阿里云、创投机构、药企、创新企业四方共议AI制药加速落地的关键路径 | 云谷创新谈

一直以来，计算科学与生命科学本是两个并行发展、各自独立的领域，但是随着近年来跨界学科的飞速发展，两个互无关联的行业慢慢地产生了交集：计算科学开始为生命科学提供更多的助力，以加快新药研发的效率、提高药物研发的质量。

那2023年，AI制药究竟如何改变新药研发流程？医药企业的真实需求是什么？从算力到算法，再到产业应用如何融合？AI制药如何加速落地？

对于这些议题，由阿里云联合浦东国际人才发展中心主办，瑞谷科创RECO SPACE承办，并联合大型药企、一线投资机构、研究院所以及优秀AI制药企业，共同举办《云谷创新谈·AI制药专场》。

由阿里云产品解决方案架构师石益主持，产投研共聚一堂，面对这样一个热门的新兴赛道，各位领域的专家做了精彩分享，借着圆桌交流会，讨论AI制药和药企、资本、云厂商之间该如何互相结合，共话AI制药如何加速落地。

一、AIDD改变传统制药模式，产投研多维度分析行业挑战与突破口

话题1：从需求侧看，新药研发为什么会有AIDD的兴起？这对传统的新药模式带来哪些变化？

参天制药 张亮：作为一种药物研发的全新模式，AIDD（人工智能辅助药物研发）的兴起是有着深刻的原因的。新药研发的周期较长，且会遇到以下难点：

首先，药物发现过程依赖于科学家的研究，需要寻找蛋白质上的靶点，并找出对应合适的药物去治愈，同时还要保证稳定性。在传统的药物发现中，这需要花费大量时间。此外，目前全世界范围内已知的有效靶点基本上已经被开发，如何找到新的靶点是我们遇到的较大问题。

其次，实验过程中需要完成分子合成、动物实验、人体实验等多个阶段，以证明分子对于靶点在动物身上是否能够生效。这个过程中，毒性、有效性等实验同样会花费大量时间和金钱，直到完成三期临床证明它可以无害、有效地治愈疾病。整个过程是非盈利的，药企每10年可能要花费10亿以上才能找到合适的商业化药品，这对药企来说是一笔巨大的负担。

AIDD的出现大大缩短了这个过程。在人工智能技术的帮助下，药物发现和实验过程变得更加高效和智能化。不过，AIDD也给传统的新药模式带来了一些变化，聚焦于大数据和大模型，需要巨大的算力支持。如果将所有已知的生物学数据放到AI模型中进行计算，需要海量的算力支持，这不是一家初创企业可以轻松完成的。因此，许多科学家都愿意创业做大模型，背后一定有大量资金在支撑。

默克 胡鹏伟：药物开发的成本高、失败率高，对药企来说，想做的就是降本增效。

AI的发展现在已经进入到一个比较好的行业交叉点。药企对靶点的探索已经差不多了，现在更多讨论如何降低成本，这跟AI的爆发形成了交叉。最开始药企在AI医药上的应用以AI和图像相关，到这两年，AI算法更加精妙，尤其是算力方面，我们通过AI交叉物理、化学学科来探索新的可能性。

AI可以做两件事，一个是代替重复劳动力，比如说在临床试验过程中通过AI做一些模型，帮助我们从数据分析中脱身出来。还能做一些人力不可及，但是正好机器可以触及的，比如说为什么在类器官的研究中会应用到AI，这是因为类器官大部分是在显微镜下看，人的观察力和精算精力较差一些，需要用到AI的能力。

借助AI来降本增效，我觉得这是最好的落地方式。现阶段对我们药企来说，AI是非常好的工具，目前等待AIDD自己节点的爆发，让它成为辅助工具的界限，也许未来5年有可能看到这一点。

话题2：从供给侧看，创投机构的投资聚焦在哪些领域？当前AI制药的创新企业面临哪些挑战？在这块他们会做哪些突破工作？

五源资本 井绪天：全球的生物计算公司整体来看聚焦的领域比较多样化，因为制药的成本高、流程长，中间的技术栈多，且属于高度监管的行业。当然，也许很多年后随着技术的发展会突破当中的一些监管环节，但在今天的监管体制下，还得按规矩一步步来。

