在大分子药物领域的应用简直远远落伍于小分子领域，，，，，主要缘故原由是大分子结构与功效的重大性以及大分子数据的缺乏。。

在卵白药物研发领域，，，，，AI辅助的抗体定向进化已在工业界崭露头角。。卵白定向进化通过构建突变文库、高效表达与筛选卵白、对筛到的突变体举行再次突变与筛选，，，，，多轮迭代后获得性子知足的卵白，，，，，这一手段在酶工程领域已有成熟应用，，，，，近年来有不少公司将这一头脑应用到抗体药物筛选中，，，，，如外洋的BigHat、Absci、Ginkgo和海内少数从事AI+大分子药物开发的公司。。AI的应用可以提高文库构建的效率与质量，，，，，镌汰迭代筛选次数，，，，，使得抗体定向进化更为高效。。

然而在重大的潜在卵白质序列空间中，，，，，定向进化要领只能笼罩很一小部分，，，，，且纵然有AI辅助，，，，，抗体定向进化历程依然需要多轮实验迭代，，，，，繁琐耗时。。只管在小分子领域虚拟筛选已获得普遍应用，，，，，但大分子的虚拟筛选一直是学术与工业界的难题。。最近我们欣喜地看到海内的信华生物已实现基于抗体虚拟筛选的重大突破，，，，，该公司开发的Vibrantfold平台可以高通量准确地展望抗体结构和构建虚拟抗体突变文库，，，，，实现不依赖于实体突变文库的、不受库容限制的高效抗体虚拟筛选。。

目今的抗体定向进化与虚拟筛选均需要基于已有的自然抗体，，，，，在大分子药物领域的最终目的是实现卵白质的重新设计。。卵白重新设计不依赖现有的自然卵白，，，，，而是基于生物物理与生物化学原理重新搭建、设计具有全新结构和全新功效的卵白质。。；；；
；⒍俅笱avid Baker教授是卵白质设计领域的领武士物，，，，，他向导的实验室已经在这一领域取得了一系列涤讪性的效果，，，，，我们期待在不久的未来能看到卵白质设计的前沿效果在工业界中获得应用。。 

除了卵白药物以外，，，，，我们也在基因治疗、mRNA、新抗原等多个生物药领域看到AI的应用，，，，，例如Dyno使用机械学习和高通量实验刷新病毒衣壳；；；；
；mRNA公司将AI用于mRNA密码子优化、mRNA结构优化和LNP筛选。；；；
；而机械学习在肿瘤新抗原的筛选历程中险些成为“标配”，，，，，海内华大吉诺因已经将AI驱动研发的新抗原疗法推向临床。。

关于AI+药物研发这样的前沿交织领域而言，，，，，首创人需要具备一连学习、快速迭代及相助共赢的企业家精神。。

决议层具有盘算和药物研发的双重配景是很大的加分项，，，，，复合配景的治理层可以指导盘算团队和药物研发团队高效深度融合。。

AI+药物研发公司有两种典范商业模式，，，，，一种是以效劳为主的SaaS供应商/CRO模式，，，，，一种是自研管线为主的Biotech模式。。SaaS供应商/CRO模式优势是可以更快实现收入，，，，，并通过普遍相助积累更大都据以支持算法迭代，，，，，但因药物研发里程碑实现周期长、本土药企付费意愿不强，，，，，因而天花板较量显着；；；；
；Biotech模式通过自有管线推进能更快验证算法平台能力，，，，，且立异药资产可以给公司带来更大的价值爆发潜力，，，，，我们更看好拥有立异自研管线的AI+药物研发公司。。

作者

昇得源资源医药与生物科技组  张骁  卜佩璇

昇得源资源康健工业研究院  李海存

制图

李鑫  赵毅