当前位置:首页 > 投融资 > 产业 > 产业看点 > 正文

人工智能制药助力我国医药产业创新发展

来源:经济参考报 发布时间: 2022-09-08 14:46:43 编辑:夕歌

导读:AI制药将成国内医药产业弯道超车机遇,应以AI制药为切入点,对这一新兴领域加强前瞻性政策扶持,推动整个中国创新药行业的原始、自主创新,最终做到中国创新的出海。

人工智能(AI)技术正在从成本、效率等方面重塑制药行业。我国AI制药起步较欧美起步稍晚,但发展迅速,更具数据、算法等优势。相关专家认为,AI制药将成国内医药产业弯道超车机遇,应以AI制药为切入点,对这一新兴领域加强前瞻性政策扶持,推动整个中国创新药行业的原始、自主创新,最终做到中国创新的出海。

我国AI制药产业的“后发优势”

近年来,中国本土AI制药企业不断涌现,涉及新药研发全链条,涵盖了靶点识别和认证、药物发现、临床前研究和临床研究多个阶段。相关专家认为,目前欧美国家处于AI制药3.0阶段初期,国内处于2.0早期。国内AI制药公司大部分处于动物试验、药效和毒理验证阶段,今年晚些时候可能进入临床前候选化合物阶段,预计二至三年后陆续进入3.0 早期阶段。

美国在全球AI药物管线布局上仍占主导,据智库“智药局”统计,截至6月20日,全球共有26家AI制药企业、约51个由AI辅助进入临床Ⅰ期的药物管线。其中,80%以上为美国企业,仅有英矽智能、未知君、冰洲石3家中国企业。已上市的AI制药头部企业也基本为欧美企业,尚未有中国企业。

日本制药企业武田亚太开发中心负责人王璘博士接受记者采访时说,中国本土AI企业和生物科技公司在AI辅助药物研发方面,实力提升迅速。部分本土企业发展出自有专利的开发平台,甚至开始探索在全球尚未有企业涉足的前沿领域,如小分子晶体结构预测、原发药物设计等。

2021年起,国内开始有大量资金进入AI新药研发公司,当年一个月内有3家中国AI制药公司获种子轮融资。近两年来,行业里颇受关注的融资项目有3个。首先是总部位于香港的英矽智能去年成功融资2.55亿美元,用于推进AI研发候选药物进入临床试验,以及推进算法调整发现更多新靶点。北京望石智慧科技有限公司也在同年4月成功融资1亿美元。2020年9月,总部位于深圳的晶泰科技也顺利融资3.19亿美元。此外,腾讯、百度、字节跳动等国内互联网巨头,也将其雄厚AI算力转向药物开发设计领域。

“中国在利用AI技术辅助新药研发方面有得天独厚优势,将给国内医药产业带来弯道超车的历史机遇。如果能灵活应用该新兴技术,国内医药企业或将在全球范围内成为行业翘楚,进入领先行列。”王璘说。

一方面,充足的大数据是训练AI的关键,国内人口基数庞大,医院规模可观,更利于搜集整合大规模数据。其次,中国目前有大约3000家CRO(即合同外包研究组织)公司,为药企在药物开发中同时纳入多个CRO公司平行开展多项试验创造了可能:比对不同结果正是AI学习进步的必要过程,还可降低成本,提升质量。

不过,相关专家认为, 我国在AI部分更具竞争力,在制药部分略逊一筹。主攻智能药物设计平台的生物技术公司圆壹智慧创始人兼CEO潘麓蓉博士对记者说,我国在AI算法层面与欧美完全无差距,甚至有过之而无不及,但对数据的理解和应用,生物学、转化医学的基础建设,知识体系的健全、人才储备,以及整个制药行业的标准与质量管理、产业链和供应链等与国外差距较大。浙江工业大学智能制药研究院院长段宏亮也认为,中国AI水平可跟美国媲美,但医药行业落后较多。AI在与各行业融合中,与制药行业融合难度更大,不会一蹴而就,应尊重药物研发规律,花时间打磨。

“新旧融合”的挑战与风险

尽管人工智能已渗透到医药研发的各个环节,但一个新兴行业与传统行业的结合仍面临数据、算力、政策等诸多挑战与风险。相关专家认为,AI制药产业存在以下挑战和风险,这也是我国发展该产业需聚焦的关键点。

数据和算力问题。业内专家任峰认为,未来AI制药竞争会从算法竞争过渡到数据竞争。首要挑战是数据量,只有海量干净数据的持续输入,才能充分训练AI模型,提升其准确性。其次,是数据标准化问题,目前大多数据来自科研基金、出版物等公开数据,数据清洗整合比AI建模更费时费力。浙江工业大学智能制药研究院院长段宏亮说,目前我国大部分企业通过公开数据库拿到的药物研发数据量少质低,需要从化学生物实验室产生数据并积累。此外,算力存在局限,模拟一个蛋白或者分子空间构象对精度要求高,目前即便超级计算机也无法实现穷尽所有组合。

新药研发的不确定性。潘麓蓉说,创新药研发最大风险和挑战就是人类对于疾病的理解依然浅显,过去20年,即便我们在各细分疾病领域的生物学、病理学上的认知逐渐进步,有了分子生物学和人类基因组学的助力,但仍存大量未知。此外,从整体运作上看,新药研发时间跨度长,因此很多科学上的好项目受到资金、政策环境等各外部影响无法继续开展。“如果立项的科学家没有足够坚持面对过程中种种质疑,面对经费、产业环境等各方面阻力继续往前走,即便是对的想法也可能半途就放弃了。”潘麓蓉说,因此政策和产业资本对于创新团队和科学家的支持很重要。

