2022：AI药物研发的回顾与趋势

2022年，AI药物研发是逐渐回归理性的一年，也是富有变化的一年，在追捧和质疑声中不断前进。

近日，行业媒体BiopharmaTrend针对2022年AI药物研发行业做了深度的回顾，并提出了主要的变化趋势。

01、人工智能在药物发现中的一瞥

当前人工智能（AI）的出现正在重塑各行各业，包括制药和生物技术。几乎每个科学组织都对采用人工智能驱动的发现平台表现出浓厚的兴趣，希望简化研发工作，减少发现时间和成本，并提高效率。

几乎所有大型制药公司，如强生、葛兰素史克、阿斯利康、诺华、辉瑞、赛诺菲、礼来等，都在人工智能技术方面进行了大量投资，包括股权投资、收购或与AI药物公司进行合作，同时建立内部研发团队。

与此同时，市场上出现的AI药物研发公司基本都是过去十年中成立的，已经构建并测试了专门的人工智能驱动的药物发现平台，它们已经建立各类AI药物研发平台，快速产生临床前和临床候选药物。

Alphabet、微软、亚马逊、IBM和腾讯等大型科技公司在人工智能和大数据技术方面拥有能力和专业知识，也正在进军药物发现领域。通过投资、创办初创公司、与生命科学公司合作、实验、创新......

最后，其他尖端技术包括量子计算、冷冻电镜、DNA编码库等也取得了重大进展，这些技术正在与人工智能趋势融合，不仅输出新型工具、产品和服务，还输出一波新的创业公司，甚至新的商业模式。

什么是人工智能，它如何促进药物研究？

“人工智能”指复杂的计算和建模系统，这些系统可以自动学习见解并从“大数据”、结构化和非结构化数据以及多模态数据中获得建议。

人工智能广泛应用于药物研究的各个方面，从数据挖掘、生物学建模和靶点发现到先导物识别以及临床前和临床研究。它还用于合成、试剂和研究耗材的智能搜索，以及智能实验室笔记本和虚拟助手等辅助任务。

目前市场上的主要玩家有：

1、400+人工智能驱动型公司：（初创公司/规模化企业），提供广泛的人工智能驱动平台和服务——从经典的软件即服务模型到定制数据科学服务、药物发现和临床试验支持/管理资源。

2、特定领域的软件提供商：例如KNIME、ChemAxon、Dotmatics等，主要专注于化学信息学/生物信息学软件，但也提供机器学习驱动的工具。

3、顶级制药和生物技术公司开发内部人工智能应用，作为其研发战略的一部分。这些公司经常与外部AI药物研发公司合作，探索药物发现/基础生物学/临床试验分析的试点项目。

4、谷歌、亚马逊和腾讯等顶级科技公司利用人工智能技术和大数据切入制药领域。

5、合同研究组织 （CRO） 开发人工智能专业知识，以增强其为制药/生物技术客户提供的价值。

6、制药/生物技术领域的学术实验室，进行人工智能研究并开发与行业相关的专业框架和工具（通常是未来人工智能初创公司/分拆的摇篮）。

7、开发适用于药物研究的人工智能即服务包和模型的非特定领域的软件提供商（例如“开箱即用的人工智能”）

8、开源机器学习工具和框架，被生命科学专业人士在其研究项目中广泛使用，例如DeepMind开发的AlphaFold。

AI 药物发现投资前景（2022 年）

2021 年是生物技术行业异常繁荣的一年，就风险投资交易数量、首次公开募股数量、大量成功退出以及股市表现而言，2022 年生物医药的金融活动显著降温，股市表现也非常糟糕。

然而，药物发现领域的人工智能表现出一定的弹性，至少在私募股权交易领域是这样，有几家公司获得了数亿美元的风险投资。

例如镁伽机器人科技（3亿美元C轮）、ConcertAI（1.5亿美元C轮）和Celsius Therapeutics（8300万美元A轮）、总部位于香港的Insilico Medicine（9500万美元D轮）、BigHat Biosciences（7500万美元B轮）和DeepCell（7300万美元B轮）以及其他几家公司。

并购（M&A）也在最近开始活跃，涉及生物技术巨头Ginkgo Bioworks收购Zymergen，此次交易Zymergen的估值为3亿美元。此次收购将Zymergen的机器学习和数据科学能力与合成生物学平台结合在一起。

02、主要行业观察和趋势

人工智能和数据技术的出现，以及新颖的计算工具和基础设施解决方案（数据库、云服务等），都在研究、临床和业务层面重新定义制药行业的运营方式。

基于 AI 的生物学建模和靶点发现

在药物发现研究中，确定新的药物靶点对于成功开发FIC药物至关重要。过去几十年的药物发现主要集中在靶向某些具有适当“口袋”的蛋白质，但是在所有人类蛋白质中，只有极少数蛋白质被定为靶标。

