制药公司的AI标签，要还是不要？

近期AI制药的消息有些割裂：一面是Recursion拿了AI当红炸子鸡英伟达的5000万美元，另一面，被认为是“AI制药明星公司之一”的Schrodinger薛定谔声称他们并非AI公司。

资本市场自2022年起对技术平台型Biotech热情消退，AI制药公司一直距离证明革命性能力和广阔商业模式还有一定距离，且制药产业一直对AI的真实效用持保留态度。英矽智能（Insilico Medicine）首席执行官兼创始人Alex Zhavoronkov曾表示：“大约10年前，每次我去找风险投资家融资，他们从不给我钱。”这句话放到现在，可能又有了一些适用性。

“用复杂解决复杂”的AI制药还没有找到将管线推进到临床试验更后期的方法：根据智药局数据，在全球80条获批临床的AI药物管线中，只有29条研发管线推进到临床试验Ⅱ期，没有AI药物管线进入了更后期的阶段。但AI的迅猛发展是不容忽视的，尤其是今年以OpenAI、Bard等为代表的AI应用爆发，大语言模型（LLM）发展日新月异，以AI技术为核心的新公司层出不穷。

一些公司在摆脱AI标签、强调计算和制药，Schrodinger通过可持续的计算软件收入以及与多个合作伙伴的研发合作付款，在技术平台公司不十分受青睐的当下，股价在一年内涨幅接近200%。

一些公司还是在讲AI的“故事”，并且还在更新迭代，也得到市场的积极回应，“AI赢家”英伟达的投资让Recursion在二级市场暴涨，并提振了一众AI创新药公司，这些公司的股价在此之前低迷已久。

也许两种道路在未来都可行，不过现在不难看出，AI制药概念正被重新审视。

Recursion是一家很多AI制药公司都会对标的独角兽。其CEO Chris Gibson称，Recursion通过分析整个基因组和超过一百万种化合物，了解生物学、化学以及它们如何相互作用。Recursion在自有的大型自动化实验室中进行了近2亿次实验，预测出4万亿个关系，并将其存储在网络应用程序之中。

Recursion的做法对于传统制药产业是前所未见的，其生物和化学数据集超过23千万亿字节（PB），英伟达创始人兼首席执行官黄仁勋称Recursion正在开发世界上最大的生物分子生成AI模型，之后两家公司将合作开发和优化模型，并通过英伟达云服务将其送达给其他Biotech公司。

有看法认为，与其说是AI制药受到青睐迎来利好，不如说是“AI卖水人”英伟达在继续拓展应用场景和更多客户。英伟达对Recursion的投资非常划算，Recursion得到5000万美元投资，向英伟达4000万美元购买AI芯片，英伟达拿到Recursion约4%的股份和大订单，还有在“Biotech领域的又一前瞻性布局”，即看好大模型时代AI在新分子生成、尤其是基于空间结构数据的新分子生成领域有突破性进展。

“受限于技术发展速度，生物医药研发效率一直不高， AI 是个巨大的变量，大模型在新分子生成领域有成为 game changer 的潜力，做出一些传统方法无法解决的靶点的药物。但是依托现在的数据能否生成我们想要的大模型还不得而知，尤其是生物医药研发中有多模态的数据，如何有效归一整合进来，还有不同公司研发中的数据存在数据孤岛的问题，从头生成高质量的数据也需要时间。”蓝驰创投沈远博士对此表示。

目前，Recursion有三条基于 AI 的药物管线已经处于临床 II 期研究阶段，分别用于治疗脑海绵状血管瘤、Ⅱ 型神经纤维瘤病以及家族性腺瘤性息肉病。还有超 10 个针对罕见疾病、肿瘤学、神经科学和免疫学领域的项目正处于早期发现阶段。

Recursion的宏图是希望能够在所有领域推进自己的AI管线，但Chris Gibson本人也声称，“必须提防那些提出噱头的人，他们在玷污这个领域”。他认为，即便AI是一个非常有用的工具，也不会消除对实验室科学家的需求。

在利用新技术促进新药发现的领域，Schrodinger是其中的佼佼者。早在2021年，英伟达就宣布与Schrodinger合作，以“进一步扩大其在AI医疗领域的影响力”。