领域融合“水土不服”。AI制药是一个高度封闭和保密的行业与一个开放性最强行业的碰撞。潘麓蓉说,AI和制药的结合是生物实验学科和计算机学科知识体系和方法论重新整合的过程,二者气质截然相反:国际大型药企已发展数百载,知识经验和数据积淀丰厚却壁垒森严。时至今日,制药行业仍以专家经验为基础,对拥抱数字化有天然抵触。AI 领域却强调“开放”,训练数据的广度和质量很重要。西湖大学生命科学学院博士生导师、西湖欧米(杭州)生物科技有限公司创始人郭天南也认为制药是保守领域,目前巨头制药公司改变框架较难,传统药企做创新成本很高,反而新创建的公司会崭露头角,行业面临重新洗牌。

复合人才极度缺乏。受访专家均指出,复合人才缺乏是该行业最大痛点,我国此类人才短缺尤为严重。任峰说,既懂传统药物研发,又相信AI或愿意用AI技术做创新药研发的人还在少数。AI制药需更多身怀传统经验,又能以开放视野接受AI技术的人加入。潘麓蓉也认为,生物、化学、医学和AI技术复合背景人才太少,专家团队也面临不同领域的沟通磨合问题。此外,我国关于顶层设计的AI人才匮乏,这类人才不仅要有算法工程背景,还需具备AI系统工程和生物化学等交叉学科训练,才能实现顶层架构,把技术落地。

郭天南说,我国该领域人才培养体系待完善。生物医药都是科学家,发展路径是本科、保研、直博、出国;计算机专业本科直接找到高薪工作,做AI的进入生命科学相关机构收入会下降很多;而懂商业的人大多在传统企业。国外很容易找到商业合伙人,中国相对缺乏,高校教师或科研工作者创业面临体制机制阻力。

国际政治环境影响合作。目前,疫情、政治因素等国际环境不确定性,给供应链、人才流动、会议举办等科研交流和国际合作带来负面影响,阻碍AI创新药研发。潘麓蓉说,任何一个创新药研发现在都离不开全球产业链,外包研发服务已非常成熟。比如CRO服务,从早期的化学、生物合成,到体外试验,临床试验,都有非常多遍布全球的细分公司在承担,国内也承担了产业链上显著的一部分。所以要推动一个真正的创新药科研项目,不可能完全依靠一个国家的力量,最终是国际合作的结果。

亟待激活我国AI制药产业

相关专家建议,应从体制上全面激发我国AI制药产业活力,在人才培养、监管审批、园区建设、数据管理多角度予以扶持,推动AI制药实现我国的创新药研发“革命”。

第一,强化交叉人才培养、吸引跨国人才。相关专家认为,AI制药是非常前沿的领域,中外人才缺口较大,应采取措施充分调动全球人才资源。

加快培养交叉人才。段宏亮说,需打破计算机和生物医药专业人才壁垒,重点培养复合型人才。郭天南建议,生物科学家领域专,视野较窄,难有动力跳到另一个行业学习新东西,可设机制鼓励部分生物医药博士创业。此外,高校生命科学领域博士名额太少,例如浙江大学生命科学博导平均三年只能招一个学生,无法发挥大量顶尖高校教授能力,需在体制上给科研人员更多支持,有一批高级人才做转化项目。在资源分配和项目评审中,除了找领域权威专家,投资人也是一个评价群体,相对更加客观、敏锐。

充分调动跨国人才。任峰说,目前AI制药领域海外人才较国内发达,希望有更多优惠政策便利引进海外高层次人才。潘麓蓉也认为,需要有灵活的工作时间,多元的激励方式,用线上线下的协作模式有力调动全球资源。目前国外很多一线药企核心研发人员都是华人,特别应争取这个群体。在政策方面,可放宽相关签证政策,吸引有特殊技能的工作者,保证他们较好的生活和科研环境。

第二,前瞻性加速监管审批。为满足急需的临床需求或在特殊条件下,国外有监管机构尝试在充分的AI大数据支持基础上,减免部分临床前研究以加快新药研发进程,甚至直接加速至人体临床试验阶段。王璘说,希望我国药监局等监管部门在加快引进有临床价值的创新药基础上,继续科学评估国外监管机构最新监管措施,结合国内实际情况和需求,制定更多前瞻性政策和法规。比如在某些特定领域,如有适合的AI技术可以建立虚拟动物模型进行试验,也能认可其作为临床前研究的效果参考。任峰也表示,期待监管部门缩短AI新药临床试验申请审批等待时间,AI制药企业也期望与监管部门合作制定和完善行业标准,让AI制药在国内发展得更规范。

第三,推动跨学科产业园建设。任峰说,AI制药是交叉学科,期待由政府主导建设的人工智能、生物制药等跨学科孵化园区,将产业上下游联合起来,形成良好产业生态圈。园区可建设一些配套设施,如提供算力支持的超算中心、可验证早期AI药物研发的共享实验室等。

第四,加强数据和隐私管理。王璘说,AI制药涉及大量数据支持和运用,相关企业在评估是否要采用新兴AI算法或数字化工具时,首要考量因素应是数据安全和隐私保护。潘麓蓉也认为,制药领域数据的保密性和 AI 领域对数据的依赖性之间存在矛盾,需要新的加密技术、行业合作机制、创新的数据资产商业管理机制来解决。