Garutadustat

众所周知，新药研发是一个极其漫长的过程，“双十定律”（十亿美元+十年时间）已经深入人心。但现实远不止于此，根据Journal of Medicinal Chemistry的数据，一款新药从研发到上市平均需要耗资26亿美元，历时长达15年。 AI一直被视为提升药物研发效率的重要工具，但在过去，它更多还是作为“工具”辅助新药开发，比如汇总数据、预测优化结构、识别药物靶点、筛选候选分子、优化临床试验等。 到了这两年，事情正变得不一样，AI正以一个“科学家”的身份，开始主导药物发现与研发的核心环节，包括理解疾病生物学机制、揭示全新靶点，生成新分子。可想而知，一旦路径成熟，这场由AI带来的变革势必会大幅缩短药物研发周期，甚至颠覆整个行业发展。 图源：shutterstock AI应用浪潮正掀起一股投资热，制药巨头真金白银的投入也屡见不鲜，多个标志性项目相继推出，包括亚马逊云科技的Bio Discovery平台、OpenAI面向生命科学研究推出的GPT-Rosalind、罗氏与英伟达打造的AI工厂，以及礼来与英伟达合作设立的10亿美元AI协同创新实验室……除了大型制药公司，一些AI起家的生物科技公司，包括英矽智能、Recursion等利用AI进行药物开发，也取得了突破性进展。 一边是成熟制药企业拥抱AI，另一边是AI制药企业押注新药，这场AI制药的竞赛，最后究竟谁更有机会赢？是AI底座型Biotech，还是已经拥有几十年研发积累、海量数据、成熟平台和临床开发能力的大药企，在拥抱AI之后更具竞争力？ 大药企All in AI 提速，是AI被引入新药研发体系最直接的目的。一款突破性药物从发现到上市，可能需要10年以上，投入数十亿美元。而在专利窗口、市场竞争和资本回报压力不断加大的今天，“慢”本身已经成为一种成本。 因此，AI进入制药业并不令人意外。真正发生变化的是，大药企正在从“使用AI工具”转向“建设AI基础设施”。礼来是布局最为激进的制药巨头之一，正通过一系列的合作，系统性强化其从靶点发现到分子设计再到临床开发的全链条能力。 早在去年10月，礼来就曾与英伟达合作，一起打造 制药行业“最强大”的超级计算机LillyPod 。礼来表示，将利用这一算力优势来 加速分子发现研究，并缩短药物开发周期 。 那么，如果利用AI来创造新药，LillyPod的计算能力究竟有多强，可能很难直观想象。 这台超级计算机由 1016块GPU 构成，而其中每一块GPU的计算能力都超过礼来三十多年前购买的Cray-2超级计算机。礼来首席信息与数字官Diogo Rau解释说，单块LillyPod GPU的计算能力是Cray-2的“ 700万倍 ”。 而如此庞大的计算能力，就是为了应对生命科学令人难以想象的复杂性。 到了今年1月，在旧金山举行的J.P. Morgan Healthcare Conference期间，礼来与英伟达又宣布投入10亿美元，共同建设AI协同创新实验室。 礼来首席人工智能官Thomas Fuchs指明，礼来真正想做的是站在AI和药物研发能力的最前沿，探索AI在药物开发领域究竟能做到什么，并真正带动整个生态系统共同发展。 罗氏前后脚也与英伟达签署了合作协议， 将生成式AI引入药物发现与开发流程，加快新药发现速度、提高临床试验效率 ，并推动企业整体数字化转型。 这次合作建立在2023年罗氏子公司Genentech与英伟达的研究合作基础之上，当时双方旨在加速药物发现与开发流程。此次合作扩大后，罗氏有了目前制药行业内 规模最大的混合云AI工厂，配备GPU总量达到3500块 。 BMS也不落后于人，在近期与英伟达扩大了合作。其实，两家公司合作已有近三年，新协议签订后，BMS将部署英伟达DGX SuperPOD超级计算机。据介绍，这套配置将打造出“生物医药行业性能最强的超级计算机”。 一时间，MNC们你追我赶上演了一场“算力军备竞赛”。他们追逐的目标都是：获得更多算力，训练更大的模型、运行更复杂的实验，让药物发现和开发变得更快、更高效、成功率更高。 超级计算机只是制药公司AI战略中的一个层面。他们也在围绕 模型、软件，以及具体的研发和临床应用 展开针对性合作。 