干濕一體化實驗室獲多筆融資或將成為AI制藥企業的下一個寵兒

　　生物醫藥行業歷經多年發展，藥品種類豐富，但針對的藥物靶點仍然十分有限。在人類蛋白質組中，超過75%的靶點尚未成為成藥目標，而像PD-1、GLP-1等已驗證有效的靶點則面臨著激烈的競爭。許多腫瘤疾病、神經性疾病以及遺傳疾病仍然缺乏有效的治療方法或藥物。

　　隨著人工智能（AI）技術的飛速發展，AI已經滲透到新藥研發的多個環節中，從全新的目標蛋白發現，到計算結構預測、實驗結構測定以及專用模擬算法的開發，再到藥物設計。然而，藥物發現始終是一個不斷試錯的過程，需要基于實驗數據的多輪分析迭代，篩選出最優的藥物分子。當前，AI制藥主要集中在早期藥物發現階段，而在后續的臨床試驗和商業化階段的應用動力尚顯不足。

　　更重要的是，AI制藥企業正面臨著數據困境。大量的高質量數據對AI制藥至關重要。為了彌補數據質量和體量的不足，許多AI藥企開始建立自己的實驗室，尋求干濕實驗閉環以積累高質量標準化的數據。

　　隨著生物體系越來越復雜，尺度越來越多樣化，信號越來越模糊，數據越來越龐大，生物研究對計算方法的依賴將變得越來越強，計算生物學的重要性也將日益凸顯。在新藥開發過程中，傳統方法往往需要漫長的周期。2023年，隨著ChatGPT重新引燃人工智能熱潮，研究人員意識到利用AI篩選新藥的可能性，這使得算力尚未達到真正的上限，AI制藥在資本市場上的熱度似乎又被重燃。

　　2023年上半年，國內有超過20家AI制藥企業獲得新一輪融資，融資總額超過20億人民幣。這些AI藥物研發公司多數處于較早期的發展階段，僅有少數融資是在B+輪及C輪，而多數為A輪或更早期的融資。

　　AI藥物研發描繪了人類試圖馴服疾病的遠大藍圖，但目前AI是否會給行業帶來顛覆性改變仍存在疑問。不少行業人士認為，AI只是加速了新藥篩選的過程，雖然在此環節提高了效率，但新藥開發除了早期篩選階段，還有后續的臨床試驗、上市審批、商業化漫長路要走。

　　同時，AI制藥企業還面臨著許多障礙和難以避免的虧損問題。AI制藥公司的盈利模式主要為CRO和生物科技公司兩種類別。由于CRO行業進入門檻高，因此能夠爭取到足夠多藥企的青睞與合作也很難。最好的情況是生物科技公司自身具有AI能力，利用自己的技術平臺不斷發現新藥，儲備大量管線、藥物資產，從中評估選擇最有潛力的進行開發。

　　因此，如今行業談及AI制藥時，除了算法、數據之外，開始更加偏重實驗室里的開創性研究。AI模型的主要制約在于沒有通過足夠實驗數據校正和檢驗，與現實有差距，不能取代真實數據的驗證。沒有高通量多輪濕實驗的閉環驗證和數據補充很難讓AI模型發揮關鍵價值。只有將AI模型和濕實驗有機結合才能真正解決問題。

　　搭建干濕結合閉環平臺將實驗室儀器都連入一個操作系統通過AI模型進行規劃有選擇性地做實驗形成干濕實驗閉環驗證。未來通過AI大腦控制實現全自動實驗室將是整個行業未來發展的趨勢。隨著國內AI技術和生物技術不斷取得突破AI制藥不斷走向新的高峰在新藥研發的各個環節帶來了突破。可狂奔之后AI制藥的發展也顯出疲態。

　　首先AI技術在新藥研發方面中作用主要在臨床前階段在靶點發現環節雖然有突破但對許多難成藥靶點也無能為力。其次在臨床試驗階段AI究竟能多大程度提高研發成功率降低成本目前也依然無法取得行業信任。最重要的是數據問題是限制當前AI制藥行業發展的最大壁壘AI制藥行業的數據面臨質和量的雙重問題。

　　數據質量、數據結構和數據生成速度對于AI的應用來說極為關鍵。如果想獲取更多一手的藥物研發信息尤其是將藥物分子的數據與藥動學數據藥效學數據臨床數據結合到一起除了通過與藥企合作干濕實驗室是一大重要途徑。

