CytoReason Ltd.

2025年4月17日，专注于调研生物医药行业趋势和创新的BioPharmaTrend发布文章：Beyond Legacy Tools: Defining Modern AI Drug Discovery for 2025 and Beyond。以下是作者的核心观点：AIDD的核心理念并非通过使用更优模型或高级机器学习等技术来改进现有药物研发流程。虽然业内大多数公司目前确实专注于此类局部优化，但更好的筛选模型或分子对接技术只能带来边际效益提升，无法根本解决药物研发的核心痛点：从假说到临床结果的转化率低下，以及因意外毒性或疗效不佳导致的临床高失败率。AIDD的真正创新性与战略雄心在于：将现有主流药物研发范式重构为全新模式。作者建议将其命名为"整体药物开发（HDD）"。该模式从患者全维度数据建模出发（涵盖生物标本、分析样本、电子健康档案等现实世界数据），整合所有可用临床前数据和经验，在分子层面建立科学假说。继而逆推实施：沿着新构建的科学假说路径，通过药物设计与开发回归患者治疗场景，最终提升临床成功率。本报告目录引言：新框架AI药物发现：强调整体性AI药物发现：以构建软件为核心数据获取为王验证对AI药物发现平台至关重要2025年及以后的AI药物发现愿景引言：新框架2025年，对于新兴的一类由人工智能驱动的药物发现公司（以下简称“AIDD公司”），似乎仍缺乏一个完善可靠的定义。 本报告的目的是提出一个用于对AIDD公司进行分类的定性框架，该框架综合了定义这一领域领先企业的四个关键属性： 1. 在生物学研究中侧重于整体论还是还原论；2. 创建强大的人工智能平台（软件）；3. 数据获取的优先级；4. 技术验证（通过展现出发现新靶点的能力、快速发现和开发临床级候选药物的能力、平台合作的过往记录、科学出版物、专利等方面来体现）。我们将在下文深入探讨这一框架，但简而言之，其核心要点如下：核心价值点可归结为三个问题：计算平台是否足够扩展性强且稳健，能够通过改善研发流程、协作模式和日常决策来提升生产力？能否对生物学进行深度和广度的建模，以支持超越传统方法的科学决策？能否以可重复、稳定的标准化方式在全研发流程中实现上述两点？AI药物发现：强调整体性在我们探索新提出的理论框架时，一个关键区别逐渐显现：在当下人工智能驱动的技术背景下，我们在尝试建模和计算表征的对象，与早期计算工具通常处理的内容存在本质差异。理解这种转变的一个有效切入点，是思考传统软件与现代AI平台之间的概念鸿沟。那些开发于数十年前的传统软件至今仍在药物发现中承担特定任务，而现代AI支持的平台越来越被定位为端到端解决方案。尽管两类工具都发挥着重要作用，但它们的基础理念却大相径庭。简而言之，"传统"的化学信息学与生物信息学采用人工驱动的研究范式：化学信息学通过预定义的化学描述符（如分子量或logP值），结合统计方法和部分机器学习模型，应用在QSAR建模和分子对接等任务中；而生物信息学则运用包括降维技术在内的统计方法，来分析复杂的生物数据集（如基因组学、蛋白质组学），进而挖掘潜在药物靶点。这些方法以假设为导向，采用模块化设计，适用于规模较小、结构良好的数据集。从理念层面看，传统计算系统和简单机器学习方法在"生物学还原论"框架下表现出色（即使在今天其价值依然显著）。典型的还原论研究案例当属基于结构的药物发现，该范式主张通过调控特定蛋白质来破解药物研发难题（这一思路在某些情况下确实有效）。其对应的计算建模主要聚焦于单一任务场景，例如将配体置入蛋白质结合腔（分子对接），或者通过计算方法识别针对给定靶点的新型化学结构（基于配体的虚拟筛选）。Laozhengzz的“基于结构的药物设计流程图”，通过维基共享资源（CC by-SA 3.0）与之形成鲜明对比的是，当今最前沿的人工智能驱动型药物发现公司正在将研究提升至系统生物学层面。这类公司采用不依赖预设假设的研发范式，通过基于深度学习的分析系统整合多模态数据（包括表型数据、组学数据、患者数据、化学结构、文本及影像等），最终构建出复杂而完善的生物学表征体系（如"知识图谱"）。例如，美国波士顿英矽智能公司Pharma.AI计算平台的科学基础源于基于策略梯度的强化学习（RL）与生成模型的新型融合，由此实现多目标优化，以平衡效力、毒性和新颖性等参数。该公司表示，其靶点识别模块PandaOmics整合了来自超1,000万份生物样本（包括RNA测序和蛋白质组学数据）和4,000万份文档（如专利与临床试验）的1.9万亿个数据点，通过自然语言处理和机器学习技术发掘并优先排序新型治疗靶点。化学生成模块Chemistry42应用深度学习技术（包括生成对抗网络和强化学习）设计具有优化结合亲和力、代谢稳定性及生物利用度的新型类药分子。在临床开发阶段，临床试验预测系统inClinico利用历史与进行中的试验数据预测结果，为患者筛选和终点优化提供洞见。在算法层面，Pharma.AI采用先进的奖励塑造技术，可根据特定靶点特征或多药理学靶点对生成分子进行微调。此外，英矽智能重点应用知识图谱嵌入技术，将基因-疾病、基因-化合物及化合物-靶点相互作用等生物关系编码到向量空间中。这些嵌入特征通过受Transformer模型启发的注意力神经网络架构增强，聚焦生物学相关子图结构，优化靶点识别与生物标志物发现的假说生成。该平台实施持续主动学习与迭代反馈机制，通过新实验数据（包括生化检测、表型筛选和体内验证）对模型进行再训练，快速剔除次优候选分子并加强先导化合物发现，从而加速"设计-合成-测试-分析"（DMTA）循环。此外，平台的多模态数据融合技术整合了来自文献、专利和临床试验的文本信息，以及多组学洞见与化合物库资源。为此，自然语言处理（NLP）模型从文本源中提取相关生物学背景与副作用注释，并辅以表型筛选数据，实现对药物发现过程的全方位把控。读者可通过近期发表的论文《A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models》深入了解Pharma.AI平台的部分核心技术。另一个可归类为人工智能药物发现方法的典型案例是Recursion的OS平台。Recursion OS是一个整合多种技术的纵向平台，使该公司能够利用约65PB的专有数据，绘制并探索数万亿级生物、化学及以患者为中心建立的关系网络。根据Recursion官方说明，该平台将湿实验室自主生成或精选合作方提供的"真实世界"数据，与公司内部构建的人工智能计算模型集合"世界模型"相结合。目前，其规模化产生的湿实验室生物学、化学及面向患者的实验数据，为干实验室计算工具提供燃料，用以识别、验证和转化治疗发现洞见，这些成果又可返回湿实验室进行验证。Recursion OS由BioHive-2超级计算机驱动，该公司宣称这是目前生物制药企业全资拥有并运营的最快速超级计算系统。尽管在模型架构和工作流程上与英矽智能存在差异，但Recursion同样专注于核心目标：构建完整的生物学数字化表征体系，以此挖掘药物开发的关键洞见。递归操作系统平台的概念化表示Recursion OS的关键模型包括Phenom-2，这是一个拥有19亿参数的ViT-G/8掩码自动编码器（MAE），在80亿张显微图像上进行训练，据该公司称，在基因扰动可分性方面实现了60%的提升。MolPhenix是2024年神经信息处理系统大会（NeurIPS）最佳论文奖得主，它能预测分子-表型效应，相比基线模型有显著提升。MolGPS是一个拥有30亿参数的模型，在分子性质预测方面表现出色，并且整合了专有的表型组学数据，在22项药物吸收、分布、代谢、排泄和毒性（ADMET）任务中的12项上超越了基准模型。MolE在8.42亿个分子图上进行训练，在22项ADMET任务中的10项中处于领先地位。Recursion OS的一个有趣组件是一个知识图谱工具，该工具通过生物学和药物发现领域一系列复杂的相关主题视角，对Recursion OS发现的潜在信号进行评估，这些主题包括全球趋势评分、蛋白质口袋和结构、竞争格局以及临床试验等。