默沙东、辉瑞纷纷合作 大型药企融合科技公司加速研发

　　影视作品或许能促使制药商重新考虑定价，影响进口药物税率，推动国内医保改革，但对于新药的研发却无能为力。平常人可能难以体味等待药物的绝望，唯有局中人才能体会其中的心酸。

　　据2017年的评估显示，一款药物上市的成本高达30亿美元，而药物的研发时间至少也需要5年。

　　一般情况下，企业研发的十种药物仅一种能成功上市。这种高成本低成功率的投资阻碍了新药的研发，也抬高了新药研发的门槛。

　　一直以来，众多学者在为了改变药物研发的窘境而不懈努力，但新药研发速度提升缓慢。现在，AI技术的不断发展似乎为新药研发带了新的方向，或许可以改变这一暗淡的现状。

大型药企融合科技公司加速研发

　　近年来，众多大型药企通过并购、战略合作等方式将制药轨道引入智能化。一家企业采取合作可能是出于偶然，而众多药企纷纷行动则可见一斑。

　　由于人工智能的能力严重依赖于数据质量，众多大药企能够从其庞大的数据库中整理出有效的化合物、病毒、临床实验等信息。对这些珍贵的数据进行整理，进而涌现新知识，是他们急切的寻求科技公司合作的动力之一。

　　2015年，默沙东与美国的Atomwise合作，其开创性的AtomNet技术平台能像人类药物化学家一般逻辑思考，它每天使用强大的深度学习算法和超级计算机工具分析数百万的潜在疗法，从而加快药物研发进程。主要针对的是新药的有效性和安全性预测。

　　2016年11月，BenevolentAI与强生达成合作，强生把一些尚处于试验中的小分子化合物转交给了BenevolentAI，进行新药开发。

　　BenevolentAI的技术平台利用人工智能技术，从这些散乱无章的海量信息中提取出能够推动药物研发的知识，提出新的可以被验证的假设，从而加速药物研发的过程。

　　2017年5月，据GEN网站报道，赛诺菲与Exscientia签订了一项潜在价值为2.5亿欧元(约2.76亿美元)的合作和许可交易。这一交易旨在开发针对代谢疾病的双特异性小分子药物。

　　2017年6月，Numerate公司与武田药业正式签约，就使用Numerate公司的人工智能技术(artificial intelligence, AI)寻找肿瘤学、胃肠病学和中枢神经系统疾病的小分子药物展开合作。

　　2017年7月，大型药企葛兰素史克日前宣布，与英国AI企业Exscientia达成约4300万美元的交易。Exscientia会使用其人工智能平台，协助葛兰素史克药厂进行10款药品研发。

　　2017年，阿斯利康与Berg Health签署合作协议，利用Berg的AI平台发现帕金森等神经类疾病的新靶点。同时，2018年阿斯利康宣布与阿里巴巴合作，利用人工智能技术改善疾病诊断和治疗。阿斯利康内部也在尝试开发药物自动化发现平台。

　　Exscientia将负责所有化合物设计，赛诺菲提供化学合成。此外，赛诺菲保留了许可“相关化合物”的选择权，将承担未来的临床前和临床开发。

　　Exscientia将获得用于鉴定“靶点对”以及优先候选药物的研究经费，并有资格获得未来非临床、临床以及销售相关的里程碑付款。

　　IBM Watson与辉瑞达成了一项新协议，会将前者的超级计算能力用于癌症药物研发。

　　辉瑞将用上Watson for DrugDiscovery的机器学习、自然语言处理及其它认知推理能力，用于免疫肿瘤学(Immuno-oncology)中的新药物识别，联合疗法和患者选择策略。

人工智能能够从哪些方向为新药研发带来便利

　　从新药研发的流程入手，“AI+新药”主要可以从一下几个角度出发提高新药研发效率。

1、AI用于筛选生物标记物或靶点

　　以生物标记物或靶点作为“AI+新药”应用方向的企业数量最多，也是大药企的重点研究方向之一。

　　以Numedii为例，研究人员通过AI对上亿个经过标准化注释的生物学、药理学和临床数据进行分析，以获得候选药物和生物标记物。

　　最近的研究显示NuMedii的技术找到的抗抑郁药在小细胞肺癌试验模型中有效。一旦找到新适应症和在适当的临床前模型中得到证实，NuMedii还将就药物的新用途做制剂和给药的设计优化，来推进项目进入早期临床阶段。

