AI藥物研發的機遇與挑戰新藥研發具有成本高、研發周期長、成功率低三大高風險性質。據《Natrue》報道，新藥研發成本約為26億美元，耗時約10年，成功率不到1/10。如何加速新藥研發進程，降低研發費用已成為各大制藥公司迫切需要解決的問題。此外，藥品流通環節及醫療價值鏈的轉變，迫使制藥公司降低價格，提升藥物價值。如今藥物研發累計的數據高速增長，藥物研發領域數字化轉型加速。因此，藥企的首要任務在于利用這些數據來驅動價值，達到提高藥品生產效率和審批率，并降低成本的最終目標。最近為學習和預測新特征而建立的人工智能技術，尤其是深度神經網絡（DNNs）或遞歸神經網絡（RNNs）等的進步，讓人工智能技術應用更為廣泛，社會自動化程度提速。在此大背景環境之下，與大數據、云計算相結合的人工智能技術在藥物研發中的應用日益增多，應用優勢也得到突出體現。AI+藥物研發應用情景與技術從1956年的達特茅斯會議開始，AI在藥物研發中的應用已有60多年的歷史，現在已滲入醫藥研發各個階段，但還主要集中在新藥發現和驗證階段。不過應用的技術已有很大進步，已從以前定量關系的（QSAR）和定量結構-性質關系（QSPR）的研究中的標記訓練數據集和模型進步到機器學習、認知計算和圖像識別等。現在，AI與藥物研發相結合應用的主要場景包括：發掘藥物靶點、挖掘候選藥物、高通量篩選、藥物設計、藥物合成、預測藥物ADMET性質、病理生理學研究及新適應癥的開發——老藥新用。其中靶點篩選是近期AI+藥物研發最熱門的領域，而兩者相結合的應用也將讓老藥新用達到新高度，但小分子藥物篩選和設計仍然占主要地位。但按照應用場景的發展速度來看，藥物合成未來或將成自動化程度最高的方向。這些應用場景常用的AI技術主要是機器學習、認知計算和圖像識別等。AI+藥物研發代表企業和布局領域AI+藥物研發代表性的初創企業有Exscientia、BenevolentAI、Atomwise、RelayTherapeutics晶泰科技、Numerate和IBMWaston和LamTherapeutics等。按照現有初創企業在治療領域的布局情況來看，腫瘤占比最多，而神經領域次之，而罕見病相關的企業也較多。因此，腫瘤和神經系統不僅是目前AI+藥物研發的布局重點領域，也是未來發展的潛力領域，而AI也將助力破解罕見病診斷難和藥物研發難的“兩難”境地。A1+藥物研發初創企業治療領域布局情況28biopharmatrendAI+藥物研發優勢及代表實例與傳統藥物研發模式相比，AI+藥物研發具有縮短研發周期，節約資金成本，提高成功率，充分利用現有醫療資源等優勢。據統計，傳統模式下的藥物研發光是臨床前階段可能就需要4-5年。而基于AI和生物計算的新藥研發管線平均1-2年就可以完成臨床前藥物研發，藥物研發明顯提速。自此，首個完全通過AI設計的藥物-渦輪增壓”的流感疫苗已經進入臨床階段。Pharnext公司利用AI技術開發的治療腓骨肌萎縮癥1A亞型的組合療法PXT3003已完成兩項III期臨床，且取得積極結果。2017年天士力也與Pharnext達成了合作協議。AI+藥物研發企業合作情況2019年9月11日，江蘇豪森和Atomwise宣布，雙方將合作設計和發現多個治療領域中多達11種未公開靶蛋白的潛在候選藥物。根據雙方合作協議，此次合作對Atomwise的潛在總價值將超15億美元。之前正大天晴通過與阿里云合作獲得一種全新的化合物篩選方法。據悉與傳統計算機輔助藥物設計方法相比，這套新方法可提高篩選準確率20%。再看全球藥企的合作情況，全球十大跨國企業均已入局AI+藥物研發領域，具體合作信息如下表所示。因此在AI+研藥物領域，初創企業布局平臺，通過技術合作盈利，而傳統大型企業通過合作或者戰略投資入局。