2023年全球Top 10总融资额同比增长约65% AI制药获跨国药企重注加码

  • 2024-06-20 10:50
  • 作者:张珏
  • 来源:中国医药报

不论是削减销售费用,还是关闭生产基地、研发中心和批量裁员,缩减成本几乎是所有药企当下专注的课题。贝恩公司一项调查显示,40%的药企已经在2024年的预算中考虑了预期的节省,60%的药企已经制定降低成本或提高生产率的目标。


在此背景下,人工智能(AI)在药物开发、制造和商业化方面的作用,以及可能带来的效益提升再次被重视。特别是在过去两年的生成式AI热潮推动下,市场重燃了对AI制药公司的投资热情:2023年全球AI制药Top 10总融资额约为15.3亿美元,比2022年的9.26亿美元增长约65%,且更多涉及生成式AI蛋白药物、mRNA疫苗、基因编辑、非编码RNA等前沿领域。


表


跨国药企与AI制药公司合作加深


无论生成式AI如何被看作是医药行业提升效率,甚至是突破诊疗模式的重大机遇,最终能为AI制药付费并应用至实际开发与商业化的,还是大型跨国药企。


摩根大通医疗健康年会(JPM大会)期间宣布的交易事件,一直被视为医疗健康行业的关键风向标。今年初的JPM大会上,谷歌母公司Alphabet旗下的AI生物技术公司Isomorphic Labs宣布分别与礼来和诺华达成战略研究合作协议,两项合作潜在总金额近30亿美元。


2023年,赛诺菲宣布“Allin AI”战略,其官方招聘信息也显示,公司有多达100多个职位正在招聘AI人才,传统的药化分析职位需求远远少于AI药物发现职位。今年2月份,赛诺菲首席执行官Paul Hudson表示,赛诺菲在项目中采用的核心AI模型准确率预测高达80%,90%的疾病靶标均通过单细胞基因组学认证,75%的小分子项目通过AI和机器学习化合物设计实现。该公司或将成为第一家大规模AI驱动研发的跨国制药公司。


事实上,跨国药企对与AI制药公司的合作是充满热情的。2023年至今,几乎所有大型跨国药企都有和AI制药公司开展合作。相比早年间基础的化合物筛选,如今两方之间的合作内容更加丰富,包括靶点识别、候选化合物筛选、分子优化和临床数据管理等。不少合作项目瞄准了肿瘤学、神经病学、免疫学、炎症性疾病等医疗需求尚未满足的重大疾病领域;多个合作项目提到利用多模态数据库、整合分子学数据进行药物靶点识别,反映出多组学数据驱动的AI药物发现正成为趋势;有合作项目专门针对mRNA药物、基因编辑疗法的靶点识别,显示AI正助力新型治疗手段的开发;也有合作项目涉及利用AI简化临床试验数据管理和审查流程,显示AI正向临床开发后端延伸。


“跨国药企有资金、有数据,更有丰富的药物研发经验,但跨国药企一般不会自己开发所有工具,大多数情况下更倾向于使用专业公司开发的工具。”耀速科技创始人谢鑫解释了跨国药企大量与AI药物开发平台合作的现象,跨国药企普遍看好AI在药物开发中的应用,并将其视为提高效率、降低成本和加速药物上市的关键工具。如果AI制药公司能够有独特的技术解决跨国药企的痛点,并且帮助其理解AI制药平台的技术优势,往往会受到青睐。


对AI制药公司来说,与跨国药企的合作是其获取必要资源、加速药物开发进程和拓宽业务范围的机会。2023年1月至2024年2月,跨国药企与AI制药公司公开披露的潜在合作总额超过120亿美元(详见表)。


需要给AI制药更多耐心


AI能够快速完成药物筛选和化合物设计,目前,使用AI来设计分子是其在药物开发中的主要应用方式。AI设计的分子覆盖全面,同时成药性质更加均衡。


但是,AI能否提高药物开发的成功率还有待检验。进入临床试验阶段后,许多通过AI设计的分子药物开发进展缓慢或失败,效果不如预期,如住友制药和PsychoGenics公司利用Smart Cube平台开发的精神分裂症药物候选物Ulotaront的Ⅲ期临床试验失败。少数有所成就的管线,AI在其中的贡献是有限的。例如,武田60亿美元收购的TYK2抑制剂TAK-279(此前被称为NDI-034858)一度被热捧为“AI驱动的药物研发”,但事实上,这是Schrodinger公司和Nimbus公司参考百时美施贵宝发表的分子结构,通过自由能微扰(FEP)计算优化得到的。FEP计算可用来预测同系物的相对结合自由能变化,得益于近些年计算机性能的迅猛发展,已成为药物设计中研究自由能的主流方法。


Schrodinger公司认为,机器学习只能根据从训练数据中学到的知识建立预测模型,覆盖可能开发的分子总数的“极小部分”。药物发现的关键在于理解生物学机理和明确临床指标,正确提出问题比算法更重要,而生成式AI只能以新的方式结合它们已经知道的东西输出,不能进行全新的输出。


谢鑫表示,通过AI制药进入临床试验的管线还不够多,现有的失败案例还不足以判断AI制药对临床试验成功率的影响。AI制药管线的失败是研发过程中的一个自然环节,应当被视为学习和改进的机会。失败可以揭示AI模型的局限性、数据质量问题或特定疾病领域的复杂性,为未来的研究提供宝贵的经验。这也为未来行业整合高质量湿实验数据、高通量自动化实验室等技术和工具,完成AI、数据的正向反馈和闭环打下基础。通过这样的方式,药企可以进一步实现药物发现的工业化和数字化。


AI制药另一个为人诟病的问题是,几年前高价发行股票的多家Biotech如今在资本市场上表现不佳。不论是去年因被英伟达投资而获高光时刻的Recursion,还是和多家跨国药企都有合作的Exscientia,都在展示实际成果之前就受到过高的期望,导致股价表现不佳。


另外,早期的AI制药公司过度依赖数据驱动的方法来加速药物发现,但在数据稀缺的情况下,这种方法可能产生与已知药物相似或重复已知失败的化合物。现在,AI制药公司纷纷调整策略,转向个性化治疗或解决更根本的药物靶点选择问题,而不是仅关注药物优化。


20世纪80年代,刚刚问世的计算机辅助药物设计(CADD)并不被看好,但如今却已成为大型制药公司的标配。技术发展从来不是线性的,即使是ChatGPT,从最初的RNN模型走到今天也花了30年。有行业人士认为,AI制药目前的问题在于数据维度过高而数据又过少,如果高通量测定与数据收集技术能够跟上,将成为AI最擅长的领域。


蓝驰创投的沈远表示,AI是个巨大的变量,大模型在新分子生成领域有望成为游戏规则改变者,研发出一些传统方法无法解决的靶点的药物。但是依托现有的数据,AI能否生成人们想要的大模型还不得而知,尤其是生物医药研发中有多模态的数据,需要将其有效地整合起来。此外,不同公司的研发数据存在数据孤岛的问题,从头生成高质量的数据也需要时间。


未来,或许应该给AI制药更多的耐心。正如赛诺菲首席执行官Paul Hudson总结的,AI预示着药物发现的伟大时代,可以从根本上改变医学,但前提是我们能让它实现。(作者单位:动脉网)


(责任编辑:刘思慧)

分享至

×

右键点击另存二维码!

    相关阅读
网民评论

{nickName} {addTime}
replyContent_{id}
{content}
adminreplyContent_{id}