这个知识图谱使研究人员能够进行“靶点解析”，即识别和验证小分子表型反应的分子靶点，从而将数百种可能性缩小到最佳靶点机会。一个较新的例子来自总部位于加利福尼亚州的Iambic Therapeutics公司，该公司成立于2019年。Iambic的团队开发了一个药物发现平台，该平台将三个专门的AI系统——Magnet、NeuralPLexer和Enchant整合到一个统一的流程中，从计算层面涵盖了分子设计、结构预测和临床性质推断等方面。Magnet通过利用受Iambic自动化化学基础设施约束的反应感知生成模型，产生可合成的小分子。这些分子随后被输入NeuralPLexer——这是一种基于多尺度扩散的生成模型，仅需以蛋白质序列和配体图为输入，即可直接预测蛋白质-配体复合体中原子的配体诱导构象变化。所得结构复合体能够反映靶向参与度和结合特异性。最终，Enchant采用经过多样化且噪声丰富的临床前数据集训练的多模态变换器架构，通过迁移学习预测人体药代动力学和其他临床效果，即便在临床数据有限的情况下仍能保持高预测精度。该架构实现了迭代式的模型驱动工作流程：候选分子在合成前即可通过计算机全流程完成设计、结构评估和临床优先级排序。最后值得注意的是神经退行性疾病领域的Verge Genomics案例。该公司开发的CONVERGE®平台是一套端到端闭环机器学习系统，将大规模人类来源的生物数据与预测建模相整合。该系统核心利用高维度多模态数据集，包括：超过60TB的人类基因表达和推断的基因关联数据、数千项基因扰动和ChIP-seq研究、数百万个蛋白质互作，以及来自渐冻症、帕金森和额颞叶痴呆等疾病患者的直接人类临床样本。这些数据用于训练机器学习模型，以识别和优先考虑具有更高转化相关性的药物靶点，避免依赖那些难以模拟人类生物学的动物或人工细胞模型。通过Verge自有的湿实验室设施，对这些模型的预测结果进行内部实验验证，形成反馈循环，持续优化生物学假设和模型性能。这种将患者来源的组织数据、机制基因组学与计算靶点优先级排序相结合的方法，旨在无需进行盲目的大规模筛选即可识别临床可行的候选药物。Verge自主开发的临床化合物完全通过CONVERGE®平台在四年内完成开发，包括靶点发现阶段。从概念上讲，"AI药物发现"（相较于"传统"计算系统）指的是现代化的计算技术架构——通常是多模态集成系统。这类系统能够对生物学进行整体建模，同时处理各类形式和规模的数据（分子、表型和临床数据，包括化学组学、文本、图像（如细胞染色）、电子健康记录等），或其大部分组合。生成式AI现代AI药物发现与传统计算工具的另一个关键区别在于生成能力。尽管英矽智能等公司在2016年率先使用生成对抗网络（GANs）进行生成化学研究——通过利用GANs建模复杂分子分布并提出新颖化学结构的能力；但自2017年Transformer架构和注意力机制的引入（特别是BERT和GPT等模型的问世），我们认为这标志着生成模型跨领域的范式转变。在具有里程碑意义的论文《Attention Is All You Need》发表后，我们将2017年视为生成式AI（涵盖化学和生物学领域）的奠基之年。这些最初由Google开创、后来由OpenAI、Anthropic、Mistral AI等公司发展的架构，展示了处理序列数据中长距离依赖关系的无与伦比扩展能力。通过在超大规模文本语料库上预训练（模型参数达数千亿甚至上万亿量级），并运用自注意力机制动态分配输入关系的权重，Transformer架构使GPT-3、GPT-4等大规模生成模型能够输出高度连贯且上下文精确的内容。诚然，"幻觉生成"仍是一个突出问题，但范式转变已至为深刻。该领域的先驱商业产品主要包括：面向文本到文本生成的ChatGPT，专注文本到图像生成的Midjourney，以及众多致力于文本到视频、文本到音乐转换的创新应用。实际可用的Transformer架构和大语言模型的出现，催化了计算化学与生物学领域对所谓"基础模型"的研发竞赛。简而言之，我们可用一个普适性框架来厘清传统计算机辅助药物设计（CADD）与现代人工智能驱动药物发现（AIDD）的本质关联：在探讨过"AI药物发现"试图建模的对象（整体生物学vs主流"还原论"）以及实现这一目标所需模型的特性后，让我们转向另一个关键维度——作为软件产品的AI平台"成熟度"。AI药物发现：以构建软件为核心头部AI制药平台与"伪AI"公司最显著的区别，就在于前者展现出明确的软件工程化导向。这个本应显而易见的事实，却在许多行业分析师、科技媒体观察家的评论中被长期忽视。我们应当要求AIDD公司必须能够展示其拥有一套稳健、自主的软件平台，该平台需支持关键功能——包括面向数据输入和参数调整的用户友好界面（GUI），以及可配置的机器学习模块（涵盖算法选择、超参调整和模型性能可视化等）。此类平台需将标准化数据输入管道（如组学数据、小分子化合物库或临床元数据处理）与支持动态模型训练、验证及迭代优化（如主动学习、强化学习循环）的后端组件相结合。此外，详尽的应用程序接口（API）文档对于与外部工具的互操作性至关重要，确保终端用户能实现工作流自动化并在软件组件间无缝交换数据。同时，一套完善的端到端解决方案应内置安全性保障、数据完整性措施（如版本控制、审计追踪、加密）及灵活的部署选项（本地或云端），以满足不同组织的需求。对于符合新兴框架所定义的“AI药物发现”平台，用户通常能够查看甚至试用其软件演示版。在某些案例中，如英矽智能、Schrodinger、OWKIN、Iktos、CytoReason、BenchSci等公司，用户可获取许可并用于内部项目。然而，我们发现绝大多数宣称从事AI驱动业务的公司并未公开其软件特性或提供实时演示的相关信息。在AIDD领域，企业软件平台的成熟度绝非细枝末节——它是根基所在。这是因为现尚无任何AI解决方案能仅凭一键操作就独立产出临床级别的治疗药物。尽管技术取得了显著进步，当今的AI系统主要扮演着智能副驾驶的角色——它们是辅助而非取代人类科学家专业能力的工具。鉴于这种辅助属性，AI系统的真正价值在于其如何无缝融入企业内部工作流。若要对研发效率和创新质量产生实质影响，软件不能仅局限于模型或接口的集合——它必须是一个成熟、可互操作且能在组织中规模化扩展的平台。缺乏此等软件成熟度，AI在药物发现中的承诺仍将主要停留在理论层面。AI药物发现公司虽横跨软件与生命科学两大领域，但其估值与对标体系仍以医药行业为核心。当前的评估重点聚焦于临床管线进展、监管里程碑及湿实验验证，而往往忽视诸如模型准确性、算法可扩展性、数据所有权和计算效率等软件驱动的关键指标。鉴于许多AIDD企业通过AI赋能平台、预测分析及专有数据集创造价值，其商业潜力也应采用软件行业方法论进行评估——例如AI-as-a-service模式收入、专有算法知识产权价值及云端可扩展性。更全面的对标框架应整合软件与医药行业标准，以更精准捕捉AIDD公司多元化的价值主张。数据获取为王我们预见2025年数据生成、整合与应用分析领域将加速发展——尤其在以下技术：新一代测序（NGS）、先进蛋白质组学、质谱分析、冷冻电镜、芯片器官系统及机器人化实验室。这些技术是构建更丰富、更全面的药物发现与转化研究数据库的基石。此背景下，Tempus等公司代表了一类更广泛的数据基础设施供应商。Tempus专注于临床与分子数据的聚合与结构化，并开发支持数据可及性与临床决策的软件系统。其平台被医疗机构及生命科学组织用于指导诊断、治疗选择及研究。随着生物医学数据的量与复杂性持续攀升，此类平台或将成为整合真实世界与实验数据集以支持AI驱动发现工作流的核心。早期如英矽智能、BPGbio、Recursion及近期崭露头角的NOETIK等AIDD公司，已将数据获取作为资产价值基石进行持续投资。例如，英矽智能于2022年12月推出的“第六代”智能机器人药物发现实验室，将AI决策系统与全自动化机器人模块相结合，覆盖靶点发现、化合物筛选、精准药物开发及转化研究全流程。