0
| 本文作者： 任平 | 2023-05-19 09:43 |
“AI的應用場景很多，但是AIDD最佳的應用場景是品種交付。現在很多AIDD公司的理念、研發路徑、戰略都不一樣；如果拿中國歷史比，現在更像春秋時代，連戰國都還沒到。”
劉振明博士是北京大學藥學院研究員，國家化合物資源庫北京大學負責人，是我國抗腫瘤創新藥物研發和AIDD領域的科學家。前不久，劉振明研究員在與雷峰網&《醫健AI掘金志》的對話中，表達了他對AIDD制藥的一些個人看法。
作為一名北大培養出的科研工作者，從在北大藥學院學習藥物合成，到北大化學院學習藥物設計，再到法國實踐藥理學，劉振明研究員認為，多學科的融匯學習，促使他走上藥物設計方法和候選藥物發現這條路。
2005年8月至今，劉振明研究員在北大藥學院藥物化學系任教，相繼參與北京大學藥學院分子設計平臺和化合物庫的建設。目前，北京大學正在打造“智慧藥物研發平臺”，對接創新藥物發現重大國家戰略需求。
隨著醫藥體制改革的不斷推進和創新環境的不斷改善，中國已經進入創新藥時代，頂層制度設計為迎接創新藥研發鋪平了道路，積極開展和建立人工智能驅動的創新藥物研發（AIDD），成為新一輪產業變革的核心驅動力。
然而現實情況卻是，自從2012年Exscientia注冊成立，AI制藥開始在全球萌芽，至今已經十多個年頭，依然沒有一款AIDD“獨立”研發的藥物成功獲批上市，甚至進入臨床試驗的藥物都鳳毛麟角。此外，部分進入臨床階段的藥物是否全流程基于AI設計還存在爭議。
在劉振明研究員看來，“AIDD不是謊言，按照AI研發的藥物規律，樂觀來講，給這個行業5-8年時間，能看到一波AIDD設計出來的藥物，至少做到讓傳統藥企眼前一亮。完成這歷史性第一步的，未必是現在公認為最好的AIDD公司。”
近日，雷峰網&《醫健AI掘金志》推出《AI制藥十人談》系列，探究AI制藥的前景與隱憂。以下為我們與劉振明研究員的對話內容，雷峰網&《醫健AI掘金志》做了不改變原意的編輯與整理。
雷峰網：作為一名北大培養出的科研工作者，從在北大藥學院學習藥物的合成，到北大化學院學習藥物設計，再到法國實踐藥理學，您何時嘗試在藥物設計中使用計算機技術？
我本科是北京醫科大學（現北京大學醫學部）藥學院藥物化學專業，直博保送到北京大學化學與分子工程學院物理化學專業。雖然是物理化學，但總體來說，五年博士學習更側重計算化學。當時和我一同入門的有4 個博士生，一律都進入了計算機模擬方向。入學第五天，我跟師兄就到了國家氣象局接觸到了曙光大型機和超算，從那時開始，我就嘗試將計算機輔助手段用于藥物研發。
2005年畢業，我回母校效力，碰巧當時北大藥學院要建設計算機輔助藥物設計（CADD，computer aided drug design）平臺，這就成了我留校任教后的第一個項目。自然地，CADD就成為了我的研究方向。
后來我到法國做了一年半的訪問學者，主要工作是熟悉神經藥理學研究的一般流程和規律，進一步熟悉和了解藥物研發的過程。
為什么要做這個研究？在此之前，我有幸參與了國家“重大新藥創制”科技重大專項的啟動和實施工作，那時候我就發現：新藥研發一定會成為中國未來10～15年的重要發展方向。我進一步梳理自己的知識背景，發現我本科更多是做合成，博士是計算，所以我到法國，主要是為了補充和完善自己在藥物研究方面的知識和認知體系。
為什么選擇藥理學？實際上，藥理學對藥物研發非常關鍵，很多人將藥理學定義為一個“橋梁學科”，聯接基礎研究和臨床研究。所以我經常感慨，我是站在了“計算機科學”和“生命科學”的分水嶺上，同時看到了兩邊的發展情況。
現在隨著算力的提升，AI真正走入藥物設計領域，證明國家的判斷方向是正確的。
AI其實并不神秘，在我們圈內一些老師看來，簡化一些講，AI就是定量構效關系，完成各種各樣的定量關系。只不過當時我們用“已知模型框架”做算法和軟件，后來出現了以“深度神經網絡”為基礎的工具，比如AlphaGo，AlphaGoZero。