很多做生物计算的企业切入点都在药物设计环节，虽然这只是某一个环节的创新，但这个环节创新后可以很快地拿到药物IP，有了这个药物IP之后就可以做后续的商业化转化。所以我们在药物设计环节看到的公司可能是最多的。

而在其它环节，包括早期的靶点发现、表型筛选等也都有代表性的企业；另外传统制药主要聚焦在大小分子领域，我们也看到很多做新模态药物的生物计算公司，例如做mRNA的序列设计和递送优化、多肽药物设计等，当然还有像溪砾科技这样将靶点从蛋白质换成RNA，这也是一种新模态，是靶点的新模态。

我觉得在新模态药物开发中，AI很有可能会更重要。因为模态比较新，监管也相对比较开放，AI可以尽情发挥其优势，在这种情况下谁能更好地做出有临床价值的药物，可能会快速得到行业的认可。

大家都谈到了AI的潜力，我一直非常看好AI，我觉得AI的加速度非常快。去年我们看到最多的是AlphaFold，它让我们打开了结构预测的大门，今年大家都很关注GPT在2C领域的应用，但其实结合新的语言模型能力，我认为不久的将来我们可以直接用AI生成蛋白药物，这个跟过去筛选大分子药是革命性的改变；这些技术在我们今天看来，可能觉得不可思议，但其实在庞大的AI加速度下，未来都有可能实现。

蓝驰创投 戎璟：虽然AIDD的发展时间不是很长，但已经历了几个发展阶段，在一些问题上，比如说针对某个蛋白的口袋怎么结合，已经有很好的运用。这些数据很多是在物理和化学的层面，但结合之后怎么和生物的数据结合在一起，是大家现在考虑的问题，比如利用高通量的显微镜，在细胞层面将生物表征和物理、化学、以及多组科学数据结合在一起，再通过AI的技术进行分析和演化，就会得到更有价值的发现。

对于AI的期望，不仅仅是如何将降本增效进一步做好，而是指有没有可能将一个更好的药做出来，不只是为了节省成本和增加效率。目前AI主要面临两个挑战，第一个挑战是数据的质量、数量和来源；关于第二个挑战，我想跳出细节来看全局，制药的流程可以大体分为三个阶段：

1. PCC阶段，临床前研究；
2. PCC到IND，临床前研究到临床实验审核；
3. IND之后进入临床实验；

AI制药在PCC之前使用比较多，一旦到了PCC，接下来做的是CMC（生产工艺、质量控制、稳定性等研究）和长毒。生物制药的数据呈漏斗型，在前端PCC阶段有非常多的数据出来，但是越往后数据量越小，结构的数据到了生物层面，数据量会显著地减少，这些方面，有些公司已经在尝试努力，比如腾迈科技，用干湿结合的方式提供CRO服务，就会积累很多有价值的数据，但是到了临床，全球总共就几万个临床，数据量就很小了。

随着AI技术的进步，我们希望有人能够跳出这个框架来看这个行业，既然有ChatGPT这样颠覆式的技术出现，那有没有人可以将生物数据和AI技术真正地结合起来，比如首先在罕见病种上面做一些突破。

话题3：市场的需求不仅仅是降本增效，还有更多的期盼。对于AI制药，供给侧是如何切入的？

腾迈医药 何骑：腾迈医药成立的时候，我们有一个愿景：降低计算工具和AI工具的使用门槛。

“降本增效”一直以来是制药行业的痛点。我们公司从三个方面出发为客户提供增效降本的工具：一块是计算平台，包括底层算法和计算工具的研发以及应用支持；第二块是算力平台的搭建和优化，；第三块是生物化学室实验的能力。通过提供充分验证的可工业化的技术、整合全方位的解决方案、搭配全流程的优化，真正实现增效降本。

我们在与药企的合作中观察到，现在主流的创新药研发路径还是以生物学为主导，即转化医学。这也要求AI公司能有效地解决科学以外的技术问题，来帮助科学家更好地专注于科学本身。此类技术问题包括针对传统的药物化学、生物学、传统的单抗/双抗设计，回答“能”或“不能”的问题。比如说通过亲和力的计算和排序，提前排除一些“不能”的分子。

