在药物发现中采用AI技术：制药公司当下应该如何行动

包括多数全球顶尖制药公司在内的一批制药公司已尝试将AI应用于药物研发流程。

对于大多数制药公司来说，需要为AI在药物发现中的未来进行规划或作出决定。

2022年3月29日，波士顿咨询公司网站发表文章，讨论了AI在药物发现中的价值，建议制药公司在五个战略和操作轨道上采取长期行动。

前言

在过去十年的大部分时间里，人工智能已经在药物发现领域取得了进展。我们最近发表的一份分析报告显示，采用人工智能优先方法的生物技术公司有超过150多种小分子药物处于临床前阶段，超过15个已经进入临床试验（见Nat Rev Drug Discov｜小分子药物发现中的AI：即将到来的浪潮？）。这种由人工智能推动的管线一直在以每年近40%的速度扩张。

鉴于人工智能的变革潜力，制药公司需要为人工智能常规化应用于药物发现的未来进行规划。新的参与者正在快速扩大规模并创造巨大的价值，但应用是多样化的，制药公司需要确定人工智能可以在哪里应用以及如何将价值最大化。在实践中，这意味着需要花时间了解人工智能对研发的全面影响，这包括将炒作与实际成就分开，并认识到单个软件解决方案与端到端人工智能药物发现之间的区别。

认为人工智能可以通过一个新的工具或一个团队来交付，这可能是很诱人的。但从我们与许多公司合作的经验来看，情况很少是这样的。相反，实现人工智能的全部价值需要对发现过程进行改造。为了利用这一优势，公司必须在整个研发组织中对数据、技术以及新技能和新进展进行投资。他们可以从那些引领潮流的AI药物发现初创公司那里获得经验和未来旅程的路线图。

新一波药物发现的价值

人工智能可以通过四种方式为小分子药物发现提供价值：获得新的生物学知识、获得改进的或新的化学知识、更好的成功率以及更快、更便宜的发现过程。该技术可以解决传统研发中的许多挑战和限制。每一种应用都为药物发现团队带来额外的见解，在某些情况下，可以从根本上重新定义长期存在的工作流程。由于这些技术适用于各种发现场景和生物学目标，因此理解和区分不同的使用场景是至关重要的。(见图1）。

历史上的大部分进展都是由为制药企业提供软件或服务的人工智能原生（AI-native）药物发现公司引领的。这些公司利用数据和分析，在价值链的各个环节改善一个或多个特定的场景。场景包括使用知识图谱的靶点发现和验证，以及使用生成神经网络的小分子设计等。大型制药公司已经能够通过伙伴关系或软件许可交易获得这些能力，然后将其应用于他们自己的管线。

在过去的几年里，几家人工智能原生药物发现公司建立了自己的端到端药物发现能力和内部管线，推出了一个新物种的生物技术公司。此外，这些公司中的许多人也在探索创新的商业模式。例如，Atomwise和Schrödinger成立了一家共享投资组合的合资企业，Roivant Sciences收购了Silicon Therapeutics以结合不同的平台技术。

AI药物发现公司从传统的服务和软件模式转向资产开发伙伴关系和管线开发，导致了投资的飙升。在过去的五年里，第三方对人工智能药物发现的投资每年增加一倍以上，在2020年突破24亿美元，在2021年底达到52亿美元以上。这些数字不包括制药公司对其内部能力的投资和科技巨头的投资，这些巨头也积极将其人工智能投资扩大到生物学和药物研究。例如，Alphabet最近在其DeepMind人工智能业务的人工智能突破的基础上推出了Isomorphic实验室，Nvidia投资了人工智能工具和应用程序的Clara suite，百度的人工智能药物发现部门与赛诺菲达成了一项重要协议。

人工智能对传统药物发现的影响还处于早期阶段，但我们已经看到，当分层进入传统流程时，人工智能可以大大加快或以其他方式改善个别步骤，并减少运行昂贵实验的成本。事实上，人工智能算法有可能改变大多数发现任务（如分子设计和测试），只有在需要验证结果时才需要进行实验室实验。

人工智能优先的模式

以人工智能为基础的生物技术公司提供了这种人工智能优先模式的一瞥。许多公司已经将能力从头到尾叠加起来，重塑药物发现和开发过程，并利用重新定义的价值链的运营优势。为了加速发现并确保他们专注于具有竞争力的差异化能力，这些人工智能生物技术公司通常建立一个合作伙伴的生态系统，包括学术研究人员提供靶点专业知识，CRO进行湿式实验室实验，以及其他行业合作伙伴共同开发并将资产商业化。