從我的經歷看，8年前CADD還不是那么火熱，但正如當初預期，現在風口來了，CADD的能力逐漸顯現出來了，用了AIDD這個詞。但無論叫什么名字，藥物研發的門檻還是蠻高的。
目前大家比較擔憂的是很多闖入“AIDD”這個領域的人是不懂藥的，以化學藥研發為例，至少要懂藥化、藥理，否則光會玩程序，算出了一個binding（用于配體結合位點的檢測，ligand binding site，LBS），就認為解決了藥物發現的問題，這是比較危險的“樂觀”。
雷峰網：近年來，您在知識庫構建上做了很多工作，為什么決定從數據出發做工作？
我們在數據庫上做了兩個重要工作。一個是“通用知識的海洋天然產物數據庫”（CMNPD）。這是北大藥物設計研究室與北大計算機技術研究所等多家機構合作構建的，面向化學知識庫自動生成的高效策略平臺。
以化合物的結構為主索引，在結構信息、制備（來源）信息、譜圖信息、科研人員信息、開展工作的科研實體等方面實現了自動化提取與整合，目前加工效率達到每天超300篇文獻（大于每天10000個結構）。
特別是在針對復雜天然產物數據庫的構建中，一個月內就可以完成數年非冗余海洋天然產物數據庫的構建與標引工作。
另一個是參與到北京大學張陸霞研究員所承擔的重點研發計劃“生物與信息融合（BT 與 IT 融合）”重點專項：“基于AI大數據驅動和可信安全計算的創新藥物篩選系統研發與應用”，前不久啟動會在北大醫學部召開。
回過頭看，我們為什么要做這些數據庫項目？
因為早在五年前我們就意識到了數據的重要性。當時我們也在用別人的數據，雖然能拿到一部分數據，但是底層數據是觸及不到的。所以即便我們的能力再高，在下游的模型搭建上只能做一些修修補補的工作。
但這五年以來，我反而對自己做的模型和方法更有信心了，因為我們直擊的痛點是“自主可控的原始數據”。只有自主可控的數據，才能使得模型自主可控。
目前我們的CMNPD數據平臺上線后，一年內達六萬點擊量， 90多個國家訪問。不同人的需求對接過來，我們首先會問他們要做什么問題？所以很明顯，數據成了我們的護城河。
總體來說，后信息時代的生物醫學研究，使整個生命科學領域都面臨著學科整合的問題。只有整合，才能避免科學研究中的“盲人摸象”，而不同學科之間整合的基礎和最優途徑，就是結構化的知識和數據。
所以現在我有一個判斷：未來“基于數據的科研”可能會超過“基于實驗的科研”，效率和維度都會提升。而且大家也意識到，基于高維數據可以俯瞰整個學科，這要和翻閱某一學者的一篇文獻或者若干篇文獻，或者基于自身知識體系看到的東西不一樣。
雷峰網：有人稱，AIDD一定會成為藥研專家必不可少的工具，這也意味未來數據一定是“兵家必爭之地”。目前您在這方面有哪些準備？
大家都知道，數據很值錢，但如果僅僅把數據存到硬盤上是不值錢的，那是死數據。所以近年來，很多人想用聯邦學習解決這一問題。
但聯邦學習最大的問題在哪？
它本質上是一種加密的分布式機器學習技術，可以在不披露底層數據和加密形態的前提下共建模型。但在實際使用中，如果只是做了數據接口，并不能解決數據稀缺的問題。
首先，聯邦學習使用的數據，大部分都是拷貝數據，甚至有些數據清洗完丟失了很多信息；
其次，由于聯邦學習的數據光有接口，沒有打通數據內部，所以“模型拿走數據留下”的理念具體實施起來非常難。
此外，國內搞了很多數據匯交，數據中心，但很多時候這些也都是“死數據”。
舉個例子，ACS（American Chemical Society，美國化學學會）是世界上最大的科技協會之一，涵蓋了20多個與化學相關的學科，是全球被使用次數最多的化學期刊源之一。
為什么ACS這么受歡迎？因為ACS的一大特色，Article References可直接鏈接到Chemical Abstracts Services(CAS)的資料記錄，也可與PubMed、Medline、GenBank、Protein Data Bank等數據庫相鏈接。