英矽智能在中国苏州的第六代机器人实验室根据公司介绍，其Pharma.AI平台通过与六大功能模块的结合——涵盖自动化细胞培养、高通量筛选、下一代测序（NGS）和高内涵成像——实验室构建了闭环验证系统，用于新靶点验证、先导化合物优化，并通过高质量生物数据训练优化AI模型。另外的典型案例之一是Recursion基于65+PB医药多组学数据构筑护城河：包含表型组学、转录组学、蛋白质组学、ADME、活体验证组学、基因组学以及患者数据等多元数据集。通过每周进行220万次高通量实验（CRISPR-Cas9基因编辑技术+Brightfield成像技术）累积产生约36PB内部数据，形成生物医药领域最大的数据集之一，并运用AI模型进行生物解析。据公司独家访谈披露，其处理了22PB转录组学数据，并整合了来自Helix和Tempus的20PB患者数据，涵盖数十万案例的全基因组与外显子组测序。在细胞产业化方面，针对与罗氏/基因泰克合作开展的40个神经科学和肿瘤学项目，公司年产1万亿个hiPSC诱导神经元细胞构建"神经图谱"（Neuromap）。另一个例子是CytoReason通过整合海量公共/私有数据集（批量+单细胞转录组学、蛋白质组学、临床数据）构建统一AI疾病模型平台。该平台运用先进机器学习算法，在细胞分子层面解构治疗方案、患者群体与疾病机制，支持跨疾病/跨组织综合分析。第三个典例是Berg Health（现BPGbio）通过建立包含10万+临床注释人类生物样本库（生物液体/组织标本），驱动AI药物发现平台。公司对样本进行基因组学、蛋白质组学、代谢组学和脂质组学的多组学分析，通过NAi Interrogative Biology®平台运用贝叶斯人工智能算法解析高维数据挖掘生物标志物与治疗靶点，历史性促成多项成功临床试验。最新案例则是NOETIK通过策源临床级人类肿瘤样本构筑标准化生物样本库：严格质控缺血时间、坏死率、样本年龄等参数，并通过病理学家复核筛选。通过空间转录组学、全外显子测序和定制化蛋白面板建立多维数据集解析肿瘤-免疫微环境互作，采用空间随机排列组织微阵列技术降低切片假象干扰。NOETIK的数据基础这段庞大的数据流水线，结合其正在申请专利的工艺流程，使其能够创建高质量的自我监督训练数据集，为其人工智能引擎OCTO提供动力。OCTO专门用于肿瘤生物机制建模和预测患者特异性治疗反应。AI药物发现平台的验证至关重要最终，AIDD领域的核心可信度指标在于平台验证，通常需要展示可执行成果及不同应用场景下的可复现性。平台验证可通过以下方式的组合实现：1.推进内部新药研发管线：利用AI引擎辅助研发团队进行先导分子的发现、设计与优化，推动其完成临床前研究乃至部分进入临床开发阶段；2.与知名药企或生物技术机构合作：通过第三方机构使用专有数据集测试AI平台的预测能力与生成能力，此时公开里程碑成果的记录至关重要；3.通过公开软件演示/经同行评审期刊发表的概念验证研究及专利；4.定期在权威期刊发布AIDD实际应用案例。下方表格展示了AI制药领域中多家标杆企业的历史研发管线增长态势，包括BenevolentAI、Healx、英矽智能、Schrodinger、Relay Therapeutics、Recursion（2024年完成对Exscientia的收购）、Valo Health、Verge Genomics等企业。注：表格中上市公司数据透明度通常更高。对上述表格数据和信息图表进行解读可见，英矽智能在过去五年展现出显著的产品管线增长。具体而言，这家公司已启动了针对多种适应症的31个治疗项目：2021年提名了22个临床前候选药物，2022年又新增9个，其中共有10条管线获得新药临床试验申请（IND）批准。目前其治疗特发性肺纤维化（IPF）的头部项目，从概念验证到一期临床试验仅用了不到30个月的时间，当前正在美国和中国同步开展2期临床试验，另还有五个项目处于1期阶段。此外，多个临床资产已通过对外授权或与第三方合作开发模式实现价值，包括近期公布的里程碑付款案例。虽然这些成就突显出研发效率的大幅提升，但关键问题在于：这些成果是否确凿证明了AI技术——而非传统研发架构与合作伙伴关系——才是实现快速扩张的核心驱动力？Schrodinger的平台亦呈现出类似现象。尽管未被明确冠以"AI"标签，但其软件能力成功支撑了可观的管线开发规模。诚然，此类技术能通过加速靶点识别、优化先导化合物等方式提升决策效率，但这并不意味着能够"打印"成功分子。要判断人工智能的真实贡献，需评估这些平台能否在统计学意义上显著缩短药物发现周期，或提升研发成功率。更有说服力的验证维度或许是考察有多少第三方机构真正采纳并有效运用这些工具进行药物开发，从而形成外部反馈与现实效能的衡量标尺。除AI企业的管线数量外，观察头部玩家选择的靶点新颖性亦颇具启示：新药研发速度与成本近年来一些由人工智能驱动的药物发现公司所报道的数据显示（从项目启动到新药临床试验申报阶段），其临床前候选药物提名所需时间似乎比已知行业平均周期有所缩短。例如，英矽智能、Recursion和Exscientia等企业成功将原先行业标准的2.5-4年（即40-50个月）药物发现阶段，在某些案例中压缩至9-18个月。根据最新发布的行业基准值：英矽智能每个项目平均耗时12-18个月，仅需测试60-200个分子；Recursion能在18个月内推进候选药物，每个项目测试分子数低于200个。而与Recursion合并后的Exscientia宣称，其研发周期从传统模式的4-5年缩短至12-18个月，对150-250个分子进行筛选——这与传统方法形成鲜明对比，后者每项目有时需要测试3,000-5,000个分子。尽管这些看似加速的时间线尚未完全转化为临床成功。虽然一些由AI开发的药物已进入进行中的临床试验（例如来自英矽智能、Iambic和Recursion的项目），但也有相当数量因临床试验失败或战略调整而终止的案例。虽然AI计算工具可以更快预测有前景的候选药物（根据多方声明），但这并不能保证这些药物具备临床可行性、有效性或安全性。AI驱动项目筛选分子数量的减少也可能带来风险——过度收窄搜索范围可能导致关键的缺陷在后期临床开发中才暴露出来。除了研发周期，成本也是重要考量因素。虽然本项研究不涉及这类项目的成本结构，但英矽智能曾声称其部分AI设计的候选药物发现成本仅为"传统"项目的10%左右（该声明未经我们专门验证）。对AIDD投资者及利益相关方的务实建议：突破候选数量表象：单纯统计管道资产数量无法体现AI平台可能带来的增值价值。更快速的研发启动周期或更精准的淘汰率可能是更具说服力的指标。评估决策效率提升：聚焦AI显著缩短研发流程的环节——例如加速先导化合物优化阶段、改进靶点验证效率，或支持更高效的临床试验方案设计。审视外部验证成果：寻找第三方支持的生产力提升证据，例如合作公告、达成的里程碑事件或持续软件许可协议。开放授权或商业化的工具更便于进行竞争对标。考量环境影响因素：需认识到企业战略、资金实力和现有研发基础设施往往对管线产出起决定性作用。在未分析这些并行因素的情况下，难以单独评估AI的实际贡献。事实上反过来说：几乎不可能精确计算AI算法对实际药物开发过程产生的真实影响。2025年及以后的AI药物发现愿景通过近十年来对众多声称采用AI技术的药物研发公司的追踪观察（其间经历了技术进步、市场炒作和现实检验——例如所谓AI设计候选药物的临床试验失败），当前正是定义AI药物发现目标与方法的关键时刻，需要正视绝大多数企业仍处于探索阶段这一现实。事实上，AIDD的核心理念并非通过使用更优模型或高级机器学习等技术来改进现有药物研发流程（如基于结构的药物发现或虚拟筛选）。虽然业内大多数公司目前确实专注于此类局部优化，但更好的筛选模型或分子对接技术只能带来边际效益提升，无法根本解决药物研发的核心痛点：从假说到临床结果的转化率低下，以及因意外毒性或疗效不佳（有时源自欠佳的患者亚群选择）导致的临床高失败率。AIDD的真正创新性与战略雄心在于：将现有主流药物研发范式重构为全新模式。我们建议将其命名为"整体药物开发（Holistic Drug Development, HDD）"。该模式从患者全维度数据建模出发（涵盖生物标本、分析样本、电子健康档案等现实世界数据），整合所有可用临床前数据和经验，在分子层面建立科学假说。继而逆推实施：沿着新构建的科学假说路径，通过药物设计与开发回归患者治疗场景，最终提升临床成功率。尽管真正实现这一愿景仍需经年累月的努力，但已有多家创新企业正在为未来的工业化研发体系拼筑关键模块。时间将验证AIDD是否是实现HDD愿景的更优路径。对此，我们保持审慎乐观态度。参考资料：https://www.biopharmatrend.com/ai-drug-discovery-pipeline-2024/--------- End ---------感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