总的来说，让AI公司解决技术问题，让创新药企解决科学问题，这是我们追求的合作模式，这一模式也在和客户的合作中不断地得到验证和支持。

溪砾科技 李阳：溪砾科技在供给侧的核心工作是尝试解决新的问题，这个新问题既有生物学上的挑战，也有生物化学的，或是从药物分子角度上来讲的挑战。

大概从2016年开始，涌现了很多新的制药方法，例如罕见病精准治疗方面。明确了靶点之后效率有一定的提升，从各方面角度来讲，现在效率在往下降，成本往上涨。

蛋白是承载生物学功能的基本元件，所以大家都是想靶向蛋白，但药厂在做的靶点也就五六百个，所以大家会讨论各种各样的异构等。随着精准医疗的发展大家慢慢看到，有一些蛋白往上走一层，可以从RNA层面（Ribonucleic Acid核糖核酸）做一定的调控。

我们提出小分子靶向RNA。从理论上来讲，RNA发展空间比蛋白要大至少两个数量级，有上万或者几十万个靶点，人的基因组中间可能有三万多的编码蛋白质。这些区域中，已经有很多RNA靶点在肿瘤等疾病中得到了验证，总体而言，RNA的靶向空间相比较蛋白会大得多。

另外RNA本身比蛋白更容易数字化。最近20年，测序技术发展带来的成本下降比摩尔定律发展还要快。RNA其实就是核酸，基本有两种方向，第一个可以用生物化的实验方法看RNA结构，将几十万种不同的RNA结构批量去看；第二个是小分子和RNA的相互作用。在这两个方向的基础上，我们采用了AI结合DEL等高通量技术去批量进行RNA的功能和结构分析。

从整体来看，这个对于计算来讲会有很多机会，当然也有挑战，我们也尝试解决这方面的问题。

二、保障核心数据安全，上云实现大体量数据管理

话题4：不管是计算还是算法，都离不开数据。支撑业务发展的数据从哪里来？又如何满足AI制药研发数据挖掘的需求。

默克 胡鹏伟：这个问题经常会被问到数据安全。

从公司层面看，药企需要建立数据安全等级，与外部企业合作时，需要遵循相关的规定执行，这样建立数据库是较为安全的。

从更宏观的层面看。公开数据肯定占了非常大的比重，80%-90%的数据都是公共的，但各家还有自己私有的数据。私有数据很宝贵，可以由政府牵头，将产投研的企业、医院、机构联合起来，通过合作将本地化的经验和数据进行隔离分享，这个可能会是下一步的可行性解决方案。

参天制药 张亮：企业花费大量时间和金钱寻找药物靶点、药物分子式的探寻、临床实验。未来，数据将成为企业的核心资产，而这些核心资产将是企业未来的行业竞争力。当然，在讨论数据时，常常会涉及到隐私和价值衡量的问题。对于数据的隐私归属和价值衡量，张亮认为，每个人自己的数据都是宝贵的数据资产，可以作为NFT的一种进行售卖。如果企业需要在AIDD中应用这些数据，或者在后续模拟计算中使用这些数据，完全可以通过购买的方式完成数字资产的交易。

未来，PaaS和IaaS厂商可以建立这样一套机制，从交易层面、安全层面以及用户隐私层面形成完整的闭环，解决数据交换、数据安全以及数据资产等问题。当然，这种机制目前还处于非常初步的阶段，需要进一步完善和成熟。

话题5：有了数据后，如何保存成为新的问题。我们可以看到深势科技的数据量级从一开始的BP到TB，发展到2025年可能体量会更加大。这么大体量的数据，能否上云？上云过程中又该如何选择？

腾迈医药 何骑：无论是私有云还是公有云，我们都有使用。

我们的计算主要还是基于物理学建模，产生的数据量较大，利用的算力也比较大，因此我们一方面需要更好的利用云服务部署灵活算力和搭建数据架构，另一方面也在利用AI这个抓手寻求算力优化和生成更多数据。

比如说，做分子对接，10亿个分子用传统的方法可能要算几个月，但如果加入AI的能力，只需要几轮预测，结果就收敛了。这就是我们团队最近在高通量FEP工作流方面做的一些工作。