利用生态系统的方法，一种新兴生物技术公司已经建立了人工智能能力，包括精准定位、生成和优化临床候选药物，以及基于预测最好的治疗方法（使用患者样本）来进行临床试验优化。这类公司确实具备内部实验能力，但重点是生成数据以支持其人工智能模型，并在选定的治疗领域为内部资产建立专业知识。在其他领域，它通过伙伴关系获得更广泛的科学专业知识和临床经验。

另一种人工智能生物技术公司已经建立了一套产品，包括多组学靶点识别和化学平台，以及临床试验预测工具。结合来自CRO的化合物合成服务以及来自学术界和大型制药公司合作伙伴的专业知识，这些工具使该公司能够将确定三个临床前候选药物所需的时间缩短到12至18个月，而传统企业通常需要3至5年。

控制整个人工智能发现过程的公司拥有支撑其资产的知识产权。他们利用合作伙伴的网络（包括CRO和CDMO），但保留分子所有权。他们的资产有可能通过对外授权、合资企业（通常在临床概念验证后）和治疗药物的营销而具有重要的商业价值。日益成熟的人工智能优先模式，加速了AI药物发现公司从软件或服务提供商向自身拥有资产的生物技术公司的转变。

虽然距离我们看到人工智能发现的或合作伙伴开发的资产进入市场还有一些年头，但我们的分析显示，在过去五年里，这些治疗方法进入临床前试验的浪潮正在形成，预示着临床试验也会出现类似的浪潮。即便人工智能技术的成本和时间优势实现了哪怕一小部分，这将从根本上重塑发现的经济性，使制药公司能够进行更多的"射门"。

制药公司的路线图

药物发现方面的人工智能革命不会在一夜之间发生。即使人工智能驱动的创新显示出令人印象深刻的结果，成熟的制药公司仍有许多优势。这些优势包括资本、科学专长、开发技术和经验、监管专长，以及成熟的品牌和商业团队。然而制药公司目前的壁垒正在被侵蚀（处于早期）。大规模的筹资和成本较低的体外工作正在降低初创公司发现项目的资本障碍。同时，AI药物发现公司正在用科学家和医学专家充实他们的队伍，逐一复制大公司的优势。

把这两个世界的优点结合起来是可能的，尽管并不容易。根据我们的经验，变革经典的药物发现过程和实现人工智能的承诺需要在五个战略和操作轨道上采取长期行动。(见图2)。

人工智能愿景和战略

公司需要制定一个人工智能路线图，确定具体的、高价值的场景，与具体的发现计划相一致。重点和优先级是关键：公司应该确定少量的场景（通常是五到七个），分布在各个项目或发现阶段。这些场景应直接反映公司的研发战略或财务目标，否则，人工智能将被视为一个副产品。场景必须得到高级领导层的支持，以及来自发现和开发团队的"推动"。

数据和技术

不要等到大型数据和技术平台出现后才开始行动。在建立一个完整的工具或平台之前，专注于获得算法的概念验证：证实它有能力从特定科学背景下的数据中提取有价值的见解（最低限度的充分分析）。如果这些见解有足够的价值，就可以投资于工具的产业化，并增加一个更友好的用户界面。

例如，一家公司在大约10周内开发了一个基于人工智能的工具，用于根据现有的内部数据和外部可用的稳定性数据的组合来优化蛋白质的配方条件，这是对算法的概念验证作出go/no-go决定的典型时间框架。这样的方式可以帮助在整个组织中嵌入数据治理和清理过程，为下一个应用打下基础，当没有确定的投资回报率时，公司可以迅速重新部署资源。

外部人工智能伙伴关系

伙伴关系是并将继续是加速采用人工智能主导的发现技术和创造强大价值主张的有效途径。鉴于现有的生物和化学目标的丰富性，药物发现不是一个零和游戏。事实上，在人工智能药物发现中投入的资金、人才和新数据的数量，远远超过任何一家公司可以自行投入的数量。

不过，制药公司将需要采取新的行为和工作方式，以成为人工智能参与者的首选合作伙伴。问问自己这样的问题：你在多大程度上能让自己快速、安全地与外部组织分享数据？你有开放和科学合作的文化吗？通常需要多长时间才能谈妥并启动一个伙伴关系？这些因素可能看起来并不关键，但对于可能有选择地与之合作的潜在伙伴来说，它们可以产生很大的不同。