注：本奖项申报将于2025年4月30日截止近年来，人工智能（AI）技术突飞猛进。与此同时，AI技术的颠覆性突破，正从算法层面向产业深处渗透。AI技术的迅猛发展已深刻重塑医药行业，从药物研发到临床诊疗，乃至全球产业链的协同模式均经历颠覆性变革。AI工具通过机器学习（ML）与大数据分析，将传统药物研发的“双十魔咒”（十年周期、十亿美元成本）大幅压缩。回顾2024年，各大跨国制药公司（MNC）都在为AI制药按下加速键——从靶点发现、分子设计到临床试验优化，AI技术将大幅缩短药物研发周期、提高新药开发效率。那么全球巨头药企们在2024年具体有哪些AI制药领域的合作？他们在AI制药领域有着怎样的布局？医药魔方Pro挑选了2024年制药业务收入排名前十的MNC巨头（推荐阅读：2024年全球药企TOP10），收集、整理了他们2024年在AI制药领域的合作和布局，供读者参考。01. 辉瑞早在2016年，“宇宙大药厂”辉瑞就与全球AI领域知名公司IBM达成合作，使用Watson的ML等技术进行新药物靶点识别、组合疗法的研究和患者的选择。2018年，辉瑞任命了一位首席数字官——Lidia Fonseca，负责制定和实施“加速和提高公司数字能力的战略”，奠定了公司数字化转型的基础。此后的几年，辉瑞相继宣布与Adapsyn、晶泰科技、Atomwise、CytoReason、Gero、Tempus等AI制药公司达成合作协议，涵盖靶点发现、小分子药物发现、免疫疾病模型、抗体药物研发等多个方面。2024年8月，辉瑞任命Berta Rodriguez-Hervas加入其数字领导团队，担任首席人工智能和分析官（Chief AI and Analytics Officer）。TRIANA Biomedicines2024年10月15日，辉瑞宣布与TRIANA Biomedicines达成战略合作和许可协议，以发现用于多个疾病领域（包括肿瘤学）的针对多个靶点的新型分子胶降解剂。TRIANA Biomedicines的药物发现平台由高分辨率的结构信息、AI和计算工具以及定制的化学文库驱动。根据协议条款，TRIANA Biomedicines将获得4900万美元的预付款，并有资格获得超过15亿美元的里程款。（推荐阅读：超15亿美元！辉瑞“加码”分子胶）02. 默沙东默沙东是最早“拥抱”AI制药的MNC之一。公开资料显示，2012年，默沙东就与Numerate公司合作研发心血管疾病的治疗方法。Numerate主要是利用ML软件研发治疗神经退行性疾病、心血管疾病和肿瘤的新兴治疗方案，并致力于为开发小分子疗法的企业提供药物设计平台。近几年，默沙东分别与AbSci、BigHat Biosciences、BenevolentAI、Exscientia等AI制药公司达成合作。2024年是全球AI制药合作遍地开花的一年，对默沙东来说也不例外：Unnatural Products2024年1月24日，默沙东宣布与Unnatural Products（UNP）达成总额约2.2亿美元合作，将应用UNP在AI与化学上的专业来设计和开发针对肿瘤治疗靶点的大环类候选药物。Variational AI2024年1月25日，默沙东实验室宣布与Variational AI公司达成合作，将利用Variational AI的Enki生成式AI平台，设计创新和选择性小分子药物。Evaxion Biotech2024年9月26日，默沙东与丹麦AI制药公司Evaxion Biotech就两种临床前候选疫苗（EVX-B2和EVX-B3）达成了期权和许可协议。其中EVX-B2是一种基于蛋白质的淋病候选疫苗，EVX-B3靶向一种未公开的感染因子。Evaxion将获得最高1320美元的预付款。此外，Evaxion还有资格获得每个产品5.92亿美元的里程款，交易总金额近12亿美元。03. 强生近年来，强生已为其AI能力投入了数亿美元。华尔街日报称，强生聘请了约6000名数据科学和数字专家，这些专家不仅精通数据科学，还具备生物学、化学和药物研发等多领域的知识。此外，强生还拥有名为Med的大型数据库，包含超3PB的信息，涵盖真实世界数据和临床试验结果。这些数据为AI模型提供了丰富的训练素材，帮助加速药物开发。早在2013年，强生就与AI制药顶尖公司Exscientia建立合作，将Exscientia的设计技术应用于新化合物的发现。2020-2023年间，强生相继与英矽智能、Tempus、SRI International、Aqemia、Intellomx等AI制药公司建立合作。Odyssey Therapeutics2024年4月4日，强生旗下杨森制药宣布与Odyssey Therapeutics达成战略研究合作，共同发现和优化针对特定治疗靶点的小分子药物。两家公司将结合各自在AI、ML、计算化学和药物发现方面的专长，共同发掘难以成药靶点。BigHat Biosciences2024年4月24日，杨森制药宣布与BigHat Biosciences达成合作，这一战略合作将强生的药物发现、临床开发和数据科学专业知识，与BigHat的Milliner™平台相结合，后者是一套与高速湿实验室集成的ML技术，用于指导多个神经科学治疗靶点的高质量抗体的设计和选择。晶泰科技2024年10月10日，杨森制药宣布与晶泰科技下属部门Ailux Biologics签署大分子药物发现AI平台授权协议。根据协议，晶泰科技商业授权杨森及其附属公司使用晶泰自主开发的XtalFold™ AI平台进行大分子药物的发现和工程化设计。04. 艾伯维Alphabet（谷歌母公司）旗下的抗衰老研究公司Calico致力于了解衰老的生物学特性。艾伯维与Calico的合作关系始于2014年，艾伯维负责推动Calico研究发现的开发和商业化。2020年，艾伯维子公司Cerevel Therapeutics宣布与Cyclica开展研究合作，利用AI加速神经科学新药的发现。Cerevel将使用Cyclica专有的AI平台来筛选、鉴定、设计和评估针对神经科学疾病预先指定靶点的化合物。2023年1月，艾伯维宣布与Anima Biotech合作，利用AI发现和开发针对肿瘤学和免疫学靶点的mRNA生物学调节剂，Anima将获得4200万美元的预付款。2023年12月，艾伯维宣布与BigHat Biosciences合作，利用AI和ML发现下一代治疗性抗体。BigHat将获得3000万美元的预付款，并可能有资格获得高达约3.25亿美元的里程款。2024年，艾伯维又宣布一项AI制药方面的合作：Gilgamesh Pharmaceuticals2024年5月13日，艾伯维与Gilgamesh Pharmaceuticals达成合作协议，利用后者在新型神经功能重塑因子（neuroplastogens）的创新平台，共同开发新一代精神疾病药物。