在此趨勢之下，初創企業的涌現、合作和融資情況在2018年均達到了歷史最高，初創企業融資金額高達10.36億美元（未包括未公開項）。畫1爺企巨頭WAY初創企業含作實刪藥壷巨頭酬創業公司合柞內密BcrgHealth2015年針對藥物的右數性柏安全性進行預測強主Bcnc/oientA1201右年尚處于試驗階段的小分子優合物的挖掘膵瑞1醐Naston2CrU年利BWasterforDrDisGO曲ry云平臺’"Cl速栄痘腫瘤學中新藥藥物研發賽誥菲ierltiA2017年卄笈針對代謝莊病的現特異性小分子葯物.交易淚在價值為2.耗億美元.武田Nusisriate201?年探尋腫癥、胃廂和中扌區褸經系紐的少分子藥物Excelentia201T年針對協十疾務配點開發創新小丹子藍物，并發現I臨床慄選藥物■:交屛凈瓠為4和0萬黃元，基圉泰克GNSHaaFtticars2017年貝葉斯麻率厳測腫府學中的療這功效阿斯利啟BcrgHealih2017年尋找帕金森注育神渥疾病的主物範標和藥物融合雖子物理與人工智能.建蠱小分子藥梅模擔算1一來源：公開資料整理AI+藥物研發所面臨的機遇和挑戰來自TechEmergenee的一份報告顯示，人工智能可以將新藥研發的成功率從12％提高到14％，可以為生物制藥行業節省數十億美元。此外，據報道AI在化合物合成和篩選方面比傳統手段可節約40%-50%的時間，每年為藥企節約260億美元的化合物篩選成本。在臨床研究階段，可節約50%-60%的時間，每年可節約280億美元的臨床試驗費用。即AI每年能夠為藥企節約540億美元的研發費用。AI+藥物研發與傳統模式相比，時間和成本優勢明顯。現在，全球十大藥企已入局，而初創企業融資和合作也達到了歷史最高，領跑著已獲得高額融資回報，而優先布局的大型企業如羅氏也掌握了優質數據源。按此發展，未來AI+醫藥這一市場有著巨大的發展潛力。至2025年，AI+藥物研發的市場規模將超37億美元（不包括診療等）。但AI+藥物研發同樣面臨著不太樂觀的現狀及諸多挑戰。2019年4月,IBM公司因為財務業績低迷，決定停止開發和銷售藥物開發工具——Watson人工智能套件。作為醫藥健康領域人工智能的領跑者，也不得不面對財務業績低迷的狀態。此外，當下AI應用較為集中的靶點篩選方向，現已通過文獻分析等篩選出比已批準藥物更多的靶點，但是靶點的確證卻是一道難題，如何建立確證模型，又用什么來確證，人力財力是否跟得上，這也是需要思考的。另外，人工預測藥物的可成藥性，與通過試驗摸索得到的藥物相比，可信服度低。因為基于已不到2000個獲批藥物的數據集（質量未必高）來預測，這是遠遠達不到依賴高質量、有標識的數據集的深度學習的最基本的要求。而這也恰巧是AI在藥物合成方面的應用優勢。因此整體來看，AI+藥物研發真正意義的產出極少，大部分企業需要面對產出成果不足或者不優而導致財務狀況堪憂的現狀。因此，企業需要合理的定位產業鏈角色，選擇適合的創新商業模式。此外，AI+藥物研發的企業也面臨來自政策、人才、技術等方面的挑戰。新的技術的引進，讓原有藥物研發模式改變，監管人才、政策指南等均需要同步更新，而現在尚無針對性的政策指南出臺。就人才而言，高端復合型人才的缺失也限制了這一領域的發展。且AI多任務學習的“黑匣子”特征仍是深層神經網絡從復雜生物信息中提取關鍵關聯信息的阻力。未來需要政策監管同步提高，培養復合型高端人才，技術方面如自然語言處理實用化發展、知識圖譜的多維度應用，以及知識問答、分析決策和語義搜索等也需要較大提升。除此之外，對AI+藥物研發認知度和生物復雜性的理解提升也有待提高。在決定AI+藥物