新药研发“山高峰险” AI for Science 提速进度条走到哪了？

从研发效率来看，可以说，新药研发仍是一座风光无限的险峰：一种新药的研发平均耗时十年以上，研发投入超过 10 亿美元，成功率却不足 1/10。而 AI for Science 的新范式，或有望成为征服这座险峰的关键所在。

我们正在这条路上——

日前，在深势科技的新一代药物计算设计平台 Hermite 发布会上，《科创板日报》记者在现场采访获悉，目前最有效的分子模拟技术比上一代效率提升了 1000 倍以上。

"AI for Science 作为一种新的研发范式已经成为领域热点，我们从业者应该持续定义与解决行业关键问题，运用一切先进的计算手段提升计算模拟效率，从而尽快促进药物研发模式从随机筛选走向理性设计，从经验驱动迈向数据与模型驱动，从‘劳动密集’到‘计算密集’的智能化转变。" 深势科技创始人兼 CEO 孙伟杰对《科创板日报》记者表示。公开资料显示，深势科技创立于 2018 年，曾在 18 个月内连续完成 4 轮融资，最近一轮融资额达数千万美元。

研发的每个环节都有提升空间

药物研发要经历靶点的发现与验证、先导化合物的发现与优化、候选化合物的挑选及开发和临床研究等多个阶段。大体来看，临床前研究的不确定性更大，临床研究的成本则更高。

据深势科技对《科创板日报》记者的介绍，从本质上来说，小分子化学药是由原子、分子排列组合而成的，他们的结构与其对疾病相关靶点的活性和其他成药性质息息相关，需要通过实验试错来找到、优化出理想的物质结构，再通过动物模型验证，最终面临临床试验的终极大考。

传统的小分子药物研发，通过实验从已知分子库中穷举探索动辄上万个类药分子，并基于科学家的经验和见解进行设计优化、再实验验证，如此反复数轮，最终找到潜力药物。

耗时费钱的实验具有局限性，与科学家的个人经验、甚至运气高度相关；而其中的筛选试错、设计优化等步骤，完全可以借助 AI 算法来提高效率和成功率。

以深势科技此次发布的 Hermite 平台为例，该平台涵盖了从蛋白结构预测到动力学研究，从苗头化合物发现到自由能评估等环节。如蛋白质结构预测工具 Uni-Fold，较以往平台训练时间至少可以减少 50%，复合蛋白预测精度至少提升 15%；Uni-IFD 可以精确预测药物与靶点的结合模式；Uni-FEP 能够基于自由能微扰理论、分子动力学、增强采样算法，以化学精度高效评估蛋白质与配体的结合亲和能。

晶泰科技联合创始人兼 CEO 马健对《科创板日报》记者表示，从目前 AI 的能力上看，其能覆盖的点有很多，但相对来说，在分子设计、研究蛋白的层面上比较优势更强。" 但当我们建立了足够的自动化、数字化水平后，AI 的智能化程度也就越高，在药物研发上突破的点也就越多。" 晶泰科技系国内跑得最快的一家 AI+ 药物研发企业，其在 2021 年完成 D 轮 4 亿美元融资，融资总额超过 8 亿美元，创全球 AI 药物研发领域融资额的最高纪录。

AI+ 药企的合作已经落地

另一方面，药企对 AI 制药的态度也从谨慎转变到更大规模的合作。

在上述发布会上，《科创板日报》记者获悉，甫康药业与深势科技签订战略合作协议，基于深势科技 " 人工智能 + 分子模拟 " 的算法，融合甫康药业在大分子和小分子创新药物研发方面的积淀，双方将一起构建新型 CoreD 特色虚拟化合物库，加强 First in Class 新药创新技术平台的建设。

" 我们认为 AI+ 药物研发的门已经打开了，如果有先进计算技术的 AI 公司和有药物开发经验的公司配合，也许能够发现行业里更多的东西，比如 GPCR 靶点的预测、蛋白结构的优化等。还有尽可能建一些特色库，一旦做好了，可能是未来一个很大的方向。" 甫康药业 CEO 沈孝坤对《科创板日报》记者表示。

除了创新药企，CXO 企业也正在与 AI 制药建立联系。

据悉，近期刚刚上市的 CXO 企业泓博医药（301230.SZ）与深势科技已经合作超过一年。" 我们有 6 个客户、8 个项目使用了深势科技的 Hermite 平台，发现在设计的分子与蛋白结合的亲和力这一块，模拟出来的数据和实测的数据非常吻合。本来一般情况下，这个过程需要 2 至 3 年，现在可以很大程度地缩短时间。" 泓博医药药物化学高级副总裁蔡振伟博士告诉《科创板日报》记者。

对于当前科学实验中遇到的问题，深势科技创始人兼 CEO 孙伟杰还特别提出了科学实验算法的分级理论，即如何对算法设定合理的期望，怎样的算法是可以大规模替代实验的工业级算法。算法分为 L1 至 L3 三个级别：L1 为模仿现实，即对实验结果的复制和外推；L2 为预测现实，对现象的预测接近实验精度，并有可预期的误差范围；L3 为搜索现实，这就要求能够准确预测现象，并能从空间中直接搜索最佳结果。

" 当前，对于化学、生物、材料、药物等实验学科，并不一定追求百分之百准确的算法，只要能够大幅缩小实验误差，明确精度边界，就可以大规模的替代此前的实验模式，所以大规模推广 L2 级别，积极发展 L3 级别的算法，将引领未来实验科学算法的前进方向。我们的目标是到 2025 年，在主要模块上实现 L2 级别的算法；到 2023 年实现 L3 级别的算法。" 孙伟杰说。