臨床前藥物研發(fā)，AI搞出來的已經占一半了？ | 對撞派 · 圓桌實錄

量子位的朋友們 2022-07-13 09:39:41 來源：量子位

量子位智庫 發(fā)自 凹非寺
量子位 ｜ 公眾號 QbitAI

有一條著名的雙十定律，是新藥研發(fā)的心頭痛：平均每一款新藥都需要耗費超過十年和十億美元才能研發(fā)成功，研發(fā)效率相當低下。

現在，AI制藥為新藥研發(fā)創(chuàng)造了一種新可能。

英矽智能，被CB Insights列為2022年最有前景的100家人工智能公司之一，也是AI制藥領域的明星公司。

過去12個月，英矽智能在人工智能平臺的驅動下，發(fā)現了7款臨床前候選藥物，包括首款由AI設計的治療新冠的臨床前候選藥物，以及兩款合成致死策略下的潛在治療癌癥的候選藥物，其進展最快的抗纖維化項目已于今年2月進入1期臨床試驗。

作為少數將在研項目推進到臨床階段的AI制藥公司，英矽智能是怎么看待AI制藥中AI的作用？AI制藥公司的競爭力體現在哪里？AI如何實現打破定勢思維？

2月24日，量子位對撞派「AI制藥」專題邀請到英矽智能創(chuàng)始人兼首席執(zhí)行官Alex Zhavoronkov博士和英矽智能首席科學官任峰博士，與我們一起深入交流相關問題。

對撞派：在AI制藥中，AI的價值會主要集中在哪些部分？

Alex Zhavoronkov：人工智能可以在探尋疾病機制上發(fā)揮巨大的作用，大到能夠破譯疾病的機制、了解疾病發(fā)生的原因, 小到可以發(fā)現蛋白靶點和關鍵信號通路，針對這些特定靶點用小分子或生物制劑來進行抑制，疾病就會消失或者得到調節(jié)或緩解，從而減輕疾病負擔。

AI能夠很好地挑選靶點，從這些靶點中我們可以篩選那些可成藥（小分子或生物制劑）的靶點，用于下一步的藥物研發(fā)。找到靶點之后， AI也可以幫助設計具有特定屬性的小分子或生物制劑。與傳統(tǒng)藥物發(fā)現相比，AI非常擅長大海撈針，識別合適的靶點，并為選定的靶點生成具有特定屬性的分子。AI也可以用來預測臨床試驗結果，特別是2期臨床試驗的結果。而這三個步驟一旦被整合，我們就可以擁有無縫銜接的研發(fā)流程，更快地進入臨床。

任峰：以英矽智能為例，我們專注于三個領域，分別是用人工智能來展開生物學、化學及臨床試驗預測方面的研究。但其實AI在新藥研發(fā)里的作用遠不止這些，一些AI可以賦能化合物晶型、鹽型預測，一些AI可以賦能小分子化合物的合成路線設計，另一些AI也可以賦能制劑方面的研究，比如如何設計更好的制劑配方，如何設計更好的遞送路線，將小分子或者包括mRNA在內的大分子等傳送到人體需要的地方。所以AI在新藥研發(fā)領域賦能的層面越來越廣。

對撞派：但實際上，大多數 AI制藥初創(chuàng)公司集中在同一個領域，比如虛擬篩選和靶點發(fā)現。所以在您看來，AI制藥公司的真正競爭力是什么？

Alex Zhavoronkov：AI制藥的競爭力有幾個關鍵。第一不要局限于一個領域，而是把人工智能應用于端到端的藥物研發(fā)全流程。80%的同類公司只是關注化學，他們嘗試去做的是一個機械的過程，即使用傳統(tǒng)藥物研發(fā)方法也可以做到，只不過所花的時間更長，成本更高。英矽智能的定位是利用下一代人工智能技術將生物學與化學結合，我們在藥物發(fā)現的各個方面，包括靶點發(fā)現、化合物生成和臨床試驗結果預測等方面都均衡地涉足?，F在端到端的能力也成為了英矽智能的主要優(yōu)勢之一。

第二，確保人工智能平臺的有效性。人工智能平臺的訓練和驗證是非常昂貴的，AI公司需要與大藥企進行合作，提供自己的產品和軟件來進行驗證。英矽智能也曾經歷這個階段，通過大量的合作以及內部在研管線來不斷驗證我們的人工智能平臺的有效性。

第三，人工智能與人類智能和經驗、努力和好奇心的結合才是可行之道。AI不能解決所有問題，需要一位有經驗的管理者來運籌帷幄，就是任峰博士的加入，他曾在中國頭部的CRO公司中扮演了關鍵的角色，他也在GSK藥物研發(fā)部門積累了出色的經驗。所以對我們來說，在他的帶領下我們設法非常高效地進入藥物研發(fā)領域。