Schrodinger花了数十年时间开发软件，利用物理学、机器学习技术和计算机来模拟原子和分子，以此加快药物发现速度。公司投入了大量资源，雇佣了超过200位科学家不断改进其计算软件。

Schrodinger经过多年的迭代，开发出了非常出色的分子力场，这成为公司的重要壁垒。分子力场是解释药物如何与生物体相互作用的关键，有助于预测药物的效果，并指导药物的设计和开发过程。虽然越来越多的制药企业寻求通过计算来探索新的药物发现之路，但还未有公司可以验证自己的分子力场超过Schrodinger，这也就是公司能一直维持收入超过30%的增速的原因。

正因如此，Schrodinger强调自己并非AI公司，其长处在于物理学而非利用人工智能。

Schrodinger近年来的一大成绩是和其创立的公司Nimbus合作研发的TYK2抑制剂，该抑制剂被武田以60亿美元的价格收购。TYK2抑制剂是Janus活化激酶（JAK）家族的成员之一，与免疫介导的疾病有关，包括类风湿性关节炎、银屑病、炎症性肠病和狼疮。

TYK2抑制剂一度被热捧为“AI驱动的药物研发”，但事实上这是Schrodinger和Nimbus参考BMS发表的分子结构，通过FEP（Free Energy Perturbation）计算优化得到的，FEP计算可用来预测同系物的相对结合自由能变化，得益于近些年计算机性能的迅猛发展，已成为药物设计中的研究自由能的主流方法。

Schrodinger是FEP计算的重要推动者，硕迪生物等AI制药公司，以及礼来、赛诺菲等大药厂和Schrodinger多是借用其商用化FEP工具“FEP+”的合作。

Schrodinger对于AI的使用在于将其计算软件和机器学习相结合，这比传统预测新药和新材料分子特性的方法更快、更精确。但他们谨慎地看待AI所能发挥的作用：机器学习只能根据从训练数据中学到的知识建立预测模型，覆盖可能开发的分子总数的“极小部分”。同样，生成式AI不能只能以新的方式结合它们已经知道的东西，而不能进行全新的输出。

在Schrodinger看来，AI是一种能加速药物研发的通用工具。Nimbus和Schrodinger“同心同德”，比起用AI和相关概念描述自身平台，公司更倾向于强调其药物科学家对药物开发的重要性和对AI的指导性地位。

LLM时代的AI为各个行业带来的希望是改变传统的科技发展范式，在此之前，产学研的主题和时空是分割的，一项科学研究和商业化落地之间有漫长的链条，而LLM技术可能会带来真正产学研一体的新范式。

但临床制药的范式能够被这样变革吗？

目前AI显然不可能直接生产药物，主要作用是赋能找到更科学高效的临床试验方案，为新药研发“降本增效”。在不同环节引入AI技术几乎是MNC和Biotech的常规操作，但AI与临床科学之间还有巨大的鸿沟。药物开发中决策的质量比速度和成本更重要，提出正确的问题、明确问题和临床指标的终点，即使对经验丰富的研发人员或临床医生，甚至身经百战的CMO都非易事。

在寻找商业模式与产业链站位的过程中，国内AI制药相关公司也分化出了不同定位。有些更加指明自身的AI大模型驱动特质，有些则表明自身在AI属性之外在分子动力学、计算化学等方面的优势，还有些将业务扩展至能源或材料领域。

药企和Biotech们，则更愿意声称在制药环节中利用了AI技术或使用了自动化实验室等，以表明研发的高效性。

不论要不要AI标签，这些公司都希望能凸显AI公司或制药公司的优点，而不是将两者的脆弱之处集中在一起。

沈远博士总结道：“市场对 AI 制药公司的商业模式的确定性有更高的期待，单纯讲平台故事已经很难得到认可。要么能够做好服务，需要有顶级客户的可持续的订单；要么做 Biotech 交付高质量的、传统方法很难筛选、生成出的药物分子，有临床前甚至临床数据给予强有力支撑。”

附：2023年国内外AI+新药公司融资情况

参考资料：

1. WaveAndParticle：海外AI赋能生物制药公司鉴赏（八）：FEP之王Schrodinger

2. Selaginella99: AI设计的分子进入临床后表现如何？