但即使在高通量工作流的情况下，也是要跑十万级的分子量，可能光GPU小时就得百万级的。通过AI工具的进一步优化，我们现在可以做到15000个GPU小时的算力消耗。目前团队还在做进一步优化，希望把算力消耗降到5000个小时以内。这一过程中也随之产生成千上万的数据。因此我们需要借助数据基础设施的搭建和管理，从数据中挖掘洞见。

溪砾科技 李阳：在存储方面，我们RNA相关的数据现在接近五个P，主要基于本地私有云进行计算。这一块的数据，主要涉及到两方面的隐私监管，一方面是互联网对于数据的监管，另一方面是涉及到人类遗传潜在的监管，这是两条线的监管。但我们也发现，在传输过程中，本地存储成本还是挺高的。

阿里云 石益：阿里云的平台能力保证了计算、传输、存储的全链路的数据安全。在数据的计算过程支持TEEE、TPM、SGX的加密计算，可以确保计算动态的过程是安全可靠的；在数据存储方面，阿里云也迭代了一些比较成熟的方案，比如KMS支持使用BYOK密钥确保持久化存储数据的安全；在传输过程上，IPsec、TLS、L2TP层面的传输加密在阿里云上已经很常规地在使用。在生信领域里，企业经常需要跟国外药企合作，在这一块阿里云也有相应的GxP、HIPPA、人遗办等认证。

对于企业的GPU小时算力需求，以及大体量数据存储需求，阿里云的能力相对来说比较匹配，有海量的云上算力和存储，可以让企业像水电一样按需使用。

话题6：我们看到明确的趋势是，AI制药正在拥抱云厂商。数据是第一要义。除此之外，还期待云厂商提供哪些方面的能力？

参天制药 张亮：AI计算其实对于数据有非常高的要求。

很多人选择在本地进行，这是因为本地组建高吞吐量的网络，相对来说成熟度会更高一点。

其次，在一些底层工具方面，药企的AI工具较多，除了阿里云提供的，还有第三方工具。AI工具池非常需要云厂商支持。

第三，安全保障。AI计算时间长，在私有化部署或者机房层面，容易因为断电、断网出现意外。但在云上可以实现99.99%以上的安全保障，这对AI计算来说非常重要。

默克 胡鹏伟：从我的角度来看，每个药企或是每个项目的内部管理不同，有的是对技术很关心；有的对业务场景很关心；有的对应用性很关心；有些企业的研发部门甚至有独立外部计算的权限，很多资源需要依托IT部门采购。每个新项目，不论是计算还是模型、系统，如果不能快速地接入，可能就会因为时间效率就淘汰掉。

三、在未来，AI制药将进一步颠覆传统制药流程

话题7：展望未来5-10年，特别是最近ChatGPT爆火的场景下，对AI制药这个流程，是带来一些革命性变化，还是只是工具的辅助？从长期来看，AI制药会有哪些变化？

五源资本 井绪天：我一直对AI的未来是乐观的，大家讲的降本增效只是AI已经兑现的最基础的能力体现，AI还会给制药行业带来全新的变化。

我们现在看这个行业，很多实力雄厚的大药企有很强的早期研发能力，即便如此，全球每年的收购管线，包括中小型公司M&A都是非常多的。从行业的可持续发展看，在很多其它非生命科学领域的行业，都会涌现很多新公司，并能够成长为大企业。反过来看制药领域，却不断地有新的biotech（生物科技）公司诞生，但这些公司IPO后，大部分就进入到一个增长缓慢的状态甚至慢慢销声匿迹，也有些被直接买走了，能够继续坚持发展并成为大公司的非常少。

在这背后很大程度是因为，目前的药物发现主要以实验科学为主导，其结果具有比较强的随机性。今天某个改变行业格局的重磅药物，很有可能当年是来自某个高校实验室或是小型biotech的研究室，但是依赖这种方法论做药物研发难免会出现”反摩尔定律“。在未来10年，这个格局很有可能发生改变。因为在AI的驱动下，发现药物的过程已经不再充满随机性，药物发现会变成有可迭代的方法论驱动的事件，这种方法论的强弱会成为未来药企的核心竞争力。