Gilgamesh Pharmaceuticals将药物化学方面的专业知识与AI发现和平台相结合，加速了新型精准精神疗法的创造。根据协议，艾伯维支付6500万美元预付款，19.5亿美元里程款。05. 阿斯利康在AI制药领域，阿斯利康的布局多元且深入。2017年，阿斯利康与Berg Health、Roivant等新一代AI和数据驱动型的公司合作，完成了在AI制药领域的试水。2019年，阿斯利康开启了新的战略方向：包括由数字、数据和AI驱动的未来医疗战略，并在内部进行了一次根本性的组织架构调整，数据科学和AI部门应运而生。2023年11月，阿斯利康宣布推出一家新的全球健康科技公司Evinova，正式进军AI CXO领域，为药企、CRO公司提供包括实验解决方案、研究设计和规划以及管线资产管理的三大类服务。同年，阿斯利康也大刀阔斧地进行AI革命，相继和SandboxAQ、Verge Genomics、Saama、Nanoform、AbSci等多家AI制药公司达成合作。Nabla Bio2024年5月14日，Nabla Bio宣布完成2600万美元A轮融资，同时与阿斯利康、BMS和武田达成战略合作，前期付款和里程款超5.5亿美元。Nabla开发了集成的AI和湿实验室技术，能够实现原子精度的药物设计和药物功能的高通量测量，公司的研究重点是针对多通道膜蛋白的抗体，包括G蛋白偶联受体（GPCR）、离子通道和转运体。（推荐阅读：同一天，AI制药新锐宣布A轮融资、与三家MNC超5.5亿美元合作）06. 罗氏现阶段AI药物研发的痛点之一是数据问题，罗氏是最早押注制药领域大数据的MNC之一。2018年，罗氏以19亿美元前瞻性收购肿瘤大数据领头羊Flatiron Health的全部股份。同一年，基因泰克与医疗数据化分析公司GNS Healthcare达成协议，使用其AI平台分析已知疗法在肿瘤中的功效。2021年，罗氏与拥有国家级大数据中心的天津港保税区结盟成为长期战略合作伙伴，共同开展包括个体化医疗研究等多方面的合作。2023年，罗氏宣布扩大与Shape Therapeutics（简称ShapeTX）的合作伙伴关系。双方的合作始于2021年8月，当时达成了总金额可能超30亿美元的合作协议。此次扩大合作，ShapeTX将利用其专有的AI RNA编辑平台，开发一种潜在的一次性疗法。Dyno Therapeutics2024年10月24日，罗氏宣布与Dyno Therapeutics达成第二项研究合作，开发针对神经疾病的下一代AAV基因疗法。双方此前于2020年10月宣布了一项针对神经疾病和肝脏定向疗法的研究合作与许可协议。Dyno Therapeutics是一家利用AI推动体内基因递送的生物技术公司。根据此次新合作协议，Dyno Therapeutics将进一步向罗氏提供其领先的平台和序列设计技术，促进体内基因递送。罗氏将向Dyno支付5000万美元的预付款，以及超10亿美元的里程款。07. 诺华与其他MNC类似，诺华在AI制药领域也经历了早期探索阶段。2017年6月，诺华与IBM Watson Health达成了合作，用AI技术来改善乳腺癌治疗方案。在此之前，诺华与Cota Healthcare也进行了类似的合作。2019年，诺华与微软合作，建立AI创新实验室，作为其AI和数据科学战略的重要一环。该实验室旨在增强诺华AI从研究到商业化的能力。其核心是创新的AI模型和应用程序，从生成化学、图像分割和分析开始，解决生命科学领域一些最困难的计算挑战。近年来，诺华不断深化对外合作与技术拓展，2024年相继宣布了多项AI制药领域的合作：Isomorphic Labs2024年1月7日，数字生物公司Isomorphic Labs宣布与诺华和礼来达成战略合作。其中与诺华的合作涉及三个未公开的靶点，Isomorphic Labs将获得3750万美元的预付款，并有资格获得高达12亿美元的里程款。Generate Biomedicines2024年9月24日，诺华宣布与Generate:Biomedicines达成多靶点合作，以发现和开发横跨多种疾病领域的蛋白质疗法。此次合作利用了Generate专有的生成式AI平台The Generate Platform，通过基于AI的优化和从头生成，创造潜在的first-in-class及best-in-class分子。根据协议条款，诺华将向Generate支付总计6500万美元的预付款，其中1500万美元用于购买Generate的股权。此外，Generate还将获得超过10亿美元的里程款，以及分层版税。（推荐阅读：超10亿美元！诺华“牵手”AI制药明星公司）BioAge Labs2024年12月18日，诺华宣布与BioAge Labs进行多年研究合作。该合作旨在通过研究驱动与衰老相关疾病的生物学机制和介导体育锻炼的有益作用，鉴定和验证多种新型治疗药物靶点。BioAge Labs搭建基于AI技术的高通量目标识别平台。根据协议条款，BioAge将获得高达2000万美元的预付款和研究资金，以及未来高达5.3亿美元的长期研究、开发和商业里程款。08. BMS在AI制药合作方面，BMS可以称得上是数量最多的MNC之一。2020年，BMS分别与Schrödinger（总金额27.55亿美元）和PsychoGenics达成合作；2021年，与Exscientia达成合作（总金额12亿美元）；2022年，与Envisagenics达成合作。2023年，BMS分别与CHARM Therapeutics、Tempus、Terray Therapeutics等多家AI制药公司达成了合作。2024年，BMS继续发力，与四家AI制药公司达成了合作：VantAI2024年2月13日，BMS宣布与VantA达成合作，借助生成式AI技术，加速分子胶的发现。此次合作将结合VantAI在几何深度学习方面的积累以及BMS在靶向蛋白降解剂开发方面的经验。根据协议，VantAI将有资格从BMS获得高达6.74亿美元的里程款。（推荐阅读：6.74亿美元！BMS“加码”AI制药，这次目标是分子胶）Nabla Bio2024年5月14日，Nabla Bio宣布完成2600万美元A轮融资，同时与阿斯利康、BMS和武田达成战略合作，前期付款和里程款超5.5亿美元。Nabla开发了集成的AI和湿实验室技术，能够实现原子精度的药物设计和药物功能的高通量测量，公司的研究重点是针对多通道膜蛋白的抗体，包括G蛋白偶联受体（GPCR）、离子通道和转运体。（推荐阅读：同一天，AI制药新锐宣布A轮融资、与三家MNC超5.5亿美元合作）Menten AI2024年5月28日，BMS宣布与Menten AI达成研究合作和许可协议。Menten AI是一家专门从事AI设计生成大环肽的biotech公司。合作利用了Menten AI平台，该平台结合了ML、基于物理的模型和量子化学模拟，以简化设计和优化过程。AI Proteins2024年12月3日，BMS宣布与AI Proteins达成合作，利用AI Proteins强大的发现平台发现和开发基于微蛋白质的新型疗法。AI Proteins将获得一笔预付款，交易总价值高达4亿美元。09. 礼来近年来，礼来通过一系列战略投资和合作，逐步深化了在AI制药领域的布局。2019年以来，礼来相续与Atomwise、Biolojic Design、Verge Genomics、Genesis Therapeutics、晶泰科技、Fauna Bio等多家AI制药公司合作，合作范围涵盖RNA靶向疗法、小分子药物开发和抗菌药物研发等领域。2024年10月，礼来宣布任命Thomas J. Fuchs为首席AI官（CAIO），标志着礼来对AI的重视上升到新的高度。同时，2024年，礼来在AI制药合作方面继续“加大马力”：Isomorphic Labs2024年1月7日，数字生物公司Isomorphic Labs（简称IsoLabs）宣布与诺华和礼来达成战略合作。