　　因此自建干濕一體化實驗室不僅是當前AI制藥企業解決數據問題的一種重要解決方案也是未來AI制藥行業發展的必然趨勢。

　　目前已有眾多AI制藥企業搭建干濕實驗室試圖打造“干濕結合”閉環以此獲取高質量數據加速藥物研發。

　　濕實驗指的是在實驗室里采用分子、細胞、生理學試驗方法進行研究也就是傳統的藥物研發實驗室。干實驗是通過計算機模擬及生物信息學方法來進行研究也就是AI平臺做的事情。事實上干濕實驗室這一概念并不新許多行業頭部企業在發展早期就配備了濕實驗室來自主產生數據比如百圖生科自成立起便著力于打造干濕一體化實驗平臺晶泰在2018年開始自建大規模實驗室等等。

　　通常情況下完成靶點驗證與確定開發和篩選大概需要12個月接下來經過18個月的DMTA（Design-Make-Test-Analyse）循環才能將化合物優化為先導化合物而先導化合物又需要12個月的持續進化才能生成臨床前候選藥物（PCC）。這里面涉及連續不斷的制造、純化、定量和鑒定所需的化合物以及后續的效力選擇性毒性分析每個循環都需要科學家3-6周的時間。

　　干濕實驗室可以將干濕實驗平臺相互結合在一起一方面通過濕實驗室平臺生產大量現實環境中的濕實驗數據另一方面在干實驗平臺通過分子模擬及人工智能模型預測藥物的物理及動力學性質最后通過機器學習來連接微觀相互作用和宏觀的物理現象從而不斷根據干濕實驗室中產生的數據迭代算法。

　　一方面能節省多輪實驗的時間另一方面也能干濕相互驗證因此目前“干濕結合”被行業內普遍認為是對AI技術最好的使用自動化與AI的結合使用也是行業未來的趨勢。

　　通常人們對于AI技術賦能藥物研發的描述為AI可以深入藥物開發的各個環節進行深度賦能然而回歸到現實AI制藥最常用的場景是用于發現新靶點和篩選化合物這是新藥開發中極為繁瑣卻也極為關鍵的環節。

　　AI技術可用于簡化藥物篩選合成降低成本對于篩選出來的化合物往往還需要進行溶解度、活性/選擇性、毒性、代謝、藥代動力/藥效以及可合成性等維度條件這些高度重復性的工作拔高了臨床前研究階段的成本涉及多次大量計算這些正是AI所擅長的部分。

　　此外，AI技術還被廣泛運用于化學反應設計和化合物篩選。當前，AI在化學領域的一項重要進展是對化學反應和合成路線進行建模和預測。通過將分子結構轉化為機器學習算法可以處理的形式，AI技術可以根據已知化合物的結構生成多條合成路線，并推薦最佳合成路線。反之，在給定反應物的情況下，深度學習、遷移學習可以預測化學反應的結果。AI技術甚至還可用于探索新的化學反應。在化合物篩選過程中，AI技術有助于建立化合物的化學結構與生物活性之間的關系模型，進而預測化合物的作用機制。

　　盡管AI在藥物開發的各個獨立節點上都取得了顯著突破，但從本質上來說，AI制藥更加注重效率，通過縮短開發時間來體現其價值。然而，制藥的本質邏輯需要進行反復論證，確保經過多個階段的嚴格測試和驗證。為了更好地推動AI制藥的發展，或許需要轉變思路，將AI模型與實驗平臺統一規劃，協同工作，實現“干濕結合”。在此過程中，生物人員與算法人員應加強合作，以便更好地判斷現有算法的能力和限制。同時，算法人員也可以從生物人員那里了解到如何針對現有問題調整或創建新的模型，從而更好地解決問題。

　　新藥研發產生的數據規模極大，類型和結構也相當復雜。因此，構建干濕實驗室平臺可以更高效地完成設計、驗證的閉環。一方面，傳統的藥物研發以實驗科學為主導，數據的記錄、管理和儲存都以實驗為核心，而數據對于AI的重要性是不容置疑的。這就要求藥物公司在藥物研發過程中對數據的格式、標準、質量、數量等方面進行嚴格規范。另一方面，AI制藥企業的算法模型也需要針對性地優化。為了深度融入制藥行業的核心業務，AI制藥企業需要具備發掘和提煉實時實驗數據的能力，并根據數據反饋優化模型、迭代算法。