如果你已经建立了伙伴关系，请评估迄今为止他们所揭示的经验教训以及瓶颈问题。从你的合作伙伴那里寻求反馈，如果他们经营你的投资组合，他们会采取什么不同的做法。

内部人才管理

即使你不在内部建立应用场景，你也需要数字化人才来帮助指导与合作伙伴的项目，并对潜在的合作伙伴进行充分的调查。数据科学家和工程师是一个不同的物种，并不总是能整齐地融入以医疗为重点的组织和文化。一些公司专门为稀缺的数字化人才制定了一个员工价值主张。为了帮助留住这些员工，它确保将新员工分配到高知名度的项目中，并推广其结果。这些努力使该公司从财大气粗的科技公司和其他提供高增长潜力的股权待遇的公司中脱颖而出。

但制药公司需要的不仅仅是软件和数据科学技能。他们还可能需要对高级决策者进行培训，了解人工智能生成的建议是如何达成的。医学科学家必须熟悉（但不一定流利）所需的分析方法，以了解和测试算法中出现的内容。

文化和工作方式

除非公司调整他们的流程以适应计算工作的更快节奏，否则他们将不会获得人工智能的好处。在许多情况下，这涉及到更少和更短的先导物识别和优化周期。因此，公司可能会比过去平行运行更多的发现项目，需要转变文化和工作方式。例如，公司可能需要增加投资组合委员会的审查频率，以满足人工智能驱动的工作流程的速度。他们将需要投入时间，回答决策者的质疑并获得对产出的信任。新的基于人工智能的治理模式将可能是必要的，以确保偏见被系统地调查并从人工智能主导的流程中删除。

实验室工作的主要功能（经典药物发现的基石）也将发生变化。实验工作将从主要角色变成辅助角色，集中在需要验证计算药物发现结果的领域（例如为了监管目的）和人工智能技术（尚未）可靠工作的领域。还需要进行实验，以填补数据集的空白，使人工智能过程更加强大。

制药公司现在可以做什么

为了开始工作（或继续正在进行的探索），制药公司应该考虑几个关键步骤。

创造一个清晰的战略愿景和雄心

决定在哪里应用人工智能，并明确你所期望的变化。确定是使用人工智能来优化当前的发现过程，还是使用人工智能优先的模式来改造发现项目。清楚地定义你所寻求的结果，无论是明确的成本和时间节约，还是产生新的靶点，或者在以前"无药可及"的疾病上取得进展。如果目标不明确，就有可能使个别举措最终成为潜力有限的工作台实验或影响较小的试验案例。同样重要的是要记住，形势正在迅速演变，所以你的愿景和雄心应该定期重新评估。

设定一个行动路线图

公司应在12至24个月的时间框架内，确定并优先考虑少数高价值、高影响力的场景。理想情况下，这些场景将建立在现有的发现或临床开发工作上，在这些工作中，人工智能可以加速与战略愿景一致的预定结果。

应尽量减少"测试"和"评估"人工智能的影响的举措，因为这些举措往往是基于对新方法的怀疑态度。相反，将人工智能路线图调整为确定采用和扩展的机会。在挑选场景时，关键是要区分三种类型的开发：最适合内部开发的，可以用第三方服务或软件实施的，以及需要外部合作伙伴的。关键问题包括：我们在哪里有数据优势？我们在哪里展示了内部价值证明？我们在哪里已经建立了必要的科学、人工智能和机器学习能力？

要大胆但不要低估变革的阻力

扩大人工智能的规模可能是一个挑战。团队往往被固定在既定的流程中，对多年来被证明是成功的工具感到满意。公司需要在整个工作流程或资产中考虑使用人工智能。例如，不要简单地将预测工具添加到现有的先导物优化流程中，考虑将多个人工智能场景纳入端到端的新资产发现流程，这就需要重新思考如何部署传统治理模式。将整个组织带入这个旅程也是至关重要的。管理层应该从一开始就强调变革性的研发雄心，分享价值证明和内部团队的经验教训。

结语

人工智能提供了重大的技术进步，可能代表着药物发现和最终临床开发的范式转变。我们相信，现在感觉像海啸一样的进步将迅速成为发现速度、新颖性和商业潜力方面的支柱。

许多场景已经成熟到可以很好地理解其影响的地步。大胆行动，用一个明确的战略，在你的发现工作中重置一些关键的机会，可以使你走上正确的道路。迅速行动的公司将是最大的赢家。

参考资料

https://www.bcg.com/publications/2022/adopting-ai-in-pharmaceutical-discovery

https://www.ebi.ac.uk/about/news/perspectives/ai-drug-discovery/

--------- End ---------