其中与礼来的合作包括针对多个靶点的小分子治疗研究，Isomorphic Labs将获得4500万美元的预付款，以及高达17亿美元的里程款。Genetic Leap2024年9月5日，礼来与Genetic Leap达成基因疗法药物开发合作，将利用Genetic Leap的RNA靶向药物的AI平台，为礼来选定的靶点开发寡核苷酸药物。根据协议条款，除了分级特许权使用费外，Genetic Leap还将从礼来获得高达4.09亿美元的里程款。（推荐阅读：4.09亿美元！礼来与AI制药公司达成合作，共同开发寡核苷酸疗法）Axcelead DDP2024年9月5日，礼来与Axcelead Drug Discovery Partners（简称Axcelead DDP）就多个药物发现项目达成战略研究和合作协议。Axcelead DDP通过其成熟的药物发现能力和包括AI在内的创新技术来生产候选药物。Insitro2024年10月9日，礼来宣布与AI制药公司Insitro签署三项战略协议，双方共同推进治疗代谢疾病的潜在新药，包括代谢功能障碍相关的脂肪性肝病（MASLD）。前两项协议中，礼来为Insitro提供了获得GalNAc（N-乙酰半乳糖胺）递送技术许可的选择权。第三项协议中，Insitro和礼来将合作发现和开发针对代谢疾病的第三个新靶点的抗体。（推荐阅读：双赢！礼来与AI制药公司达成最新合作）10. 赛诺菲近年来，赛诺菲与多家专长不一的AI药企进行了深度绑定，如Owkin、Exscientia、天演药业、英矽智能、CytoReason、SandboxAQ、百图生科、Aqemia等。2023年6月，赛诺菲宣布，全公司数字化转型迈出下一步，“all in”AI和数据科学，为患者加速取得突破性成就。这也是第一家高调宣布全面高举AI战略的MNC。2024年以来，赛诺菲在AI制药领域依然动作不断：Formation Bio、OpenAI2024年5月21日，赛诺菲宣布与OpenAI、Formation Bio建立合作伙伴关系，以加速AI在药物开发中的应用，三方将共同构建一款AI驱动的药物开发软件。Healx2024年11月13日，赛诺菲宣布与Healx达成合作，双方将利用Healx的AI药物发现平台Healnet，以及赛诺菲的化合物来确定新的疾病适应症。小结除了上文提到的MNC，默克、吉利德、拜耳、勃林格殷格翰、武田等巨头也在2024年纷纷加码AI制药。合作范围极为广泛，不仅涵盖利用AI研发多靶小分子、抗体、ADC等药物，还涉及FIC靶点发现、集成AI平台等领域。2024年，AI制药迎来高速发展。从biotech到MNC，再到传统药企，都在更加积极拥抱AI，推动创新药研发迈向“智造”时代。这表明AI制药的影响力正在不断扩大，越来越多的制药巨头正凭借其强大的技术与资源优势，加速AI技术在药物研发中的应用，进一步推动整个行业的创新与变革。参考资料：[1]各公司官网[2]Business Wire官网推荐阅读专访晶核余海华 | 核药赛道“十二问”尧唐生物吴宇轩：基因编辑迎来「中国解法」医药魔方Pro洞察全球生物医药前沿趋势赋能中国源头创新成果转化媒体合作：15895423126Copyright © 2025 PHARMCUBE. All Rights Reserved.欢迎转发分享及合理引用，引用时请在显要位置标明文章来源；如需转载，请给微信公众号后台留言或发送消息，并注明公众号名称及ID。免责申明：本微信文章中的信息仅供一般参考之用，不可直接作为决策内容，医药魔方不对任何主体因使用本文内容而导致的任何损失承担责任。

2024年4月3日，BiopharmaTrend联合创始人Andrii Buvailo博士在BiopharmaTrend网站发表文章It’s Been a Decade of AI in the Drug Discovery Race. What’s Next。以下为全文内容。 2012年通常被视为深度学习革命的开端。 这一年，Alex Krizhevsky和他的同事在研究论文ImageNet Classification with Deep Convolutional Neural Networks中提出的深度学习模型AlexNet，在大规模视觉识别挑战赛ImageNet中获胜，彻底击败了其他机器学习竞争对手。 当年的另一个著名事件是，另一个深度神经网络在数百万个随机YouTube视频中自发识别出一只猫。谷歌神秘的X实验室的科学家们建立了一个由16000个计算机处理器组成、拥有10亿个连接的神经网络，他们从未告诉该网络要寻找猫，也未告知它猫是什么。而人工智能自行学会了识别，并标记出与猫脸相对应的像素模式。 虽然深度学习的概念早在20世纪60年代就已为人所知，但这项技术直到2010年才开始变得切实可行，这主要得益于计算能力的巨大进步，使得训练如此复杂的模型成为可能。此外，2000-2010年，用于训练的大型数据集（如ImageNet）日益增多，计算基础设施（如亚马逊的弹性计算云）也不断崛起，这些都是推动2010-2012年开始的深度学习革命的重要因素。 多年来，一些领先的人工智能药物研发公司的药物研发进展。详见下文。 注：2024年8月8日，Recursion和Exscientia合并，参见 两家顶尖AI制药公司合并，打造具备端到端能力的全球药物发现技术领导者 人工智能在药物发现中的历史轨迹 在BiopharmaTrend数据库《The State of AI in the Biopharma Industry》中记录的500多家人工智能赋能型药物研发初创企业和规模扩大企业中，超过80%都成立于2012年前后，即深度学习成为主流趋势的时期，这也就不足为奇了。 2012年 早期成立的人工智能公司包括Atomwise（基于结构的小分子筛选）、Exscientia（靶点发现和小分子设计）、AbCellera（基因组学驱动的抗体设计）和Flatiron Health（临床数据集成商和肿瘤学临床研究分析机构）。 2013年 一年后，出现了其他著名的人工智能驱动型企业，包括小分子药物发现领域的 BenevolentAI、Cyclica和Recursion Pharmaceuticals，以及生物技术领域的Zymergen。 2014年 人工智能领域的进展加速，这一年又出现了一个重要的里程碑，后来被当时Facebook的首席人工智能科学家杨立昆（Yann LeCun）称为 “过去20年里深度学习领域最酷的想法”。 2014年6月，Ian Goodfellow发表了一篇开创性论文，介绍了生成对抗网络（GANs）。这一突破性概念不仅改变了生成式人工智能领域，也为其发明者赢得了 “GAN之父” 的历史地位：他赋予了机器想象力。这一突破激发了下一轮的创新和药物发现创业，其中可能包括2014年成立的最著名的人工智能驱动型公司--Insilico Medicine。Insilico Medicine由Alex Zhavoronkov博士共同创立，率先将深度学习应用于小分子药物设计，随后又应用于靶点发现。该公司还采用了GAN技术，并随后构建了一系列基于GAN的药物发现计算工具，包括用于指纹识别的DruGAN、用于SMILE的ORGAN等。 根据我从Insilico Medicine收到的电子邮件信息，他们的大多数靶点都是新靶点或具有足够的新颖性，他们主要依靠其Pharma.AI引擎成功发现了新靶点和针对这些靶点的分子（详细管线信息见下表1）。 2015年 这一年，一家著名的人工智能公司XtalPi在麻省理工学院校园和中国成立，该公司从一开始就专注于将量子物理、人工智能、云计算和大规模机器人工作站集群相结合。有趣的是，该公司最初披露了一个内部管线，其中包括至少10个针对多种适应症的早期发现项目。不过，目前该公司只专注于合作伙伴关系和CRO服务。正如A-1申请文件所示：“我们已与生物技术公司、制药公司和学术机构建立了多项合作关系，合作方在肿瘤学、神经学、呼吸学和炎症性疾病等多个治疗领域开展研究。