2、AI用于构建新型药物分子

　　用AI构建新型药物分子存在一定难度，不同的企业构造药物的目的不同。一些企业尝试用AI技术帮助寻找某一药物不受专利保护的相似的化学结构，加速仿制药的研发，而Insillico Medicine研究靶标生物大分子的结构来进行药物分子设计。

　　该公司的GANs平台通过使用两个竞争神经网络模型，创建不同于真实数据的新数据，从而训练心得分子结构的方法，大幅减少寻找潜在药物特性物质的时间和成本。

3、AI用于新药有效性、毒副作用测试

　　此类公司为制药公司、创业公司和研究机构提供候选药物预测服务。Molplex公司研发了AI技术平台Optiplex，从大数据中提取疾病和化合物之间的联系，预测潜在药物的有效性和毒副作用，帮助选择最佳的候选药物。美国的Atomwise曾仅用一周的时间模拟出两种化合物用于埃博拉病毒治疗。

4、AI用于药物挖掘

　　药物挖掘的方式多种多样，其核心是运用NLP算法对海量的化学库、医学数据库和常规途径发表的科学论文进行扫描，识别新颖药物、药物基因和其他与治疗有关的联结，寻找潜在的药物新分子。

　　BenevolentAI通过深度学习和自然语言处理理解和分析大量的生物科学信—专利，基因组数据，生物医学期刊，和数据库每天上传的10,000多份出版物，现已获得了一定数量的临床阶段的新药物，以及相关专利的独家许可证。

5、AI用于基因分析

　　对于单一结构、海量的基因数据，AI能够有效的从数据中挖掘到有价值的信息，这是人类所无法做到的。

　　Engine Biosciences利用人工智能了解并测试基因的相互作用，分析产生的数据，破译复杂生物网络，测试针对这些相互作用的疗法，对精准医学应用进行分析与预测。Envisagenics通过AI帮助研究人员确定受到选择性剪接(包括癌症和遗传疾病中发现的)错误影响的基因。

6、AI用于新型药物靶点和组合疗法

　　Watson旨在帮助生命科学家发现新的药物靶点和替代性药物。可以帮助研究人员查看不同的数据集，通过动态可视化来发现药物与疾病的新联系。

　　将Watson的超级计算能力用于其研发新型抗癌药中，分析大量公开的可用数据以及公司自己的数据，不断假设药物靶点，然后实时交互得到有证据的结果。

　　主要用于免疫肿瘤领域新药物靶点的发现，组合疗法的研究，及患者的治疗策略。IBM Watson Health和辉瑞签署协议来加快研发新型抗癌药，已有化合物在临床实验阶段用于帕金森症的治疗。

7、AI加速临床试验

　　临床试验作为新药研发的最后一阶段，难度相对较小，但如果能加速临床实验过程，同样可以加速新药研发进度。为此一些AI公司选择了临床实验为突破点进行优化设计，如零氪科技就利用于大数据整合患者资料，加速临床试验寻找患者这一流程。

对整个研发流程进行成本控制

　　如果说加速研发是新药研发的躯干，那么成本控制则新药研发的血液。

　　新药研发是一个漫长，昂贵和带有偶然性的过程。上千个化合物要历经一系列验证，到最后或许可能只有一个是有效药物。

　　根据Tufts药物研发中心统计，每个新药研发成本大约25.58亿美元，周期大概十年，其中6-7年都是临床试验阶段，只有12%的药物可以通过临床验证。

　　另一方面，即使已经进入市场的药物也将面临仿制药或新其他企业新药的竞争。默沙东在2016年推出的健愈得子用作一种常见肺癌类型的首先治疗方案时拥有显著的疗效，其销售量在2017年大概增长了两倍，但随后罗氏制药和阿斯利康也纷纷推出自己的免疫肿瘤类药物，默沙东将再次面临严峻的挑战。

　　任何加速新药研发的手段都可以极大的刺激新药研发市场，研发周期的缩短将节省大量研发成本，同时加速产品迭代，新药市场将更具可替代性，竞争也会更加激烈。消费者可以从中收益，企业也不再像过去那样进行孤注一掷的投资。