另外一個重要的競爭優(yōu)勢就是立足中國，布局全球，全球化的定位很重要。如果不與大型藥企的總部合作，我們就難以從它們積累的幾百年經驗中汲取寶貴的知識，因此我們的合作遍布日本、韓國、德國、瑞士、英國和北美，這樣才能從全球各地學到知識并帶回中國。我們有自己的實驗室能力，但我們也與全球80多個CRO合作，我們從整個行業(yè)中汲取實驗能力。

最后，我們實際上沒有與其他AI公司競爭。我們也許在競爭社會的關注或者競爭投資者，但我們沒有競爭產品，因為軟件不是業(yè)務的主要組成部分，軟件市場實際上非常小。AI制藥公司大多試圖建立自己的藥物發(fā)現項目，這是價值的主要來源。

對我們而言也是如此，在過去12個月里，我們已經建立了可能是最復雜和最前沿的在研管線，發(fā)現了7個臨床前候選化合物，包括近期宣布的新冠臨床前候選藥物。我們進展最快的在研項目已經成功完成了0期微劑量組試驗，并于今年2月進入了1期臨床試驗。

任峰：英矽智能跟其他AI公司一個很重要的不同的是，Alex還是愿意高度尊重藥物研發(fā)的專家們，也就是我們的藥物研發(fā)團隊。AI是追求的是效率和速度，但是傳統(tǒng)的藥物研發(fā)追求的是安全性和合規(guī)性，這個是它的底線。這兩方面如何更好的磨合？這一點是所有AI制藥公司都需要面對的問題。我覺得英矽智能做的是在目前AI制藥公司里面比較好的，Alex會把我們藥物研發(fā)團隊的位置放的與AI團隊基本持平，雙方互相尊重對方的規(guī)則、互相反饋，這樣才能讓人工智能和藥物研發(fā)真正的結合起來，真正的實現AIDD。

對撞派：我們注意到英矽智能近期利用AlphaFold發(fā)現首創(chuàng)苗頭化合物的論文，也得到了AlphaFold CEO的關注回復。那么，英矽智能如何看待AI制藥和計算生物學之間的關系？前者將從哪些方面利用后者？

Alex Zhavoronkov：我們相信AlphaFold是在AI驅動的藥物發(fā)現和計算生物學方面的一個非常重要的進展，我個人的觀點是，這些計算生物學技術是非常重要的。但同時，它也是藥物發(fā)現這個非常大的拼圖中的一小塊。你需要有很多其他的碎片，才能讓它發(fā)揮作用，產生具有所需特性的相關分子，從而成為偉大的藥物。我認為，現在我們正看到CADD、AIDD和計算生物學的融合，其中許多方法可以被整合到一起，以設計有效的藥物。

任峰：我們針對CDK20這個以前大家都沒有去靶向的一個蛋白，完全利用AlphaFold預測的蛋白結構，結合我們的生成化學的人工智能平臺Chemistry42，從無到有生成了一些小分子化合物的結構，通過測試證明這些小分子化合物確實是可以跟CDK20蛋白相結合的，我們總共做了13個化合物，到目前為止我們有兩個化合物已經到了幾百個納摩爾的活性的水平，這是非常高效的。一方面證明了Chemistry42在生成化學方面的能力，另一方面證明了AlphaFold所預測出來的晶體結構，確確實實的是可以被應用到新藥研發(fā)這個領域的。

對撞派：我們想知道，整個行業(yè)只是見證了有限的突破，這是否意味著人工智能在整個藥物發(fā)現過程中的作用仍然相對有限？

任峰：它代表的是目前還處在早期階段。最近有一篇Nature Review Drug Discovery的文章，它對比了全球前20大的生物醫(yī)藥公司的管線，和全球前20的AI制藥公司的管線。如果你看早期管線（臨床前）的話， 前20的AIDD公司有160個早期的管線，而全球前20的生物制藥公司也只有330個， AIDD公司做的早期管線，這已經是趕上大藥企的一半了。但如果對比臨床1期或者更靠后的階段，進入臨床的AI藥物研發(fā)管線只有15個，但前20大生物醫(yī)藥公司有430個臨床階段的管線。