在某些情况下，我们至少保留对这些合作项目的部分所有权，通常在两位数的百分比范围内。我们不负责推进这些项目的临床前开发，只负责产生临床前候选药物”。 根据公司发送给BiopharmaTrend的电子邮件，XtalPi从未打算像其他公司建立管线那样开展这些项目。在推出一站式药物发现业务之初，公司就在内部启动了几个概念验证发现项目，以向客户展示能力并积累研发数据。目前，XtalPi提供由人工智能和（机器人）湿实验室驱动的药物发现解决方案（包括小分子和抗体），在为临床候选药物确定新分子的“0到1” 创新过程中发挥着更加突出的作用。 2015-2019年 在随后的几年里，许多以人工智能为核心的知名公司相继成立，以解决药物发现和开发的各个方面问题，其中包括Insitro、Relay Therapeutics、Valo Health、Verge Genomics等公司。我们应该提到一个值得注意的例外--总部位于纽约的人工智能药物发现公司薛定谔（Schrödinger），该公司成立于1990年，远远早于深度学习时代。早年，该公司以开发化学信息学解决方案和药物研究软件而闻名。在过去十年中，薛定谔也顺应了人工智能的潮流，大幅增加了产品种类，推出了基于人工智能的新工具，并最终建立了内部候选药物管线，拥有两个I期资产（表1）。 要想了解人工智能在药物发现和开发领域的市场，应该注意的是，BiopharmaTrend报告中记录的500多家人工智能初创公司中，有一大类并没有开发自己的候选药物，也没有内部管线。例如，榜单上许多成功的公司，如CytoReason（人工智能疾病建模）或BenchSci（人工智能驱动的科学试剂搜索引擎），都为人工智能在制药和生物技术行业的应用做出了有意义的贡献。但它们的重点是服务、软件许可和研发合作。制药行业的其他两大类人工智能初创企业包括药物再利用领域的企业（如Healx和Lantern Pharma）和临床试验领域的人工智能供应商（如Medidata）。在本报告中，我们只关注那些能够从头开始设计和推进候选药物（主要是小分子药物）并拥有内部管线的公司。 人工智能设计的候选药物浪潮 自2012年以来，数百家人工智能初创公司纷纷成立，并竞相建立各种药物发现系统，但这些努力所产生的首批临床前和临床候选药物的浪潮却姗姗来迟。例如，Insilico在2019年首次成为头条新闻，他们达到了一个显著的概念验证里程碑，在短短21天内预测出了一个名为DDR1的知名靶点的分子，并成功在体外和体内验证了预测结果。同年，总部位于多伦多的Deep Genomics宣布推出“业界首个人工智能发现的候选疗法” DG12P1，用于治疗威尔逊病。Deep Genomics的人工智能平台在18个月内精确定位了特定的基因突变，并帮助设计了一种化合物来纠正这种突变。 2020-2022年 2020-2022年前后，BenevolentAI、Exscientia、Insilico Medicine、Deep Genomics等公司的一系列临床前候选提名包括人工智能发现的靶点和分子，2022年前后，数十个人工智能生成的分子进入临床试验阶段。为了了解多年来人工智能发现的多种分子的进展情况，我们对一些最发达的人工智能药物发现平台进行了历史管线分析，其中包括（按字母顺序排列）：BenevolentAI、Exscientia、Insilico Medicine、Deep Genomics等，以及BenevolentAI、Exscientia、Insitro、Insilico Medicine、Recursion Pharmaceuticals、Relay Therapeutics、Schrödinger、Verge Genomics和Valo Health。 本分析不包括合作伙伴项目。 表1  2023年至今 2023年，第一波人工智能设计（或声称人工智能设计）的候选药物进入市场。正如公司代表在发给BiopharmaTrend的一封电子邮件中解释的那样，出现了一些人工智能设计的候选药物临床试验的挫折。其中包括Exscientia的癌症候选药物EXS21546，该公司出于战略管线优先顺序的考虑终止了该药物的临床试验。 住友制药和大塚制药合作开发的人工智能精神分裂症候选药物，在两项三期研究中的疗效未能超过安慰剂。住友制药的子公司Sunovion为该合作带来了化合物，然后使用PsychoGenics的SmartCube技术对这些化合物进行筛选，该技术利用计算机视觉来分析和定义接受潜在药物治疗的小鼠的行为。 除了负面数据，BenevolentAI的主打药物BEN-2293在特应性皮炎2a期研究中未能击败安慰剂，导致该公司裁员多达180人，并重组其产品线以节省现金。该公司的估值在2022年大幅下降，此后再也没有恢复，目前约为1.45亿美元（表2），与早些年的估值相比相差无几。 尽管创业多年，融资数亿美元，但一些人工智能公司尚未生产出任何临床候选药物。例如，根据Endpoints News最近对Atomwise联合创始人兼首席执行官Abraham Heifets博士的采访，该公司不得不削减“数百个人工智能发现项目”，最近只专注于几项资产的内部开发。目前，其所有候选药物都处于临床前阶段。 Insitro成立于2018年，由著名深度学习科学家Daphne Koller博士领导，是另一家在推进内部候选药物方面步伐看似“缓慢”的公司。在创业6年、筹集了6.43亿美元风险投资后，该公司只有3个候选药物处于发现阶段（表1）。尽管如此，Insitro与BMS、吉利德（Gilead）等公司达成了一系列强有力的外部交易，而且公司非常注重疾病生物学建模。因此，内部管线的有限性可以用不同的侧重点来解释，或许我们可以期待公司在不久的将来迅速扩大产品组合。 另一方面，业界也有一些“受人工智能启发”的成功案例。比如Insilico Medicine，在不到3年的时间里成功建立了由17个临床前候选药物组成的临床管线，令人印象深刻。其中一些候选药物目前已进入临床试验阶段，包括最近一个治疗特发性肺纤维化（IPF）的2期候选药物，5个针对不同适应症（包括肾纤维化、炎症性肠病（IBD）、免疫肿瘤学和COVID-19）的1期候选药物，以及大约12个处于后期开发阶段的临床前项目。值得注意的是，Insilico Medicine发现的大多数人工智能项目都是针对高新颖性靶点的first-in-class候选药物或针对中等新颖性靶点的best-in-class候选药物。该公司持续发现新靶点的明显能力源于其靶点发现引擎PandaOmics。  另一家领先企业Recursion Pharmaceuticals似乎在整体上不断取得进展，因为该公司采用了一种强大的多方面方法来构建其端到端人工智能引擎操作系统，以及高通量生物实验设施和机器人生产线。该公司拥有一个由两个I期和三个II期候选项目组成的强大管线，其中两个是从以前的开发商那里获得的内部许可。还有一个候选项目没有超过I期，被搁置了。但值得注意的是，根据Endpoints的文章，Recursion Pharmaceuticals并没有兑现该公司十年前宣传的利用人工智能“生产100种药物”的承诺。这说明，即使拥有最前沿的人工智能技术和研发基础设施，药物发现也是一项极具挑战性的工作。 2023年，Verge Genomics从其主要候选药物VRG50635的1期临床试验中获得了安全性和耐受性方面的积极数据，该药物有望成为所有形式ALS的最佳治疗药物。Verge Genomics利用公司的全人类人工智能平台CONVERGE™开发药物发现项目。 此外，FDA批准了A2A制药公司关于TACC3蛋白 - 蛋白相互作用 (PPI) 抑制剂A2A-252的新药研究 (IND) 申请，这也展示了人工智能在加速药物开发方面的潜力。