根据OMIM数据库，目前有20，360种人类蛋白质，其中已知约有4，600种参与疾病机制，约占在疾病中起作用的人类蛋白质的22%。

然而截至2017年，现有的FDA批准的药物实际上只使用了大约890种人类和病原体衍生的生物分子（主要是蛋白质）。基于人工智能技术的新型计算方法允许大规模识别新的可成药蛋白质口袋，允许蛋白质组范围的虚拟筛选。

先进的建模工具有助于识别和调节新型靶标，例如蛋白质-蛋白质相互作用、具有大接触面积的靶标、蛋白质-核酸相互作用和下一代靶标，例如利用细胞的蛋白质降解机制。

许多人工智能驱动的公司专注于生物学建模、发现和验证新的靶点，并向其他组织提供“疾病模型即服务”或“靶点发现即服务”。对这种合同研究服务的需求正在上升，这反映在越来越多的靶标发现合作伙伴关系上。

2022 年 9 月，以色列生物建模公司 CytoReason 宣布与辉瑞扩大 1.1 亿美元的合作。两家公司于 2019 年开始合作，当时辉瑞开始使用 CytoReason 的生物模型进行研究，旨在开发用于免疫介导疾病和癌症免疫疗法的新药。

2022 年 5 月，阿斯利康宣布从与 BenevolentAI 的合作中获得了第二个肺纤维化靶点，这一里程碑标志着BenevolentAI自2019年合作开始以来为阿斯利康发现的第三个新靶标。仅仅几个月后，即 2022 年 10 月，BenevolentAI 设法为阿斯利康的研发组合提供了另外两个人工智能生成的靶点，针对慢性肾脏疾病和特发性肺纤维化。

报告显示，靶点发现领域至少有182家人工智能公司，包括拥有尖端研发平台的领先资金雄厚的公司，如Insitro、Relay Therapeutics、Valo Health等。

总而言之，基于人工智能的高级建模方法有助于重新定义生物靶点的定义，试图将药物反应与遗传变异联系起来，了解分层临床疗效和安全性，合理化同一治疗类别中药物之间的差异，并预测患者亚组中的药物效用。

利用 AI 破解结构生物学

今年生命科学界讨论最多的人工智能相关话题之一是仍然是蛋白质结构预测。

2022 年 7 月，DeepMind 宣布AlphaFold 预测了超过 2 亿种蛋白质的蛋白质结构，包含世界上所有已知蛋白质。尽管不少人质疑AlphaFold对药物研发的实际贡献，但这一发现肯定是结构生物学的范式改变，并说明了人工智能在基础生物学研究中的潜力。

蛋白质折叠方面的重大技术飞跃可能对从头蛋白质设计更有用，而不是简单地对现有蛋白质的结构进行建模以进行药物发现。

最近，冷冻电镜加上人工智能技术催生了新一波的生物技术初创公司，如Gandeeva Therapeutics、Septerna和MOMA Therapeutics。机器学习不仅有助于加速和优化冷冻电镜管道，还有助于避免用户偏见陷阱。

使用 AI 开发小分子药物

在疾病建模和靶点发现之后，设计化学或生物分子是将人工智能应用于药物发现的第二大用例。在BiopharmaTrend AI报告中的384家公司中，有130多家人工智能驱动型公司将人工智能应用于设计候选药物。

人工智能驱动的药物设计主要分为三大类：从头（例如生成）药物设计、现有数据库的虚拟筛选和药物再利用。

从头药物设计主要由深度学习模型实现，例如生成对抗神经网络（GAN）。运用生成AI平台的公司包括Insilico Medicine、Iktos、Recursion Pharmaceuticals、Deep Cure等。

此外人工智能赋能超大规模虚拟筛选，能够筛选亿万分子并找到成功命中。2022 年 8 月，赛诺菲与 Atomwise 合作达成了一项潜在价值高达 12 亿美元的交易。根据公告，基于卷积神经网络的AtomNet擅长基于结构的药物设计，能够“快速，人工智能搜索Atomwise专有的库，其中包含超过3万亿种可合成化合物”。

最后，许多公司正在使用重定位策略进行人工智能药物发现，包括Healx、BenevolentAI、BioXcel Therapeutics。

主要使用自然语言处理（NLP）模型和机器学习，通过分析大量非结构化文本数据 ，例如研究文章和专利，电子健康记录（EHR）以及其他数据类型 ，来构建和搜索“知识图谱”，为以前的候选药物及获批的药物选择新的适应症或患者群体。