這個例子從側面說明了目前AI賦能新藥研發(fā)還處在一個相對早期的階段，雖然慢慢也有管線進入了臨床，但是還是屬于少數。我覺得如果給予足夠的時間，這160條臨床前的管線可能有很多會推進到臨床1期或者是2期。所以這更像是一個時間問題，我們需要等待這些公司將他們的創(chuàng)新想法轉化為更多的實踐應用，就像他們需要時間來完成臨床前的整個過程一樣，但AI發(fā)現的潛力是毋庸置疑的。

對撞派：目前一些焦點集中在如何在已知的數據庫之間搜索或在現有的原則上進行預測。如果我們談論打破思維定式，如英矽智能獲得的成果，發(fā)現的全新PCC、全新的項目，如何能讓AI在打破思維定式方面做得更好，做出一些傳統(tǒng)方式無法實現的創(chuàng)新？

Alex Zhavoronkov：我想從英矽智能的角度介紹一下我們是怎么做的。在靶點發(fā)現中，當你試圖確定一個新的疾病機制時，AI可以同時查看所有文獻和所有組學數據，但絕大部分人無法做到這一點。而且很多時候在行業(yè)深耕多年的資深專家，他們可能會在一個非常定式的范圍里思考藥物發(fā)現。

在生成化學方面，我們的方法是用AI的想象力，你使用的是以前可用的數據，但就像人類的想象力一樣，它允許AI想象那些不存在于已知化學空間的分子，它們不存在于數據庫中。我們利用一種被稱為生成式對抗網絡的技術，以及其他生成式方法和強化學習技術，以便能夠生成在已知化學空間中不存在的新分子，并達到預期目標。你可以看到，我們的許多項目有非常新穎的化學結構。

任峰：我們平時說的think out of the box，這個box 是從哪來？其實是從我們人類的經驗，比如說我是一個資深的藥物化學家，我對這些化合物的結構或者我有一些經驗，另一個角度講對我對某些結構有一些偏見，所以來自于這就是產生了box。

而這個正好是AI的強項，因為對AI來講，它沒有這種像人一樣的過往的經驗，對它來講產生的所有的東西沒有box。我們看到AI所產生的這些新的靶點或者新的化合物，經常都是非常新奇的給我們眼前一亮的感覺，或者是我們有時候覺得這些東西是有點異想天開。但是有一些東西你經過實踐之后，發(fā)覺它確實是有它一定的道理。我覺得這可能正是AI所能帶來的創(chuàng)新性，它所產生的所有東西都是發(fā)掘了一個更廣闊的空間。

對撞派：也許除了計算生物學相關的東西。是否有其他技術優(yōu)勢對我們來說是相當有競爭力的，也許在計算化學或其他部分？是否會有其他技術優(yōu)勢對項目的成功至關重要？

Alex Zhavoronkov：如果你談論的是現在，我認為我們確實有非常強大的計算化學和AIDD能力，使我們能夠非常迅速地加速藥化研究，我們也有非常強大的生物學能力，使我們能夠加速生物學的驗證。在未來，我認為整合機器人技術并將其與生物學聯系起來是非常重要的，這也是我們正在做的事情—-建立一個智能機器人實驗室。事實上，我認為化學還沒有完全準備好實現自動化，但生物學已經具備實現自動化的基礎。

對撞派：有一個普遍的問題，我們想問一下，在人工智能制藥行業(yè)這些年，你認為在技術上或商業(yè)上是否還有一些也許是共同的瓶頸？

Alex Zhavoronkov：我認為，為了整個行業(yè)的成功，我們還能做一些事情。一方面我們真正需要的不是數據的可及性，而是建立良好的與人類有關的實驗模型。在某些領域，我們確實面臨著數據的缺乏，比如說，回顧性的綜合分析，數據對這些領域非常重要。但在許多領域，就像人類的想象力一樣，你不需要更多的數據。

所有人類一樣會變老，我們中的許多人可能會變得虛弱，我們中的許多人可能會得不同的疾病。但在實驗中復制是非常非常困難的。因此，從細胞中得到一個好的疾病模型，必須使用年輕的細胞，這樣就不會有衰老的人類細胞那樣的損傷，不能使用小鼠，因為小鼠和人類不完全一致。所以需要制作這些模型，但很多時候這些模型是錯誤的，它們不能代表人類的疾病，這是行業(yè)中的一個巨大問題。

另外，我們也需要政府支持以加速獲得臨床試驗的機會。特別是對于那些想創(chuàng)造紀錄，真正與時間賽跑的AI制藥公司。我們需要支持快速進入臨床階段的政策，并非常迅速地設計臨床研究，以驗證AI制藥在人體中是否有效，特別是對于用AI確定了新的靶點，并設計了新的分子結構的項目。

完整視頻可戳鏈接觀看：
https://www.bilibili.com/video/BV1c3411j7oB