国产创新药的痛，能否被AI打破？

前段时间，AI在诺奖方面可谓出尽了风头。

2024年诺贝尔化学奖花落三位科学家，其中两位获奖者来自谷歌DeepMind公司-Demis Hassabis和John Jumper。他们因开发了革命性的AI工具AlphaFold而获此殊荣，另一位获奖者是David Baker，他在设计全新蛋白质方面取得了突破性进展。

这AlphaFold，说白了就是谷歌DeepMind开发的一个突破性人工智能系统。简单来说，它专门用来预测蛋白质结构的。

蛋白质可以说是生命的“积木”，它们在人体内负责执行各种重要功能。但关键是，蛋白质要发挥作用，必须折叠成特定的三维结构。

这个AI系统最厉害的地方在于，它能够准确预测蛋白质会折叠成什么样的形状。科学家们通过AlphaFold，可以在实验室里快速获得假设并进行测试，大大加快了科研进度。这就好比，以前科学家们要花几个月甚至几年时间才能搞清楚一个蛋白质的结构，现在用AlphaFold几天就能得到结果。

要知道，预测蛋白质结构这个难题可是困扰了科学界整整50年！

但是现在，借助AI的力量，我们终于能够准确预测几乎所有已知蛋白质的结构了。

不过，这还不是AI最牛X的部分。要知道，蛋白质结构的准确预测，对新药研发具有革命性的意义。

其实，在过去的几年里，从发现潜在药物分子到优化药物结构，AI都在发挥着越来越重要的作用。

甚至，AI的出现，还为某些在创新药方面处于追赶地位的国家，例如我国，提供了一个“弯道超车”的机会。

一、AI制药，因何而生？

AI在新药研发中的角色，为何如此关键？

说到这里，不得不提传统新药研发中的一个著名难题——“双十”难题：平均要投入10年时间、10亿美元成本，才可能研发出一款新药。

就拿我国首款自主研发的抗阿尔茨海默症新药“九期一”来说，从启动研发到最终获批上市，整整耗时22年，投入研发经费超过20亿元！

而恒瑞医药研发的抗癌新药“阿帕替尼”也经历了11年的漫长研发周期，期间失败次数更是数不胜数。

传统药物研发之所以如此艰难，是因为在这个过程中，大量的时间往往耗费在重复性的实验工作上，比如分子筛选、活性测试、毒性预测等。

这些工作不仅耗时耗力，还常常因人为因素而出现偏差。

在医药行业，新药研发主要分为两大类：仿制药和创新药。

长期以来，中国医药产业的短板恰恰在创新药领域。这并非偶然，要知道在2015年之前，我国创新药研发投入仅为制药业销售收入的2%左右，而跨国医药巨头的这一比例普遍在15%～20%之间。

再加上创新人才缺乏、基础研究薄弱等因素，导致我国曾长期处于“仿制药大国”而非“创新药强国”的尴尬境地。

一个创新药从研发到上市，动辄十几年的研发周期和数十亿的投入，对许多中国制药企业来说简直是“不可承受之重”。

正是在这样的背景下，AI技术的出现才显得尤为及时和重要。

因为它不仅能大幅缩短药物研发周期，还能显著降低研发成本，为中国制药企业实现创新突破提供了一条新路径。

相较于传统药物研发，AI技术能将药物发现、临床前研究的时间缩短近40%，临床新药研发成功率可从12%提高到约14%。

以AI制药头部企业英矽智能为例，其研发的ISM001-055是一款“全球首创”小分子抑制剂，由生成式AI驱动药物发现与设计过程。

从早期的靶点发现一直到临床前候选化合物的确定，英矽智能只用了18个月的时间，投入260万美元的研发费用。以过去业界平均用时计算，做同样的事情，需要4年半的时间以及花费几千万美元以上的研发投入。

同样地，云顶新耀与AI公司晶泰科技合作，开发的自身免疫疾病新药，通过AI辅助设计，将先导化合物的优化周期从传统的2年缩短至8个月，且发现的活性化合物数量是传统方法的3倍。

既然如此，那AI制药究竟有何“神功”，能起到如此高效的助力？

二、效率革命

从技术层面来看，AI制药相较于传统药物研发的优势主要体现在三个核心环节：分子设计与筛选、作用机制预测、以及临床试验优化。

在分子设计与筛选环节，传统方法主要依赖科研人员基于经验进行化合物库筛选，往往需要在数百万个分子中逐一测试，犹如大海捞针。

而AI通过深度学习算法，特别是生成对抗网络（GAN）和变分自编码器（VAE），可以自主设计和优化分子结构。传统科学家一天最多测试几百个化合物，AI分分钟能同时分析几百万个！

