ABS-101

AI发现的药物在临床Ⅰ期研究中的成功率为80%-90%，远远高于行业历史平均水平。因此，AI发现药物兼顾速度和品质，预示着未来Biotech公司的发展方向。 制药行业已经接受了AI在研发中的使用。拜耳（BAYRY）、百时美施贵宝（BMY）、罗氏（RHHBY）、礼来（LLY）和赛诺菲（SNY）等大型制药公司纷纷与Recursion（RXRX）和Exscientia（EXAI）等专注于AI的小型生物技术公司合作，运用AI引导药物发现。今年5月，谷歌（GOOGL）的DeepMind人工智能研究部门针对药物发现领域推出了第三版AlphaFold AI模型。今年7月，信达生物与WeComput共同推进AI驱动药物的发现和开发。 尽管AI正在药物发现领域大展拳脚，但比起众所周知的高效率和低成本，人们更关注AI发现药物的质量以及在临床试验中的安全性和有效性。今年6月，波士顿咨询集团的一组研究人员最近发表在《Drug Discovery Today》杂志上的一篇同行评议文章首次展示了AI发现的药物在临床试验中的潜力，Ⅰ期成功率80%-90%，Ⅱ期成功率~40%。   01    AI发现药物提高临床试验成功率 该发现基于来自100多家以人工智能为原生技术的Biotech公司管线数据。截至2023年，这些Biotech公司及其制药合作伙伴已经将75种药物分子推向临床，其中67种正在进行临床试验，大多数（45种）处于临床Ⅰ期阶段（图1）。虽然这些分子针对广泛的治疗领域，但肿瘤领域尤为突出，在I期和II期AI发现的分子中约占50%。  图1 按临床阶段划分AI发现药物。 AI发现药物模式越来越多样化。在2020年之前，AI重新设计分子占据主导地位，此后趋于平稳，到2023年占临床管线的15%。相比之下，其他模式加速发展。目前，AI发现小分子占比最大（2023年>30%），疫苗（~10%）和抗体（~5%）占比较小。另外，一些基于AI发现靶点的分子已经进入临床试验阶段，占比超过30%（图2）。 图2 按发现模式划分AI发现药物。 截至2023年12月，已有24个AI发现的分子完成了I期试验，其中成功的有21个（图3）。这表明成功率为80~90%，远远超出40%~65%的行业历史平均水平。已有10个AI发现的分子完成了Ⅱ期试验，其中成功的有四个，成功率为40%，与30%~40%的行业历史水平一致。 图3 迄今为止，AI发现的分子在临床试验中的表现。 对于上述的分析，我们要注意2个事项。一是样本量小，随着未来几年更多数据的积累，临床成功率可能会发生重大变化；二是数据不详尽，该分析仅包含AI起家的Biotech公司，不包括来自大型制药公司内部AI发现的分子。   02    AI发现药物高成功率源于算法的精进 AI算法通常具有卓越的设计或选择药物分子的能力，从而获得具有良好药代动力学和安全性特征的新型分子，避免药物分子在I期临床阶段的退出。其次，AI算法还追求经过充分验证的生物学靶点和途径，降低了靶向毒性的风险。最后，早期的AI算法是基于已经存在的、成熟的药物分子数据进行训练的，因此能够有效微调和优化药物分子结构。 然而，在II期开发中，临床成功率下降到~40%，与历史平均水平一致，表明有待改进的地方。但在失败的6个AI发现药物中，只有2个是由于结果数据不佳而未通过II期试验，剩下4个则是由于业务优先事项和临床运营挑战等原因而停止试验。   03   AI帮助Biotech快速发现 高质量药物和建立优质合作伙伴关系 许多AI Biotech公司、制药公司和学术机构正在积极布局AI发现药物领域，这里我们以Absci Corporation（ABSI）为例，说明AI为Biotech企业带来的价值。Absci Corporation成立于 2011 年，总部位于华盛顿，是一家使用生成式AI进行药物发现的生物技术公司。当前ABSI的市值为5.066亿美元。 