　　2022年，阿斯利康、德國默克等6家大型藥廠與亞馬遜、以色列生物科技基金（IBF）共同推出一個創新實驗室AION Labs。該實驗室旨在創造和采用突破性的新型AI技術，以改變藥物發現和開發的過程。它包括一個進行生物醫學研究的濕實驗室和一個基于云計算的干實驗室，專注于新算法和計算方法的開發，以加速潛在新療法的發現和開發。AION Labs的云/AI+濕實驗方法結合了AI與精確預測算法來開啟創新源頭，再利用針對性的實驗進行快速驗證。隨后通過資本驅動持續創新這一模式進一步加速AI制藥技術落地的速度，同時篩選出真正有實力的創新團隊并為他們提供更好的發展資源與機會。當前AI制藥行業仍處于早期發展階段，AION Labs的商業發展模式可能會為該行業注入一劑“強心針”。

　　在國內，晶泰科技、英矽智能、百圖生科等AI制藥公司已紛紛建立了“全自動化的智能機器人實驗室”，可實現24小時不間斷的數據產生服務于新藥研發的最前端部分。2022年下半年開始，英矽智能已成功將ChatGPT接入到生物學平臺Biology42中并通過二次訓練實現關于分子生物學和新穎靶點發現的即時專業問答。2023年6月英矽智能又基于GPT-4的底層技術多模態Transformer算法推出了有望賦能抗衰老和疾病的雙效靶點發現的多模態衰老時鐘Precious1GPT。

　　根據英矽智能的招股書顯示公司計劃推進全自動化的智能機器人藥物研發實驗室以及機器人生物數據工廠的建設以不斷擴充英矽智能龐大的數據資源。招股書還提到一款藥物從項目啟動到臨床準備需要4.5年的時間利用英矽智能的Pharma.AI研發平臺則僅需12個月Pharma.AI平臺擁有發現新靶點生成候選藥物預測候選藥物的臨床成功可能性等功能。

　　晶泰科技目前已經構建起一整套量子物理干實驗室與先進濕實驗室緊密結合的研發迭代流程這有助于挑戰傳統研發的效率瓶頸賦能新藥研發實現創新速度與規模的突破晶泰科技的智能藥物研發平臺將基于云端超算數字化研發工具與先進的實驗能力進行整合進而形成高精度預測與針對性實驗相互印證相互指導的研發系統。

　　騰訊AI藥物發現平臺開發了一個分布外研究框架DrugOOD在此框架下對現有的數據庫進行了分類并劃分了多個實際場景同時利用AI評分體系評價AI在不同靶點之間生成結果的可靠性以便在后續研究中盡早發現模型與靶點不適配的問題并優化研發效率。目前騰訊AI藥物發現平臺已與多家藥企達成合作模型預測精度在多項實際研發場景的濕試驗中得到驗證；基于藥物篩選云服務的超強算力篩選速度和篩選的化學結構空間都獲得了數量級的提升。

　　百圖生科憑借百度多年的AI技術積累，以生物計算引擎為核心，打造了高通量干濕一體的實驗化技術引擎和高質量數據生態體系的復合型戰略。百圖生科通過大規模的蛋白預訓練，增強AI對大分子藥物設計問題的預測能力，同時利用高通量濕實驗平臺，圍繞具體的研發項目生成大量實驗數據，實現干濕閉環，優化模型迭代，最終提高抗體工程效率。

　　建立干濕實驗室的門檻較高，首先需要具備跨學科團隊，包括能夠進行實驗、具備生物信息學、制藥和前沿生物技術背景的人才，以及經驗豐富的系統工程人才和AI算法人才。其次，需要強大的硬件支持，包括實驗設備、計算資源以及將這些資源整合在一起的能力。最重要的是，要回歸藥物研發的本質，以濕實驗數據作為補充支撐，通過AI進行反復多輪驗證，最終實現干濕閉環一體化。

　　盡管生成式AI的飛速發展為藥物發現帶來了新的可能性，但真正落地還需要時間。隨著新化學方法與新計算工具的不斷深入結合，干濕實驗閉環的模式構建可能會成為藥物研發的標配，引領AI制藥的新范式到來。