仅今年以来，BMS已经与Anthropic达成合作，将Claude部署到研发和全球运营中；与微软合作，推进AI驱动的肺癌早期检测；并与Evinova合作，利用AI改善临床试验设计、缩短试验周期并降低成本。 同样，礼来与英矽智能达成了一项最高约 27.5亿美元 的药物发现合作；罗氏则向Manifold Bio支付了 5500万美元首付款 ，利用其技术开发能够帮助药物穿过血脑屏障的新型“穿梭体”。 不过，对于制药公司而言，衡量AI能力的标准并不是 拥有最大的超级计算机 ，真正有意义的是： 这些算力最终能否转化为更好的研发决策 ，比如更好地选择疾病领域、靶点、临床候选药物，以及更好地设计临床试验等。 AI底座型Biotech的机会 正当大药企们争相把AI嵌入传统研发体系时，另一边AI起家的Biotech也不甘示弱，在由AI搭建的底层技术中，已经把产品推向了临床，进展遥遥领先。 英矽智能是AI药物研发领域最具代表性的企业之一，拥有40多个覆盖广泛疾病领域的研发项目，并先后与多家大型制药公司达成合作。 旗下 Rentosertib是全球首个靶点和分子结构均由生成式AI识别/设计并进入III期临床的候选药物 ，靶向TNIK。据英矽智能介绍，Rentosertib基于其专有的 Pharma.AI平台从零开始，完成靶点发现和分子设计 。据报道，从项目启动到确定临床前候选化合物，Rentosertib仅用约18个月，效率远高于传统新药早期发现与开发（平均周期约4.5年）。 IPF是一种致命性肺部疾病，会导致肺组织逐渐纤维化、变硬，目前有效治疗手段十分有限。即便接受现有治疗，患者在确诊后的生存期通常也只有2至4年。而TNIK靶向机制有望延缓甚至逆转特发性肺纤维化（IPF）的疾病进展。 一项Ⅱ期临床研究已经显示，Rentosertib能够改善患者的肺功能。目前，该药已进入Ⅲ期临床试验，也是全球首款步入III期临床的AI药物，这代表AI驱动药物发现与开发迈出了关键一步。 除Rentosertib外，英矽智能还在推进另一款AI候选药物 Garutadustat ，整个开发过程历时12个月。这是一款用于治疗炎症性肠病（IBD）的口服PHD抑制剂，既能够抑制炎症，又能促进受损肠道组织修复，目前正在开展Ⅱa期临床试验，被认为有望成为Best-in-class疗法。 杭州德睿智药依托自研的AI制药平台MAP（全称为Molecule Arts Platform）开发了一款 口服GLP-1（胰高血糖素样肽-1）受体激动剂MDR-001 ，用于减重，目前已启动III期临床试验。据悉，这款产品从立项到推进至III期临床的时间，仅耗时4.5年， 临床前研发效率提升60% 。 在已完成的IIb期临床试验中，317名平均体重约90公斤的受试者在用药24周后，体重平均降幅最高可达10.3%，因不良反应导致的停药率仅为0.8%。如果一切顺利，这款口服减重新药，有望于2028年底或2029年初上市。 来自美国的生物技术公司Recursion Pharma同样是AI药物研发领域的重要企业，持续推进多个项目，包括用于治疗家族性腺瘤性息肉病（FAP）的 REC-4881 。 FAP患者结直肠癌患病风险极高，它的特点就是会在结直肠内形成数百甚至数千个癌前病变息肉。近日公布的Ib/II期临床试验数据显示，接受治疗3个月后，患者息肉负荷的中位数下降了43%，展现出不错的疗效结果。更值得关注的是，大多数患者在停药12周后，息肉数量仍持续减少。这对于目前尚无有效治疗方案的FAP而言，是一个积极的安全信号。 当然，这距离证明“AI能够生成更好的药物”仍然很远，后续还需更多的临床试验验证，不过一旦开发成功，势必将重新定义药物研发路径。 最后的赢家 从目前的布局来看，AI制药包括两类玩家。 一类是大型制药企业。他们拥有海量数据、成熟的研发体系和开发能力，以及临床资源，优势就是能把AI快速带入真实的药物研发场景；另一类则是AI起家的Biotech，它们从一开始就围绕AI组织研发，速度更快、组织更轻，也更容易建立全新的研发流程。 两类公司各有优势，却也有明显短板。 对AI驱动的生物科技公司而言，面临的最大挑战就是： AI到底能否开发出成功的产品，以及借助AI是否能提高新药开发成功率，从而打破“双十定律”，并最终跨过临床和商业化的门槛。 