AI+医疗报告：AI制药深度报告

今天分享的是AI+医疗系列深度研究报告：《AI+医疗报告：AI制药深度报告》。

（报告出品方：Q量子位）

报告共计：32页

技术篇

AI制药（AIDD, 即AI drug discovery）是指将NLP、深度神经网络，生成模型等AI技术与与传统制药环节相结合，通过数据交叉比对、加速筛选、从头生成等方式，提升新药研发效率，拓展药物创新空间的技术应用。在技术上会同时涉及计算生物学、计算化学、计算物理等方面。

目前而言，AI制药仍在传统制药的流程框架下进行（如下所示）。

目前，AI制药主要在药物发现与临床前研究两个环节发挥作用。我们将逐一介绍AI制药在两个领域的赋能效果。

药物发现环节

具体分为两大步骤，依次为靶点发现及验证(tarqet discovery& validation)和候选化合物发现。而后者则可以进一步区分为苗头化合物(hit)筛选、先导化合物(lead)发现和生成临床前候选药物(PCC)三个具体环节，分别生成的苗头化合物、先导化合物和临床前候选药物间可简单理解为逐轮优化与筛选的递进关系。

目前，由于底层AI原理与可用算法相对清晰，且可提供技术附加值的切入点较多，该环节是A1制药创企布局最为密集的环节。从技术上来看，虚拟筛选与端到端的化合物生成分别代表了A!在效率和创新上的优化效果。其中，虚拟筛选贯穿了候选化合物发现全流程，我们将在苗头化合物发现环节介绍端到端的化合物生成。

在引入了AI进行虚拟筛选之后，除了大幅提升化合物的筛选效率，也形成了新的药物研发方式——干湿结合。这一特点不仅在新药研发领域表现突出，也正有望成为计算生物学等计算模拟领域的新范式，为过往依赖于实验的研究及应用带来新的思路。

干湿结合的药物研发新方式

干湿结合是指由AI计算模拟所代表的干实验，和在实际中进行生物操作的湿实验相结合的研发方式。

首先，由计算机在虚拟空间中对化合物进行模拟/生成、预测和筛选。

随后，由干实验筛选得到的化合物将提交到实验室中，由研究人员进行合成、测试、检验等实际操作。通过湿实验，干实验筛选后的化合物将被进一轮优化筛选。

与此同时，湿实验数据将被反馈给A1，用于优化选代干实验模型。随后，AI将继续完成生成/优化选。

基于这种循环，只需少量针对性的现实实验，AI就能够不断的生成、选代，直到得到有理想活性的先导化合物。

除去提升效率和节约成本外，干温结合也是新药研发领城解决数据问题不足的一种方式，智能实验室的地位对于相关创企的长远发展有重要意义。我们将在产业篇对此详细讨论。

需要强调的是，上述以虚拟筛选为核心的流程更侧重于小分子药物，而生物药物的发现则需要关注生物大分子的表达以及合成(如蛋白质结构的预测对大分子药物的研发更为重要)。二者类似的地方在于，生物靶向药同样需要关注筛选和优化(例如融合蛋白的抗体的表达)，虚拟筛选的作用仍然成立。

从整体而言，A!技术更适用于小分子化合物。小分子化合物的化学结构在计算机表达上具有明显优势，且业界对于小分子背后的物理化学原理了解相对透彻。但随着Alphafold2对蛋白质结构的精准预测，对大分子生物药物的研发也有望加速开展。目前，在国外倾向于大分子药物研发的制药策略下，中国可能在小分子制药领域更具备发展潜力和比较优势。

临床前研究环节

临床前研究(preclinical development)阶段主要包含两项内容。整体而言，Al的赋能作用相对于药物发现环节已有明显降低，效率的理想提升效果大约在10%左右。

首先，相对于候选化合物发现，临床前研究相对更侧重药理作用的评估，需要通过在动物上(此前多为细胞实验)进行候选药物测试，来进一步测定候选药物的ADMET属性并进行针对性的优化。

ADMET 包含药物的吸收(Absorption)、分布(Distribution)、代谢(Metabolism)、排泄(Excretion)及毒性(Toxicity)五种属性参数。一般来说，应当集中在临床前研究完成。但为了提高药物研发的整体效率，降低后续研发失败可能，在相关软件的帮助下，ADMET预测已经贯穿了药物发现流程，用于辅助早期的虚拟筛选。在该部分，AI能够通过预测在动物及人体实验中候选药物的ADMET性质，提前做出修正优化，降低药物临床试验开发的投入。

另一方面，临床前研究还需要完成制剂、晶型的设计。AI将通过深度学习等方法，寻找理想的晶型结构、制剂等。在我国，已经出现了基于特定技术优势、专攻这些环节的创企。

完成临床前研究之后便可以递交临床研究申请(IND Enabling)，审批通过后进入临床实验。该部分共分为3期实验依次为1期FTlH，fist time in humans，用于验证该药物对人体无毒;2期POC(proof of concept)，用于证明该药物对于靶向病人确有治疗效果;3期multicenter trails，主要是在2期的基础上扩大临床患者数量及种类，在更大范围内验证药物有效性。完成临床实验之后，药物使可以进入审批上市阶段(该阶段也会包含临床四期实验)。当走完所有流程之后，AI制药产品可进入市场。

据业内人士透露，目前，国际上宣布进入临床阶段的A1驱动药物大多处在处在临床1期阶段，尚未进入关键性验证意义的临床2期。

在可用数据库维度及数量充足的前提下，辅以高效算法和充足算力，AI能够有效优化传统制药的高通量筛选和生成设计环节，分别体现了在效率提升和创新上的赋能效果。在具体讨论AI制药的技术价值之前，我们需要强调，在AIDD(AI-aided Drug Discovery)出现之前，计算机技术就已经在以CADD（Computer-aided Drug Discovery，计算机辅助药物发现）的形式参与药物研发。在今天，如果我们要讨论AIDD对于制药行业的技术提升效果，就应当首先明确CADD和AIDD在技术上的区别。

通过对比，我们可以看到，相对于已经成为行业底层的CADD，AIDD的核心赋能在于以生成为代表的创新方面，这也是业界大多把AI制药的真正价值定义为“think out of the box”的深层原因。其次，则是以虚拟筛选为代表，对传统流程的效率的提升作用，既包括更快的搜索速度，也包括对湿实验环节的节省。