但ACS的創立時間是1876年，有150年的發展歷史，現在ACS為了讓數據流動，每年幾乎花費4億美元從全世界找人往里面敲數據。
這個事情中國現在干不了，我們和國外的差距，一是時間沉淀，二是資金支持。
因此，大概在五年前我們定了一個原則：絕對不做人工的事情，要做主動數據采集，不能做被動的數據獲取，而且要找一個和AI技術結合得更好的數據解決方案。
我們現在認為自己做的還不錯的是“面向結構的生物醫藥大數據生態社區”。這個社區的建設不依靠人工，首先是太過昂貴漫長，其次是依賴責任心和主觀判斷得到的數據也不可靠。
我們采取了幾種方式：
第一，自動化數據主動采集。
我們不會讓研究者自己去上傳數據，而是采用光學識別技術（OSR，Optical Scanning Recognition）、語義識別技術（NLP）在內的AI策略，自動且高效抓取數據和構建知識庫
第二，打造“面向學科的數據知識信息體系和社區”。
比如某位研究海洋天然產物的學者發了200篇文章和專利，我們只要把他的200篇文章和專利做結構化，就能很快推出一個免費的知識庫。他本人也不再需要使用excel或者word工具去做標記，而是郵箱或賬號登陸，馬上就能看到結構化信息。
更進一步地，他可以再次利用自己的已有知識做分析或補充，并獲得相應的積分，再去換取別人的知識和數據。通過我們的初步實踐發現，這也許才是打造一個高質量知識庫的更好路徑。
事實上，結構化數據庫已經成為我們研究小組的根基。雖然占比不大，但是自從開始做這個方向后，我們愈發看好這個方向，也計劃在這個方向上投入相關的人力、物力。期待未來在藥物研發的某個細分領域做出類似ChatGPT的工具。
雷峰網：北大在藥物設計上非常開放，建立藥物設計研究室，生物醫藥大數據庫和生態社區，藥物設計-信息與情報分析中心、“智慧藥物研發平臺”，與杭州市共建創新應用基地，以及前不久和10家單位共同開發創新藥物篩選系統。您在這一過程中也進行了不少跨學科合作，有哪些課題可以分享？
在AI方向上，北大前不久剛剛獲批教育部支持建設的“中國首個智慧藥物研發平臺”。這個平臺包括了智能設計、智能合成、智能檢測，智能篩選等四個模塊，都可以對外合作。
我們正在跟晶泰科技洽談，希望將他們的智能化自動化實驗室，發展為我們面向特定合成方法的、訓練模型的“數據產生器”。
如果將來面向單步合成的條件篩選一天能產生1萬個數據點，一年就是365萬個數據點，某種程度上就可以破解國外的數據壁壘或數據封鎖。
除了擴大數據生產渠道，在數據標準上我們也有對外合作。
比如，我們跟望石智慧成立了“北大醫學-望石智慧AI生物醫藥數據技術協同創新聯合實驗室”，在此基礎上合作孵化了一些高質量的數據產品，并開發了一些面向業界的解決方案。
實際上，我跟望石智慧的創始人周杰龍先生在2017年6月就有過交流。我們之所以一拍即合，第一，我們都認清了一個問題，AIDD最根本的東西是數據、高質量、自主可控的數據；第二，AI的盈利模式很多，但是AIDD的盈利模式一定是藥物品種交付。
我特別希望這個行業中有更多的公司成長起來，所以我以及北大團隊都非常開放，我們和很多藥企都有學生聯合培養，比如泰德制藥、普洛藥業、望石智慧。
我接下來要講一句話：中國現在已經進入到創新藥時代，很重要的一點，我們“懇請”中國的創新藥企業幫助中國的科研院所一起成長，把我們自己的創新藥研發能力提升上來，進而服務于企業的藥物研發。
我現在基本上每個月出差三次以上，主要工作就是和業界、醫院溝通，包括我們很多項目都是跟企業、醫院一起申請的。我們課題組算是跟行業、產業結合比較緊密的實驗室。
這也是北大的一個理念：給企業提需求，高校建高地。我也經常跟學生講，我們做任何事，一定要面向需求，就像習總書記經常告訴我們科研人員的那句話：廣大科技工作者要把論文寫在祖國的大地上，把科技成果應用在實現現代化的偉大事業中。
雷峰網：從您自己的研究經歷出發，您覺得現在AI制藥人才應該如何培養，還有哪些不足和問題？