超越小分子的人工智能驱动药物设计

由于历史上小分子药物积累了更多的数据，此前早期基于机器学习的QSAR模型中与AI制药也颇有渊源，也让大多数药物发现领域的人工智能初创公司都专注于小分子药物。

按产品类别划分的AI药物发现公司分布

随着生物制剂和新型化学疗法在制药领域越来越丰富，应用基于人工智能的药物发现初创公司也在多元化。

在科学家于2003年破解人类基因组后，成药性和可开发性空间迅速进化。新型靶标如蛋白质相互作用、蛋白质-核酸相互作用和下一代靶标，如利用细胞的蛋白质降解机制，正在推动各种新兴分子模式的出现成为药物发现的重点。

例如越来越多的公司应用人工智能方法来发现新型单克隆抗体。2022 年4月，以色列公司Biolojic Design 宣布他们有史以来第一个计算设计的抗体进入临床试验。该公司利用AI模型在数百万个抗体-抗原对上进行训练，以从现有人类抗体中识别针对目标靶标的模板抗体。

2022 年 11 月，总部位于加拿大的 AbCellera Biologics 宣布，Regeneron选择行使其权利，将 AbCellera 首个针对未公开 G 蛋白偶联受体 （GPCR） 的治疗性抗体候选药物推进到进一步的临床前开发。

目前有二十多家公司正在使用人工智能发现抗体药物，包括美国的AbSci、BigHat Biosciences、Totient、Nabla Bio和Generate Biomedicine；总部位于加拿大的Deep Biologics；总部位于中国的NeoX；位于欧盟的Deep CDR、 Natural Antibody，和 MabSilico等。

一些在小分子领域取得成就的公司也在拓展其技术领域，如上市公司Exscientia现在正在扩展到生物制剂发现领域。2022 年 11 月，该公司宣布其人工智能平台将包括人类抗体的设计。Exscientia还在牛津建立一个自动化生物制剂实验室，以在内部产生和分析新型抗体。

第一批人工智能开发的候选药物进入临床

尽管AI彻底改变药物发现可能还为时过早，但几家AI药物研发公司已经显著提升药物研发的效率。这些公司都构建了一个专门的、高度集成的人工智能平台，包括许多模型和数据源。

一批成功进入临床药物表明，人工智能公司有能力更快地提出候选药物。AbCellera的单克隆抗体LY-CoV555在三个月内开发完成，并获得了FDA的紧急使用授权。BenevolentAI的知识图谱帮助该公司在几天内将Baricitinib确定为一种有效的COVID-19抗病毒药物（现已被FDA批准使用）。Insilico Medicine的小分子抑制剂ISM001-055用于治疗特发性肺纤维化，经过重新设计，并在18个月内（目前处于I期）进入后期临床前研究。

薛定谔开发了一种小分子SGR-1505，可在十个月内治疗B细胞淋巴瘤，目前正在IND申请过程中。

总部位于盐湖城的Recursion Pharmaceuticals在18个月内开发出一种针对未指定罕见疾病的候选药物。该公司拥有庞大而多样化的临床前和临床候选药物组合，并在其数字生物学平台的帮助下设计。

03、AI辅助药物研发的新兴趋势

未来：人工智能和机器人化实验室

深度学习模型非常渴望高质量数据，无论模型有多好，但数据质量和大小对于结果预测同样重要。生成高质量生物学数据的最有效方法是使用机器人技术。

如果我们将现代人工智能驱动的药物发现转型视为一个循序渐进的过程，那么广泛可用且相对具有成本效益的robotics as-a-service 将是人工智能支持的制药和生物技术研究工业化的最后一块也是关键部分。

一些公司正在构建标准化、高度自动化、可扩展且日益兼容的实验室设备，这些设施由基于 AI 的实验控制系统指导，并辅以 AI 驱动的数据挖掘和分析功能。这种“下一代”实验室设施正在远程提供给临床前药物研究实验人员，使临床前实验成为更具可扩展性和标准化的常规程序。

这一赛道正在疯狂吸引风险投资的青睐。2022 年 2 月，总部位于英国的Automata Labs筹集了 5000 万美元用于自动化实验室研究。2022 年 6 月，北京镁伽生命科技筹集了 3 亿美元，用于扩展其多样化的自动化人工智能驱动的远程实验室服务和机器人化设施。