除了降本增效之外，也有很多0和1的变化。因为AI可以生成人类科学家之前想不到的全新的药物分子，这个在小分子领域已经有很多初步验证了，就不多说了；而今天我们在大分子药物领域也看到了类似的改变，比如过去筛选大分子药物的方法，如像抗原打老鼠找抗体的方法，这其实是一种类似于表型筛选的方法论，只能是大自然“给什么用什么”，但是今天我们已经看到很多AI公司在用正向设计的方法论设计大分子药物了，有望通过正向工程生产各方面表现符合我们预期的目标序列。

除了以上这些例子，我们还发现在很多药物开发领域，在AI出来了之后，都能够让很多事情从不能做变成能做，这是一个0和1的区别，因此我觉得AI一定能在很多细分行业催生出新的大药企。

蓝驰创投 戎璟：第一，多肽是个特别好的例子，可以解决一些传统方法不好解决的事情。为什么我也说多肽，因为小分子有很多方法可以筛选，不一定要用AI的方法。

抗体有非常成熟的方法，而且抗体中间会涉及到非常复杂的免疫问题。举个例子，B细胞都会经过骨髓的成熟，99%的抗体在成熟的过程中就被淘汰了，而用de novo的办法设计抗体需要很好的解决免疫原性的问题，抗体目前有噬菌体展示，以及人源化小鼠等多种方法，能够更好的解决免疫原性的问题。但多肽是没有的，日本公司PeptiDream有专用的多肽发现平台就很受业内的追捧。但有没有可能，利用AI的技术来设计出更好的多肽，这就不仅仅是优化，而是颠覆式的创新了。

原来我看到一些AI制药公司都是由数学、物理领域出来的人创办。现在的AI制药公司正积极拥抱生物学，至少要找一个联合创始人是生物背景的，而且经历过完整的制药周期。

从另外一个方面看，我曾经投资的很多创新药企业已经上市了，我投资的时候是按照管线逻辑去看，现在经常会找这些创始人交流。发现他们也在积极拥抱AI技术，但这个事情什么时候会有颠覆性结论？需要把化学和物理的数据在生物的层面打通，如果出现这么一天，这就会是颠覆性的事情，可能做药的范式会被颠覆，但是这需要很长时间的积累，是一个量变到质变的过程。但是我觉得早晚有一天会到来。

四、从CADD到AIDD，生物医药行业的未来将由计算驱动

从CADD到AIDD，传统制药模式正被颠覆。从需求侧看，AI让制药不再依赖于科学家的发现，替代机械性重复劳动以及部分人力工作，缩短新药开发周期，同时做到降本增效。从供给侧看，AIDD的普及应用带来更多工具和计算需求，市场的扩张意味着有更多的机会。面对AI计算产生的海量数据，无论是对需求侧还是供给侧，存储和安全始终是关注重点，上云成为更多企业的最优解。

对于制药行业上云，阿里云高性能计算产品负责人黄泽辉在研讨会中也做了相应的介绍。阿里云作为云计算厂商，更多关注算力和数据的问题，由计算驱动的新药研发面临着四个问题和挑战：多元化算力需求、成本优化、HPC+AI融合、算法平台商业化。阿里云在高性能基础设施之上，通过PaaS产品服务的方式解决客户使用高性能计算，基于无影组成一站式的研发创新环境，提供CADD/AIDD的工具帮助客户快速开展业务。

AI制药和药企、资本、云厂商之间形成更紧密的结合，在未来，我们将看到AI制药不断地蓬勃发展，产生的商业前景和社会价值不可估量。

阿里云创新中心将阿里技术、产品、业务的生产力，转化为对企业发展有价值的推动力，将更普惠、更安全、更绿色的产品和服务提供给科技型中小企业，在中小企业科技创新、日常运营、职业技能培训、资金对接、跨境出海等方面提供全方位支持。

截至目前，阿里云创新中心累计为中小创企业提供2亿的双创云资源，共服务了超过350万的创业者、50万小微企业，孵化出600多家高成长创新企业，调研数据显示头部企业估值规模超1387亿，每年估值增速超过35%。