我個人感覺AI制藥這個概念熱得太快。AIDD絕對有用，但需要一個發展過程，往后再看5年到8年，AIDD對于藥物研發和智能醫療的作用一定不可估量。
為什么需要 5 到 8 年？實際上，這就是AIDD領域中的技術積累和爬坡的過程，而且這個過程必然要有，學費一定要交。
對學校的科研團隊而言，科研經費比較充足，不那么迫切，但對于AIDD從業者和投資人來講，大家都要有一些耐心。我能肯定的是，未來AIDD的收益一定會超過傳統的藥物研發，而且周期一定會縮短，但也絕對不會像醫療器械研發那么快。
回過頭看人才培養，這個領域快速熱起來，我挺高興也挺擔憂的。
一方面這個領域非常缺人，另一方面AIDD在過去屬于小眾學科，人才輸出量沒有那么大，能夠培養到博士的人才更是少之又少。
但是讓老師們非常尷尬的是，即使是一些在校期間水平不高的學生，因為沾上了一個概念，薪資不不低。現在一個碩士的月薪炒到3萬以上，一個博士月薪炒到5萬以上，高校培養人才蠻難的，人都搶光了。
雷峰網：國外有些基于AIDD的新藥推到了臨床一期，您覺得截至今天，進入臨床的分子里面有哪些是沒有AIDD，專家就無法設計出來的嗎？AIDD的重要性是否會提高？
首先回答第一個問題，AIDD能夠贏過專家？
大家可以這樣理解，藥物開發在某種程度上是“大海撈針”，那么AIDD在內一些新技術、新策略的介入，是讓“撈針”的準確性稍微高點。但這個任務的本質沒有變化，它依舊是大海撈針。所以如果把一個藥物的發現過程倒回去，再重新做一遍，有可能就是變成了另一條路徑。
藥物研發中的影響因素比較多，是因為藥物研發本身的鏈條很長，涉及數據、法規、主觀因素，絕對不能說“沒有AIDD，藥物就發現不出來”。如果真的如此，那之前很多藥物都是怎么來的？
但與此同時，AIDD的作用也在逐漸提高。
現在我們經常在講，要做基于臨床需求的、新技術驅動的創新候選藥物研發。沒有臨床需求，藥物研發就是“無病呻吟”，沒有落腳點。
舉個例子，之前有個新聞說到一個生理學家的女兒患了罕見病，無藥可治，這位父親就去學習藥學知識，了解這種罕見疾病的臨床表現，再利用自己的已有手段，結合新技術，完成整個藥物發現過程。
所以這位父親是有了主觀動力，才想去解決具體的臨床需求。但如今的行業現狀是，新技術有了，但70%的疾病依然沒有臨床治療藥物。
第二個問題，AIDD的重要性是否提高？
我做一個推斷，未來5-8年，大家會看到AIDD參與到藥物發現過程中的證據或痕跡。那時候人們會驚嘆AIDD的巧妙：“為什么計算機能發現，我沒有發現？”
如果AIDD能給一個傳統藥物學家感受到驚喜，那它就是有優勢的。所以我們是兩邊站的，我們愿意去接受一些新技術，期待它能超越我們。
不要說AIDD賦能整個藥物研發鏈條，只要它能解決其中某一個環節，把這一個環節做好，在大家倒推結果的時候，發現這個工具確實是充分必要條件，就足夠了。
雷峰網：AIDD和CADD，或者說AI方法和物理方法，各有什么優缺點？您認為未來二者的關系是什么？
這兩個詞怎么理解？CADD的全稱是computer aided drug design，計算機輔助藥物設計；AIDD是AI drug discovery，人工智能輔助藥物發現。
業界在講，“為什么以前叫CADD不熱，叫AIDD就突然熱了？”
解釋一下，CADD是先預設一個模型，這個情況下需要加入專家經驗。
比如我認為它是S型模型、二元一次函數，都是我給它預設一個模型之后，再用數據去訓練它，最后把這個模型變成方程，并應用到具體的領域中。這也是早期機器學習的基本思想。
那么AIDD是什么？它不用做預設，給它一堆數據，直接就能基于深度神經網絡學習一個模型，機器學出來什么算什么。這個過程當中，當加入新數據時，它能夠自動做優化。
大家知道遷移學習（Transformer Learning)，它最大的作用是以任務A開發的模型作為初始點，重新使用在為任務B開發模型的過程中。
