AI + 制药的盛宴正在上演，站在 AI 制药风口下的 “主角们” 相继上场亮相。根据 CB Insights 数据显示，2015 年 - 2020 年之间，AI 技术在药物研发领域的融资数量和金额不断攀升。自 2020 年 3 月以来，全球共有 11 家 AI 制药公司完成了 1 亿美元以上的融资。
图 | AI 制药行业融资金额及数量 （来源：CB Insights 中国）随着AI 制药领域融资额的不断刷新以及 AI 技术发现的药物分子相继进入临床阶段，这是否意味着 AI 制药正在走向成熟阶段？近日，生辉采访了国内 AI 制药公司 —— 广州费米子科技有限责任公司（以下简称为 “费米子”）的创始人兼首席执行官邓代国博士，与他聊了聊 AI 制药初创公司发展的底层逻辑和突破口所在。在邓代国看来，整个 AI 制药行业还处于早期发展阶段，目前看来，行业内还没有出现 “一家独大” 的局面，各个 AI 制药公司各自都在聚焦自己擅长的领域。邓代国博士毕业于中山大学计算机系，他也是一名连续创业者。自 2015 年起，他开始探索 AI 技术在多个行业中的应用，曾搭建了纺织业领域第一个基于深度学习的大规模专业图片搜索引擎 —— 面料电商交易平台搜芽，并获得创新工场等多家机构的投资。2018 年，他决定将 AI 技术应用于药物研发领域，并正式成立费米子 —— 利用 AI 技术进行小分子药物研发。
图 | 费米子融资历程（来源：费米子官网）去年 11 月，费米子宣布完成近亿元 A 轮融资。“费米子指的是天使粒子，寓意我们团队可以发现更多有价值的药物分子、天使分子。” 邓代国说。
图 | 费米子创始人兼首席执行官邓代国博士（来源：受访者提供）从靶点发现到 IND邓代国这样描述费米子正在做的事情 —— 覆盖从药物靶标选择到 IND、甚至推进到临床 I 期阶段的解决方案，涵盖了开发研发平台、数据爬取、数据结构化、数据生成和筛选、理化数据预测，并基于该平台进行小分子药物研发。而从靶点发现到 IND 开发的核心在于其底层技术平台 —— FermiNet 小分子研发平台。该平台基于片段进行药物设计，能够满足研究人员将多个针对某靶标已知活性化合物的不同片段 “糅杂” 在一起，从而获得先导化合物。官方宣称，基于该平台，与传统药物研发相比，费米子可以节省 1-2 年时间，提高研发效率，部分优化环节甚至能高出传统研发 10 倍左右。
图 | 费米子核心技术（来源：费米子官网）据邓代国介绍，目前费米子正在进行 Beta 测试，选择具有高组织及高蛋白亚型选择性的商业开发方向，测试专有平台的特殊筛选功能。比如说，当筛选到有活性的亚型时，提高该亚型分子的安全性、控制代谢半衰期，进行特定给药的评测，以及特定的组织选择分布。具体流程是：当决定开发一条管线时，首先由 AI 和不同学科人员共同组成的投委会围绕适应症方向选择靶标；确定某个靶标后，针对某个特定靶标，利用经过优化的通用模型筛选最佳靶标亚型；针对活性，基于这些数据和现有模型，生成相关结构化数据，在不同的商业目标下利用通用模型去筛选特定化合物。基于该专有小分子平台，费米子已经开发出了十几条处于不同阶段的小分子在研管线，适应症集中在炎症、镇痛、肿瘤。目前，有 2-3 条针对炎症和镇痛适应症的管线已完成临床前候选化合物数据收集和生成，预计今年 10 月 - 12 月会提交 IND 批件。药物发现过程中的第一步是确定治疗性药物靶标。目前，费米子暂未披露所选靶标，不过邓代国透露，靶点选择的基本原则是全球 Top5 的创新靶点。此外，费米子围绕 3 大适应症方向，基于已选靶标协同效果、产品取证以及市场规模考量，以产品矩阵结构覆盖策略为主，不断扩展产品管线。比如说确定慢性镇痛靶标后，会相应地去补充急性镇痛靶点；选择针对皮肤炎症的靶标之后，继续补充针对特定器官的炎症靶点。