所谓“生成对抗网络”，就像是两个AI在相互博弈：一个负责“造”分子，另一个负责“挑刺”。造的越来越好，挑的越来越严，这样反复较劲，最后造出来的分子自然就特别靠谱。

其次是作用机制预测方面，AI更是玩出了新高度。

传统测试方法就像是盲人摸象，得一步步试，先在试管里试试，再找小白鼠试试，最后才敢往人身上试。而且，要是药物有什么副作用，传统方法经常是等副作用出现了才知道。

但AI可以直接在电脑里模拟整个过程，能直接看到药物在人体内会发生什么事。

这是因为，AI可以采用多尺度模拟系统，同时在分子、细胞和器官层面进行模拟，精确计算药物分子与靶点蛋白的相互作用，包括结合能、构象变化等。

这样一来，很多注定会失败的药物早早就被筛掉了，省了不少冤枉钱！

更重要的是，AI还能预测药物的脱靶效应和毒性，大大降低了后期临床失败的风险。

在全球首款获FDA批准上市的新冠小分子口服药PAXLOVID的研发过程中，晶泰科技团队与辉瑞科学家联手，仅用6周时间就确认了药物优势晶型，显著缩短研发周期。

然而，AI制药虽然提高了不少效率，但也不是谁都能弄出来的。要真正把这事儿做好，就得过两道极其难啃的“大山”。

首先最让人头疼的就是数据问题。这个问题之所以特别棘手，是因为它涉及到了整个医药行业的根本性矛盾。

最有价值的数据，往往被各大制药公司视为核心机密，都躺在各个制药公司的数据库里，根本拿不到。就算能拿到一些公开数据，数据质量也参差不齐。

再一个关键的问题是，人工智能研发的高投入，让很多AI企业面临着资金紧张的窘境。

这其中最肉疼的，就包括了算法开发与算力支持，这背后不仅需要专业的数据科学家和算法工程师，还需要运行这些算法需要强大算力，包括昂贵的GPU等硬件设备。

也正因如此，能跨过这两座大山，从残酷的市场绞杀中存活下来的，都是AI药企中的佼佼者——这其中就包括了中国的企业。

三、异军突起

在突破上述两座大山的过程中，中国企业的路数，和国外巨头很不一样。

具体来说，二者的差异，不仅体现在技术方向上，更反映了不同的战略选择和商业模式。

例如国外AI药企巨头英矽智能，就选择了一条看似更艰难，但可能更有远见的路：他们投入巨资建立了自己的高通量实验室。这个实验室不是简单的测试场所，而是一个能持续产生高质量生物学数据的“数据工厂”。

通过这种方式，他们能够完全控制数据的质量和类型，确保数据能精准服务于他们的研究目标。这就像是一个企业决定自建工厂而不是外包生产，虽然前期投入大，但掌握了核心生产能力。

同时，由于投资环境的不同，国外AI制药巨头，很早就建立了一套独特的商业化体系。以英矽智能为代表的企业，通常会与大型制药公司建立深度的战略合作关系。

这种合作采用“里程碑付款”模式，比如他们与辉瑞的合作就包含了前期数百万到上千万美元的启动资金，随后在研发过程中达到特定节点时获得阶段性付款，最终在药物成功上市后还能分享销售收益。一个成功的项目可能为公司带来数亿美元的持续收入。

相较之下，投资生态不太发达的国内，各路AI药企们，往往会避免“大干快上”式的全面投入，而是表现出了较强的战略灵活性，选择特定领域切入，逐步扩展技术边界。

中国企业如晶泰科技采取“渐进式创新”策略，聚焦于“分子设计”这个具体环节，特别是在晶型预测这个更细分的领域建立优势。

药物晶型之所以关键，是因为其不仅关系着药物质量、制剂设计，还涉及药物专利保护时长。

传统方法，往往需要通过实际实验来筛选不同的晶型，每次实验都需要调整温度、压力、溶剂等多个参数，且需要足够的时间来让晶体形成和生长。

而晶泰科技对药物晶型的预测，是通过量子化学计算与AI结合的方式，计算分子与原子之间的作用力并以此判断不同晶型的稳定性、溶解度等关键性质。这样一来，就能大大加快测试的进行，并获得大量虚拟数据。

而同为AI药企的深势科技，2022年底，宣布将集中在神经科学、肿瘤和自身免疫性疾病三大领域，做BIC药物。

在深耕细分领域的同时，深势科技打造了Bohrium科研云平台、Hermite药物计算设计平台、RiDYMO难成药靶标研发平台，力图通过平台化的方式，将传统的药物研发，从小农作坊向“工业时代”转变。

除了通过分子设计，专注于特定疾病的药物研发外，还有一类AI药企，将研发流程反了过来，先在微观的层面，找到基因和疾病的关联，再去寻找控制基因表达、抑制疾病发作的药物。