例如，有了英語的語言模型后，后續只需要提供法語法規則和小樣本數據，就可以很快幫你生成法語的語言模型。
但是AIDD的短板也很明顯--只要有數據，它始終能給出答案。但是基于10個數據和基于1萬個數據的答案是不一樣的，但總會有“答案”。
因此，對AIDD來說，它和CADD一樣：大量的、高質量數據是剛需。
基于這一點，我始終認為，CADD和AIDD沒有本質性的差別，本身就是一體的，只不過業界或投資者有意把它們割裂了。至于各自的優缺點，業界的觀點不太一樣。
但只要有用，它們可以融合互補。比如目前數據不足的情況下，CADD肯定有優勢，因為它的一部分模型是基于專家系統做出來的，普通人的知識很難企及。
而在數據足夠多的時候，當數據本身可以涵蓋或者超越專家的認知，AIDD的優勢會更明顯。這也是我們看好AIDD的一個原因。
但是現在行業里太多人愛蹭熱點，包括最近GPT-4.0出來后，有些AIDD公司一周內就推出了所謂的“DrugdesignGPT”，這種跟風做出來的東西意義不大。
第一，達不到預期，自己和資本方失去信心；
第二，對藥物發現的本質和核心路徑的改變并沒有實質性貢獻。
雷峰網：針對國內創新藥研發現狀，目前還是 Fast follow 居多，或者是 me too ，me better，這種情況下最需要AI去解決什么問題？
首先我們要回歸到一個本質問題，AI最大的作用在哪？
當給它40%的數據，AI有可能基于40%的數據產生一個模型，找到另外60%數據中的缺失點。現在我們比較看好AI模型，因為早在2016年和2017年，AlphaGo和AlphaGoZero已經展示出AI的“創造力”：當給它足夠多的棋譜數據之后，它能夠創造新的棋譜。
現在我們在跟國內的藥企去聊，發現大家都形成了一個基本共識：Fast follow沒有前途，很多藥企提出新的創新藥口號，“我們要做世界前五，中國前三。”
為什么？
因為中國已經被迫進入創新藥時代，頂層制度設計為迎接創新藥時代鋪平了道路。
2018年3月，十三屆全國人大一次會議表決通過了關于國務院機構改革方案的決定，組建國家醫療保障局和國家市場監督管理總局；
2019年1月國務院辦公廳印發《國家組織藥品集中采購和使用試點方案》的通知，確定將在4個直轄市和7個城市進行帶量采購，涉及31個指定規格的采購品種。
2021年7月，國家藥監局關于實施《藥品專利糾紛早期解決機制實施辦法（試行）》相關事宜的通告，預示著未來Fast follow生存空間變小，Fast in Class勢在必行。
而且當中國進入創新藥時代后，不管你愿意面對還是不愿意面對，都要面對。
像我們國家非常好的某家藥企，2021年裁員了仿制藥員工，根本原因是Fast in Class和Fast follow的思路完全不一樣。
前幾年創新藥企業的日子比較好，某醫藥企業登陸港股市場，但上市來研發跟不上，對投資人的信心也有打擊，最終結果是大家對創新藥投資比較悲觀。
但是再悲觀，創新藥時代已經來了，現在的重點是找到一顆好種子。
以前做仿制藥，大家在找種子這件事上不愿意花錢，撿別人的就行。按照以前的藥物研發生態，做成歪瓜裂棗也照樣有人買。
現在你會發現，如果沒有一個好種子，你的努力全部白費，市場和監管層都不可能認可。
因此，如何找到一顆好種子，需要“新技術、新策略驅動創新藥候選品種研發”。實際上，AIDD就屬于其中的一種新技術。我們比較看好，未來AIDD一定能夠在創新藥研發過程中賦能。
同時，我不想把AIDD單獨拿出來說 ，因為它就是一種賦能技術。
我們也是親歷者和踐行者，它一定能夠起到作用，存在一條上升曲線，具體發揮什么作用，業界和投資界都稍微給點耐心。
雷峰網：自從2012年首家AI制藥公司成立，至今已經第十個年頭，但是依然沒有一款藥物成功獲批上市，甚至進入臨床試驗的藥物都鳳毛麟角。AI研發的藥物距離上市還有多遠？