邓代国透露，费米子的商业模式主要以与药企合作以共同研发为主，推进到 IND 或者临床 I 期以后再进行转让，保留药物的一部分权益。现在，费米子已经和国内十几家上市制药公司达成了合作。平台有待完善费米子专有的小分子平台还存在有待完善的空间。一是，需要构建各种功能网络并不断优化，比如说选择性网络、半衰期网络、血脑屏障网络等；二是，需要不断积累具有临床价值的数据，掌握从靶标到 IND 阶段的整体解决方案。现阶段，费米子的数据主要有两大来源，一是商业付款数据库；二是公开数据库，利用工具进行爬取并变成结构化的数据，即自动识别特性分子，并把这种属性标签规模化和结构化集成一套系统。其中 AI 的革新之处就在于整合了分散零碎的现有数据，并生成结构化数据，并通过深度学习分析出数据的规律，然后按照这些规律进行药物研发，以期提高研发效率和准确度。 现阶段，AI + 制药领域不会出现 “一家独大” 的局面 新药的发现和开发过程非常漫长，昂贵且风险性极高。根据塔夫茨药物研发研究中心的统计，一款新药的研发成本大约为 26 亿美元，平均耗时 10-15 年。而每个药物发现过程的平均成功率仅为 10％，制药公司的回报率已从 2008 年的 10％下降到大约 2%。对于药物研发公司来说，寻求药物研发的转型和升级似乎也是 “必须选择的路”。AI 能够通过不断深度学习优化其在模式识别和表征学习上的熟练程度，通过对化合物结构、基础生理机制和基因等数据快速进行结构化分析和处理，从而更精准、更快速预测分子化合物。在揭示疾病基因通路的复杂性甚至是生物学复杂性方面，AI 似乎可以通过深度学习、算法和强大的算力给出 “最优解”。根据德勤的研究报告，AI 辅助药物发现是解决药物研发这道难题最有希望的解决方案。
（来源：thermofisher）“AI 应用于药物研发领域具有足够的潜力和价值。作为一种基础工具，越来越多的制药公司会选择使用 AI 工具，渗透率会越来越高，效率也会越来越高。随着 AI 设计出的药物开始陆续进入临床开发阶段，AI 在制药领域的话语权也在不断增强，越来越多受到行业的认可。” 邓代国说。mRNA 疗法公司 Moderna 正在使用亚马逊的 AWS 云，设计新冠疫苗、开发针对肿瘤、罕见病、自身免疫疾病等领域的 mRNA 疗法；BMS 与 AI 科技公司 Concerto HealthAI 达成合作，利用后者真实世界数据及 AI 平台 eurekaHealth 加速新药的发现和研发；英国 AI 药物发现公司 Exscientia 与 GSK、罗氏、赛诺菲、新基、拜耳等公司达成合作，2019 年 4 月，Excientia 向 GSK 交付了第一个通过 AI 发现的候选药物，这是一个治疗慢性阻塞性肺病（COPD）的潜在疗法...AI 制药公司越来越多地与生物制药公司牵手，一定程度上也表明制药界开始打开对 AI 的大门，制药公司越来越认可 AI 在新药研发中所扮演的角色。AI 制药是否正在走向成熟阶段？“大环境越来越好，但是 AI 制药是一个高门槛的领域，与传统制药方式差距很大。我认为，AI 药物研发还处于起步阶段，AI 进入成熟期还有很长的路要走。” 邓代国说。在他看来，未来会有更多的 AI 制药公司如雨后春笋般成立，但是会各自聚焦特定领域，不会出现 “一家独大” 或者垄断的局面。AI 药物研发对于生物模型、数据模型要求很高，因此每家 AI 制药公司都有自己的边界，难以形成垄断局面。这些 AI 制药公司会各自聚焦擅长的领域，发挥特定独特优势，在特定领域积累实现差异化布局。“第一步，把几条管线推进 IND，挑选几条管线推进到临床 I 期阶段，然后与特定领域的合作伙伴共同开发，或者转让出去；第二步，完善临床前平台，生成 AI 驱动的药物研发方案；第三步，继续开发下一梯队产品管线；第四步，未来希望能够将在研管线推进到临床 II 期，在合适的时机选择上市。” 这是邓代国对于费米子的下一步规划。-End-