A2A Pharmaceuticals利用其人工智能驱动的SCULPT计算平台，在4人精干团队和有限资金的支持下，成功推进了包括A2A-252在内的两个临床阶段项目。 药物发现领域的人工智能不断整合 药物发现领域的人工智能竞赛已经持续了十多年，如今我们看到了该行业整合的种种迹象。 在过去6年中，该领域发生了30多起并购事件。根据BiopharmaTrend报告，在药物发现、生物技术和临床试验领域，一些以人工智能为重点的交易包括：2018年罗氏以19亿美元收购Flatiron Health；2019年Valo Health收购Numerate；2020年Insitro收购Haystack Biosiences。9亿美元收购Flatiron Health；2019年Valo Health收购 Numerate；2020年Insitro收购Haystack Biosciences；2021年Genentech收购 Prescient Design；2022年Ginkgo Bioworks以3亿美元收购Zymergen；2023年BioNtech以5.49亿美元收购InstaDeep，以及Recursion Pharmaceuticals以约9000万美元的总价双双收购Cyclica和Valence Labs，等等。 下图概括了其中一些著名的交易： 另一个推动整合的因素是“大科技”巨头向生命科学领域的扩张，包括英伟达、Alphabet、微软等。它们利用自己在人工智能研究方面的尖端资源、世界一流的技术基础设施（软件、云、计算能力）和灵活的商业模式。 Alphabet子公司DeepMind在蛋白质建模领域的成功、Isomorphic Labs最近与礼来和诺华的合作、英伟达基于人工智能的Clara Discovery平台的出现（从药物设计到医疗保健研究）以及微软云在生命科学领域的应用，都广为人知。 正如Alex Zhavoronkov博士在《福布斯》文章中写道的那样：“我预测英伟达将在2024年推出其医疗保健平台，这样就不再需要新的人工智能药物发现（AIDD）公司了。新药研发公司将能够在云端、亚马逊或本地的英伟达GPU大规模集群上使用英伟达工具。这不太可能伤害到拥有端到端AIDD平台和重要验证的成熟AIDD企业，但会抑制几乎没有差异化的初创企业的形成，同时也会增加该领域的可信度。” Zhavoronkov博士继续谈到微软：“2024年，我们有望看到制药和生物技术领域的大语言模型（LLM）大规模增长，而微软是主要提供商。即使一些初创公司在基准测试中取得了优异成绩，并提出了新的模式，它们在大型制药公司中也没有机会。制药业非常保守，从新供应商那里部署生成式人工智能面临太多合规性和法律挑战。微软使在Azure云上使用最新OpenAI模型和实施复杂的人工智能平台架构变得非常容易。而且微软的业务遍布全球。我预测，许多内部-外部LLM架构都将建立在微软平台上。” 其次，根据BiopharmaTrend报告，风险投资公司越来越优先考虑数量较少的成熟人工智能药物发现公司，而不是新的平台公司，这是整合的迹象。 最后，“大型制药公司”和领先的生物技术公司越来越多地从外部合作转向建立自己的人工智能力量，这实际上减少了新型初创公司赢得研发资金的机会。大型制药公司越来越多地选择成熟的技术供应商和经过验证的人工智能作为药物研发引擎。 人工智能在药物发现领域的整合自然导致了一批独特的人工智能领跑者的形成--这些公司设法建立了足够的人工智能能力、稳健的商业模式，并赢得了大客户。从下面的表2中可以看出，与该领域的一些同行相比，包括Insilico Medicine、Recursion Pharmaceuticals、Schrödinger和XtalPi在内的几家公司表现出了强劲的财务实力。 表2 表3 展望未来 随着初创公司的进入门槛不断提高，药物发现领域的人工智能正在不断整合，但同时也为那些能够高效创新、筹集资金并利用新技术的新创公司提供了更多机会。 大型科技公司加入游戏 可以预见，微软、Alphabet和英伟达（NVIDIA）等大型技术供应商的影响力将越来越大，它们将越来越多地成为新创企业的引力点。例如，英伟达的Inception计划目前已培育了1800多家医疗保健初创企业，这些企业正在开发基于GPU的尖端工具，以优化运营、增强诊断和开发新型疗法。 2024年，预计制药和生物技术行业将大幅扩大对大型语言模型（LLM）的采用，主要是通过微软的Azure云，利用OpenAI的模型进行人工智能驱动的药物发现（AIDD）。尽管出现了一些具有潜在卓越LLM的初创公司，但制药行业内严格的合规性和法律框架有利于像微软这样的老牌供应商，因为微软为在全球部署生成式人工智能提供了全面的支持。AIDD市场的整合趋势预计将加剧，少数几家老牌实体将凭借其经过验证的平台和行业对采用新供应商创新的谨慎态度而占据主导地位。 “大药企”的人工智能试点时代已经过去 大药企的人工智能实力已经发展到可以在内部进行创新的地步，对外部试点项目的依赖程度也在降低。与周围所有人达成大量人工智能协议的时代已经过去。2024年及以后，我们可能会期待大型制药公司与最成熟的人工智能药物发现平台之间建立越来越多的战略合作伙伴关系。这种合作的范围和总报酬的规模都将不断扩大。现在，一些交易不仅包括未来里程碑付款和版税支付的承诺，还包括可观的预付款。 2023年9月，Insilico以8000万美元的预付款向加利福尼亚州的Exelixis出售了一种潜在抗癌药物的开发和销售权，并正在与上海复星医药合作开发另一种抗癌候选药物。大约在同一时间，Exscientia与默克集团（Merck KGaA）合作，专注于肿瘤学、神经炎症和免疫学领域的人工智能驱动药物开发，预付款为2000万美元，潜在的里程碑高达6.74亿美元，另外还包括所开发疗法的销售版税。 人工智能在临床试验中的验证 随着越来越多的人工智能药物研发公司的候选药物进入临床试验阶段，我们将对人工智能如何真正改变创新质量有更深入的了解。显然，人工智能可以加快研究速度，降低研究成本。但它能提高成功的概率吗？这还有待更详细的了解。 与此同时，值得一提的是，虽然人工智能在改变早期药物发现模式方面的作用仍有待验证和更多数据的支持，但人们已经感受到了人工智能在药物研发中的作用。在最近接受CNBC视频采访时，诺华首席执行官Vas Narasimhan分享了他对人工智能在药物研发中的愿景。他认为，在未来五年内，人工智能不会对药物研发的早期阶段产生影响（根据我们对Insilico Medicine、Recursion Pharmaceuticals和Schrodinger等几家领先公司的分析，我们并不完全赞同这一观点）。不过，Vas指出，人工智能已经对药物开发和临床研究产生了影响：例如，新的试验方案、与监管机构合作、处理大型患者数据集等。他估计，人工智能已经帮助节省了6-9个月的药物开发时间，这可以转化为显著的资金节省和加速。 数据是人工智能竞赛的新重点 最后，领先的人工智能公司已经认识到，生成和拥有自己独特的生物数据至关重要。这一认识标志着业界利用人工智能开发药物的方法发生了关键性转变。拥有最先进的模型和算法已经远远不够。能够生成或以其他方式获取和控制用于模型训练的大数据集（如全息、成像、电子病历等），已成为一个战略差异化问题。 一些公司，如Moderna、Recursion Pharmaceuticals和XtalPi，自然而然地发展成为数字生物技术公司，拥有人工智能控制的机器人高通量设施，可大规模运行临床前实验。 与此同时，人工智能的伦理应用也日益突出，国际社会正努力根据欧盟指令和美国行政命令制定指导方针，以应对安全风险，并在人工智能生成模型日益普及的情况下促进负责任的人工智能发展。 参考资料： https://www.biopharmatrend.com/ai-drug-discovery-pipeline/ --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。