事实上，AI发现的药物临床表现仍处于验证阶段。一些AI药物在Ⅰ期临床中的表现看起来不错，但能否在Ⅱ期、Ⅲ期持续转化，依然是行业最关心的问题。此前，Verge Genomics的AI药物VRG50635在ALS领域就遭遇了失败，意味着 AI并不总是“无所不能” ，它预测的靶点与实际临床表现是存在偏差的。 一旦开发失败，对资金紧俏的Biotech来说无疑是致命打击。但反过来看， AI带来的开发速度的提升，或许也能帮助他们应对新药研发过程中巨大的成本压力。 大药企恰恰相反。他们拥有几十年积累的实验数据、临床数据、疾病知识、监管经验、生产能力和商业化网络，这些海量的成功数据喂给AI，增加知识库，势必会提高成功率。 除了成功案例，AI需要学习的，还包括失败后的经验积累。Fuchs曾指出：公开论文中记录的往往只是成功实验，但一家拥有150年历史的大型制药企业积累了大量失败案例数据。这是一座极其重要、却长期被低估的数据金矿。如果能够把数十年的失败案例全部转化为可计算资产，那么这套AI模型一定是其他公司难以企及的高度。 那么， 拥有了AI大模型和算力，是否意味着真正拥有了AI能力？ 这是任何企业都无法回避的问题。 毕竟，真正的AI研发体系并不是部署一个模型那么简单，而是让数据、模型、实验和临床形成持续反馈的闭环。 随着AI驱动药物发现（AIDD）需求持续增长，基因、蛋白合成等上游研发服务需求也在同步扩大，金斯瑞生物、Twist等企业已经率先从中受益。今年上半年，金斯瑞生物AIDD相关业务同比实现了翻倍增长，并连续三个半年度保持快速增长的趋势。与此同时，在与头部AI制药企业合作不断深入下，客户黏性和项目价值量持续提升，推动公司加速成为AI制药生态中的顶级验证平台。 由此来看，AI正在重塑的并不只是药企的研发流程，也在向上下游延伸，改变整个药物研发产业生态。 至于谁能成为这场AI药物研发竞争的最终赢家，目前还没有答案。但可以确定的是，AI正在从药企的“加分项”逐渐变成一项基础能力。未来的竞争，也不再只是模型之间的比拼，而是模型、数据、算力、实验和临床能力的综合较量。总之，这场竞争，才刚刚开始。 毋庸置疑，AI在很多方面都能帮助我们更快、更高效地工作。但显然，AI还在发展的很早期阶段，它对制药行业的影响也才刚刚开始显现。但可以看出，整个行业对AI寄予了很高的期待，除了提速、提高新药开发成功率，更希望AI能成为“科学家”，破解生物学的秘密，打开药物发现、开发的全新方式。 未来，真正有竞争力的AI公司，很可能不是纯AI公司，也不是简单“装上AI”的药企，而是两种能力的结合。 参考信源： Why Big Pharma is chasing the industry’s most-powerful supercomputer | PharmaVoice Eli Lilly and Insilico Medicine forge $2.75bn AI-driven R&D pact - Pharmaceutical Technology Roche says it is thoughtful on token use for AI, shelves a drug from Carmot buy BMS taps Anthropic’s Claude for enterprise-wide AI adoption Insilico Initiates Phase III Clinical Trial for Rentosertib, Its AI-Empowered TNIK Inhibitor for Idiopathic Pulmonary Fibrosis So How Is AI Drug Discovery Doing, Really? | Science | AAAS 免责声明 : 本文所含的信息来源于文中可靠信源，仅供读者一般参考之用，不应作为决策依据，DrG的雍熙路对因使用本文内容而造成的一切损失，不承担任何责任。 部分图片来源于网络，如涉及版权问题，敬请联系我们以便采相应处理举措。 我们鼓励转发分享及合理引用本文内容，但请在引用时于明显位置标注文章来源。