實際上你們看到的，跟我們看到的一樣。所以我對行業的一個忠告，現在AI制藥企業正處于艱難期，在資本和外界都很焦慮的情況下，一定不要為了應付“考試”，說出一些莫須有的話。
AIDD這個東西不是謊言，按照AI的藥物研發規律，具體還有多長時間上市，我不能直接回答你，樂觀來講，給這個行業5到8年時間，就能看到一波AIDD設計出來的藥物，至少做到讓傳統藥物廠商眼前一亮。
現在以藥學驅動的公司，或者圍繞藥物研發的公司太少。
有一個數據，截至2022年底，國內已經成立了73家AI制藥公司，大部分都是IT背景的創業者轉過來的，他們仍然是“互聯網+”的模式。真正的AIDD，我想一定是藥學家牽頭的，叫做“藥學+AI” 的方式。
可能在投資人看來，第一，藥學家自己不敢吹，第二，藥物家相對比較保守，這幫人知道藥物研發這個任務有多大，也知道其中有多少變數。
但是現在很多AIDD制藥公司的理念、研發路徑、戰略都不一樣，如果拿中國歷史比，現在更像春秋時代，連戰國都還沒到。
當然，我也對AIDD的未來充滿信心。因為整個醫藥研發體系分為兩個階段：以PCC為臨界點，前端為research研究；后端為development研發。
中國的后端研發體系很強大，特別是相對于歐洲，只要PCC之前的東西做好，中國至少在全世界排名前三沒問題。所以中國藥物研發的最大問題在于，前端的基礎研究沒有做好，根本能力提升不了。但只要種下一顆好種子，藥物研發領域的信譽就建立起來了。
這也給我們高校老師提出的一個要求。對于產業也是一樣，好種子種活了，整個產業都是得利的，所有環節都能打通。
雷峰網：目前AI制藥公司大都進行到什么階段，還有哪些痛點沒有解決，技術瓶頸在哪？
瓶頸倒不在技術，是很多AI制藥公司沒有真正的做過藥物研發。
我個人觀點，IT驅動的AIDD公司，軟件產品乃至服務都不是產業想要的東西。
其次，現在AIDD從業者， IT人很多，但是真正參與的臨床專家、藥學專家還太少。當然，一些公司可能是為了融資，找了一個做藥的人站臺。但實際上做藥物研發，并不是靠一個藥學背景的人就夠了。
此外，IT人創立的公司，基因是IT的思維，藥企人可能融不進去。未來需要讓更多的臨床學家、藥物學家加入到AI制藥中，由他們來攢局，創立IT公司，或者招募一批IT人才，解決藥物研發當中的數據、知識，以及模型的問題。這樣才能真正的觸及AIDD技術，促使它面向產業，面向研發任務。
現在有個聲音：未來會死一批AI制藥公司。
因為很多公司用互聯網思維做藥物研發，互聯網思維做消費是可以的，它們叫“高舉快打”，但是在藥品研發領域，藥物研發的周期太長，速度太慢，“互聯網+”這種方式不適合，半天到不了終點。
雷峰網：針對創新藥，國內在這一領域還存在哪些薄弱環節？
有很多，最直接的是國家提倡的基礎研究沒跟上。
我們為什么會follow？說到底是別人有了，我們一做就是follow。原始創新太少。
比如靶點發現，人家敢做，我們敢做嗎？
人家敢做，是因為背后有大量的研發數據，證明這個東西跟疾病密切相關。但試想一下，你一做之后，人家不做了，你心里是什么滋味，肯定很慌。這就是說，如果沒有原始創新，你只能永遠被迫去做follow。從國家層面來講，基礎研究是一個長期的事情。
同時，中國的優勢也很明顯：人口優勢。這是西方所不具備的。因此我們的重要工作，是面向臨床做原始藥物發現。此外還有一點，要推動中國特色的創新藥物研發，要制定我們自己的臨床藥物評審原則。
雷峰網(公眾號：雷峰網)：新藥發現太難，很多百年藥企巨頭的爆款藥物很多是靠收購而來。那么AIDD公司的出現，是否會加速百年藥企“藥物研發”的沒落？也就是說，百年藥企越來越依賴外部創新，自身的創新是否愈加乏力，會不會出現一種惡性循環？
百年藥企，為什么會做這個事情？
第一，有錢。
國外大藥企經常一個License out能開到20億。但小的企業做不了這個事情，包括國內大藥企也做不了，仍然保持自研。
第二，百年藥企的成本權衡。
國外大藥企很風光，但是內部的管理成本、人員成本，要遠遠超過小企業。