例如国内的哲源科技就是这样的例子。

与国外AI药企不同，哲源科技的明智之处，就在于先研发了算法，将基因层降维到细胞功能事件的数字化模型。

如此一来，就不需要在实验室里真实地“敲除”每个基因来观察效果，而是在计算机里建立虚拟的细胞模型来模拟这个过程，从而避免了耗费大量算力，在人体庞大的基因组（2-3万个基因）中逐一筛选的艰辛过程。

总的来说，通过这样“垂直深耕”，逐步扩散”的战术，国内的部分AI药企，算是艰难地穿过了数据与研发构成的“峡谷”，然而，在AI制药这条赛道上，要想真正走出一条康庄大道，挑战与险阻还有很多。

四、希望与挑战

现阶段，AI制药最大的挑战就在于：目前全球虽然已有多款AI研发药物进入临床，且最高进展已到临床三期，但尚无一款AI研发的药物成功上市。

全球范围内，AI制药现阶段均主要集中在药物发现环节。

这主要是因为，临床试验涉及复杂的人体生理反应、个体差异、伦理考量等多维度因素，这些因素往往是非结构化的，难以被完全量化和模型化。

更重要的是，临床阶段的每一步都关系到人体安全，容错率极低，AI很难在这个阶段发挥决定性作用。

没有药物成功上市，就意味着AI制药还不能取得市场普遍认可，意味着企业很难将前期的高投入，顺利转化成利润。

也正因如此，纵观全球上市的AI制药公司，从业绩上讲，年度营收过亿的企业仅有2家。

在国内市场，2024年初出现了一个重要的里程碑：晶泰科技成为了国内第一家AI制药上市公司，上市首日市值大涨了10%。这标志着国内AI制药行业进入了一个新的发展阶段。

然而，目前大多数AI制药企业仍然处在投入期，真正实现自我造血的企业极少。

但尽管如此，这条“难而正确”的路，仍然值得走下去，原因主要有二。

首先，从战略层面来看，AI制药属于“卡脖子”技术突破的重要领域。

目前中国创新药在全球市场份额很小，大多数仍是仿制药。2022年全球销售额前100名的原研药中，中国企业仅占不到1%，大部分重大疾病的一线用药仍依赖进口，如肿瘤、心血管等领域。

例如，抗癌药PD-1抑制剂，国内企业虽有突破，但核心技术仍受制于默沙东、百时美施贵宝等外企。

某些罕见病用药，如法布雷病治疗药物“法布赞”，长期被美国基因泰克和英国夏尔公司垄断，年治疗费用高达百余万元。

更令人担忧的是阿尔茨海默病等老年疾病领域的创新药。以美国批准的阿杜卡努单抗为例，即使在2021年底将价格下调一半后，其年治疗费用仍高达28，200美元（约合20万元人民币）。

考虑到人口老龄化加剧，阿尔茨海默病患者群体将持续扩大，但如此高昂的治疗费用使得大多数患者难以获得这种创新疗法。

而患者所承受的这些负担和代价，都是因为中国在创新药方面受制于人，定价权被别人掌控着。

从这个角度上说，发展AI制药不仅是技术创新的需要，更是打破国外垄断、保障医药产业安全的战略选择。

四、结语

关于打破创新药垄断、保障老百姓医疗安全这件事，可能有人会问：为什么这事，非得押在AI身上？

这就要说到发展AI制药的第二大原因：进入数字时代后，新药研发的模式正在发生根本性变革，生物医学领域的数据正以前所未有的速度激增。

仅人类基因组数据库就包含了数以亿计的DNA序列信息，一个新药的研发往往需要分析数百万种潜在的分子结构，还要考虑它们与人体上万种蛋白质的相互作用。

这些浩如烟海的数据，早已远远超出了人类大脑所能处理的极限。

也正因如此，在这个时代，药物研发的核心技术，已经转向了药物设计软件、分子模拟技术等关键工具，以便处理海量的筛选和数据分析工作。

而AI，正是这类技术发展到一定阶段后的集大成者。

从这个角度上来说，AI制药是一个确定性的方向，而目前暂时的困难，主要是由于训练数据的数量，模型的准确性和可解释性、以及产业链上下游协同不够紧密等因素造成的。

但随着医疗大数据的持续积累、产业链整合、以及算力成本显著下降后，这些障碍都将逐步克服。更多经由AI助力研发的国产创新药，必将加速涌现。

到那时，我们不仅能打破国外药企的专利垄断，更能让创新药物真正走进寻常百姓家，让患者摆脱高价进口药的沉重负担，享受到更加安全、有效、可负担的治疗方案。

这将是一场造福亿万患者的医药科技革命。