3.1 Absci使用IDCP技术在短短六周内快速生产出候选药物 Absci的综合药物创造平台（IDCP）是其开发新药的主要引擎。它结合了三个组成部分：①具有遗传、生化和药理学数据的广泛数据集，用于训练AI算法以发现候选药物；②AI算法根据在训练阶段提取的模式设计药物。③湿实验室技术验证AI设计的候选药物，并针对特定特性和安全性进行优化。  图4 Absci的综合药物创造平台（IDCP） Absci声称他可以在短短六周内生产出经过验证的候选药物，从而降低了生产新的候选药物的成本和时间，比如ABS101在短短14个月内就达到了临床1，花费不到500万美元。底层方法使用Absci的IDCP，输入数百万种可能的候选药物，优化药物结构。具体生产过程： Step1：Absci利用其专有的SoluPro细胞系创造数十亿个带有目标蛋白质的细胞。 Step2：Absci的活性特异性细胞富集（ACE）检测技术，能够在数周内评估数百万个抗体序列和数十亿个参数，快速筛选候选药物。 Step3：将生成的SoluPro细胞系和ACE检测数据与公共数据集相结合，产生大量的训练数据。 Step4：将训练数据集输入到AI算法，由生成式AI模型产生抗体和生物制剂。 Step5：Absci的验证实验室接收AI生成的生物制剂，评估结合亲和力和靶标特异性。 每隔六周，该公司就会使用湿实验室数据作为AI算法的反馈，这为AI模型创造了一个不断改进的反馈回路。 图5 Absci的生成式AI路线 3.2 Absci靠高质量的候选药物吸引优质的合作伙伴 公司在炎症性肠病、皮肤病学和免疫肿瘤学领域拥有高质量的候选药物。 ①在炎症性肠病领域，Absci针对TL1A（一种与炎症相关的细胞因子）开发了ABS-101药物。ABS-101作为一种潜在的“best-in-class”药物，正处于IND阶段。ABS-101研究始于2024年1月，已证明其在低浓度下对TL1A具有高亲和力和有效性，且半衰期长、生产成本低，计划于2025年上半年进行临床I期。 ②在皮肤科领域，Absci的ABS-201在IND之前处于领先阶段。ABS-201也被评为潜在的“best-in-class”药物。 ③在免疫肿瘤学领域，Absci发现了一个与免疫系统激活相关的未公开靶点。针对该靶点的ABS-301号称潜在的“first-in-class”药物。 很明显，Absci专有的技术平台正在快速产生多种独特优质的候选药物，这带来了交易价值和特许权使用费超过9亿美元的主要合作伙伴关系，涵盖阿斯利康（AZN）、默克（MRK）、EQRx（EQRX）、Precision Life和Almirall（ALMRY）。   04    对未来药物研发的展望 如果将上述成功率与III期成功率相结合，那么使用AI的整体临床成功率将从5%~10%提高到9%~18%，这一结果将使制药公司的研发生产力翻一番。 AI技术在药物研发中的应用预示着：①研发效率的提升：AI技术有望将药物从研发到上市的周期大幅缩短，提高研发效率；②成本的降低：通过更精确的预测和优化，AI技术有助于减少药物研发过程中的资源浪费。 业内正致力于用AI了解疾病的驱动因素以及识别和验证药物靶点，工作集中在组学和表型数据生成，反向翻译，新颖的患者衍生模型以及应用大型语言模型来更好地挖掘疾病数据等方面。未来AI技术会继续弥合分子设计和临床疗效之间的差距，并进一步提高临床试验成功率，超过历史平均水平。 参考资料： https://www.sciencedirect.com/science/article/pii/S135964462400134X?via%3Dihub#f0005 https://seekingalpha.com/article https://www.absci.com/   近期活动推荐   ▼ 【现场参会】 报名通道；审核制 ▼ 共建Biomedical创新生态圈！ 如何加入BiG会员？ ▼