如果他們自己培養一支AI團隊，一年要花20個億，還不如合作上花20億和AI制藥公司合作，既能收到“果實”，還有可能埋了幾個“種子”。而且只要能成一個，依靠他們這種大公司的強大商業能力，一定能獲得回報。
所以我和創新企業交流時會說一句話，如果你本身沒有AI研發基因，還不如跟高校合作，學習大藥企的思路，把原始研發放出去。
事情證明，2015年后FDA批準的新藥，59%都來自于Biotech和Bigpharma的合作。
這是一個好現象。
我曾經看到一個段子，大概是說某Bigpharma幾千號人，研究十年，沒搞出一個新藥，后來有人考證過，其實是有研究出新藥的，但Bigpharma研究效率低確實也是客觀現象。
與此同時，從Biotech變到Bigpharma很難，因為短期內Biotech的商業能力不可能快速提升，不靠時間和資金積累是提升不上去的，所以Biotech也會主動和Bigpharma合作。合作才又可能產生賦能和共贏。
所以這是兩廂情愿的事情，目的都是一個：更快完成能力積累，推出藥物并盈利。
此外，這里還涉及到藥品專利保護期的問題。藥品跟別的不一樣，它的專利保護期非常重要，多一年可能就多賺十幾個億，少一年就少賺十幾個億。這種現實情況下也讓他們更愿意合作共贏。
所以，我不認為百年藥企會沒落，或者AI制藥公司會沒落，只不過大家在藥物研發和商業版圖上做了更好的分工而已。
雷峰網：歸根到底， AIDD的價值還是需要跟藥企的合作來證明。在您看來，傳統藥企或百年藥企巨頭，他們對于AI 制藥新技術的看法是怎樣的？怎么去做成果驗證？是否愿意付費？
百年藥企對AI這種新興事物比較歡迎。有個數字，過去五年，國外一些創新藥企業已經開始關注前端研發，超過40家藥企建立了跟AI研發相關的部門。
為什么它們不抵觸？因為藥物研發行業跟別的行業很不一樣，別的行業可能會競爭，但是百年藥企缺少藥物品種，有人能給我更多的選擇，我為什么不去鼓勵呢？
另外，百年藥企更關注的是自身的商業版圖。這種情況下，它和AIDD公司是一種互惠互利的關系，沒有理由去反對，甚至是歡迎、扶持。
但是你會發現，藥企跟AIDD公司的合作，更多的是藥物品種交付。藥企不管你的軟件有多好，能做品種就合作，簽一個里程碑付費的合同。
雷峰網：最近ChatGPT 火，包括背后的AIGC技術，對AI制藥行業產生了哪些影響？
我們非常歡迎新技術的出現。早在OpenAI和DeepMind兩家公司成立之初，我們就有關注，這些年來它們已經分化出兩種不同的技術路徑。
簡單來說，前者非常注重數據和語料，靠規模數據、龐大算力、充分訓練而“大力出奇跡”的暴力美學，在大模型時代發揮到了極致。
后者是不搞暴力美學，大搞神經科學，在數學、物理，這些涉及抽象世界和人類深層直覺的領域長期深耕。比如2021年DeepMind與頂級數學家合作研發的AI登上Nature，找到一個幾十年來都沒有結局的數學猜想，2022年與瑞士等離子體中心合作開發的AI系統參與核聚變。
但實際上，它們最終解決的問題都是一個：如何讓電腦看懂你在說什么，而不是簡單的復述。
這個是基礎，因為人工智能三個領域--圖像、語音和語義。
實際上，ChatGPT代表著人工智能在語義方面已經邁出了第一步。這對于AI制藥非常重要，因為這個領域的發展方向就是做“基于知識的藥物發現”。
以前AI不懂語義時，我們要像一個老師一樣，給AI“喂知識”。未來AI懂得語義之后，我們只需要給它“喂數據”就行，甚至是一種開源數據，不需要提前做太多規范。
另外我認為ChatGPT這些技術的出現，也迅速讓AIDD行業熱鬧起來了，大家都在說基于GPT-4要做一個DrugDeginGPT。不管說法對不對，至少有人意識到，以ChatGPT代表的語義解析能力，將為藥物研發、智能醫療帶來很大的賦能。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