远程机器人实验室的兴起是一个长期的行业趋势，是一种提供合同研究服务的新方式，对于长期采用以数据为中心的“人工智能优先”研究策略非常有益。

几家人工智能驱动的药物发现公司，如Exscientia、Insilico Medicine、Arctoris、Recursion Pharmaceuticals、Insitro等，已经建立了内部自动化实验室，以提高其内部数据生成能力，以训练他们的人工智能模型和建立更好的药物管线。

利用 AI 解决临床试验瓶颈

临床试验是药物开发工作流程的关键阶段，候选药物从1期到上市的平均成功率仅为11%。即使候选药物安全有效，临床试验也可能因资金不足、入组不足或研究设计不佳而失败。

人工智能（AI）越来越被视为提高临床试验运营效率和降低临床开发成本的技术。通常，人工智能技术公司在三个主要领域提供服务和专业知识。

第一个领域初创企业通过自然语言处理（NLP）帮助解锁来自不同数据源的信息，例如科学论文、医疗记录、疾病登记，甚至医疗索赔。这可以支持患者招募和分层、地点选择，并改善临床研究设计和对疾病机制的理解。例如，一项研究报道表明大约18%的临床研究由于招募不足而失败。

临床试验成功的另一个方面是改善患者分层。由于试验患者价格昂贵，因此能够预测哪个患者将从治疗中获得更显着的益处或风险至关重要。人工智能驱动的公司使用多种数据类型，例如电子健康记录 （EHR）、组学和成像数据，以减少人群异质性并提高临床研究能力。

人工智能也在简化临床试验的操作流程。AI技术公司帮助跟踪患者的健康状况，监控治疗反应以及患者对试验程序的依从性。通过这样人工智能公司降低了患者退出的风险，平均占30%。

通常，3期临床研究阶段需要1000-3000名参与者，其中一部分服用安慰剂。这就是为什么合成对照组的发展 - 可以取代安慰剂对照组的AI模型，从而减少临床试验所需的个体数量 - 可能成为一种新的趋势。

根据BiopharmaTrend AI报告显示，以上三个类别都有80多家公司，包括Owkin，PathAI，GNS Healthcare，Neurcuit，AICure和 Unlearn.ai。尽管生物技术投资环境整体寒冷，但对人工智能临床试验平台的需求以及该领域的投资都很高。

2022 年 3 月，ConcertAI 在融资 1.5 亿美元的 C 轮融资以扩展其用于癌症研究的软件和真实世界数据 （RWD） 解决方案后，估值达到 19 亿美元。

Saama是一家总部位于硅谷的公司，成立于1997年，但它在2015年筹集了第一笔风险投资。该公司已经筹集了超过 5 亿美元的风险投资。Saama提供多样化的解决方案：通过集中式数据分析和控制中心加速临床试验，包括实时数据处理功能；自动化数据质量功能；简化的监管提交功能，包括药物警戒分析和提交。

CRO领域的人工智能

在临床前和临床领域出现的新型AI CRO公司开始挑战传统的CRO公司。后者通过将人工智能纳入其对制药公司的服务产品中或与人工智能公司合作来补充他们的研究能力。

例如查尔斯河正在通过与Valo Health建立多年的合作伙伴关系来深入研究人工智能。查尔斯河希望利用Valo Health的深度学习平台实现从头分子设计到先导物优化的更快，更有效的过程。

去年，Charles River与Valence Discovery建立了战略合作伙伴关系，使CRO的客户能够访问Valence的人工智能平台，用于分子特性预测、生成化学和多参数优化。

艾昆纬多年来一直在投资人工智能功能，以增加临床试验和为客户提供的商业活动的价值。例如为了改善临床试验，艾昆纬于2020年启动了Avacare临床研究网络 ，使研究中心能够更快、更有效地匹配患者进行试验。该平台由人工智能算法提供支持，可以在19个疾病领域运行。

临床研究行业的一个重要趋势是进行虚拟临床试验，这是一个价值80亿美元的市场。COVID-19 迫使制药公司转向远程监控、改善患者登记、跟踪患者参与的应用程序、远程医疗、权力下放和其他保持试验运行的措施。

由于对此类解决方案的需求大幅增长，CRO 急于在其服务产品中添加虚拟和去中心化功能。事实证明，人工智能技术在创建和运行此类项目以帮助合成数据和加快临床试验过程方面非常宝贵。

科技巨头追逐药物发现和生物技术

前面提到的Alphabet的DeepMind和Meta在解决基础生物学研究难题方面的成功，比如使用深度学习和语言模型大规模预测蛋白质结构，只是冰山一角：几乎每个科技巨头都在布局生命科学领域。

参考链接：

https://www.biopharmatrend.com/post/615-pharmaceutical-artificial-intelligence-key-developments-in-2022/

—The End—