来源：雷石投资

导语：近年来，AI制药已经成为医疗领域的新晋热门赛道。2023年ChatGPT的爆火，又让人们看到生成式AI在制药领域的新可能。当AI制药的潜能不断被证实，在大势所趋下，AI制药又该如何破局数据之困、监管之难，突破挑战迎来新发展。

ChatGPT火了，AI制药能迎来新发展吗？

从OpenAI发布聊天机器人ChatGPT开始，人工智能的发展又一次驶入快车道。最近一个月，每隔几天人们就能看到人工智能的新进展。无论是行业巨头还是初创公司，都在积极寻求应对新一轮AI风潮的方法，制定相应的AI战略。

ChatGPT的爆火，AI 2.0时代的到来，也给生物制药行业带来新的改变。最近，AI药物研发公司Insilico Medicine（英矽智能）在生成化学领域知名期刊Chemical Science发表文章，阐述了分子生成平台Chemistry42在AIphaFold2蛋白质结构预测的基础上进行分子设计，进而在30天内发现靶向潜在抗癌靶点CDK20的小分子抑制剂的过程，展示了在有限分子结构数据下，人工智能可以辅助新药物发现，实现降本增效。

更早之前，初创公司Profluent首次利用类似ChatGPT的蛋白质工程深度学习语言模型ProGen实现了AI预测蛋白质的合成，并将研究成果发布在《自然》杂志子刊。可以说，AI正在给制药领域带来根本性的改变。Gartner《2022年人工智能技术成熟度曲线》报告称，2025年50%的药物发现与研发将使用生成式AI；2027年，30%的制造商将使用生成式AI提高产品研发效率。随着生成式AI的持续发展，制药领域或许也能迎来全新的发展期。

AI+蛋白质成新的投资热点

ChatGPT走红，势必带动新一波AI投资热潮。事实上，随着近期AI制药话题度的持续走高，一众AI概念股的股价也跟着水涨船高。尽管中国目前还没有真正的AI制药公司，但也不妨碍CRO（医药研发合同外包服务机构）企业成都先导股价在3月一路上涨，数次涨停。成都先导称，公司一直以来都对AI在药物研发领域的进展保持高度关注并不断进行探索和研究，未来会持续加大在该领域的尝试。

在今年3月的复星医药业绩发布会上，董事长吴以芳接受采访时表示，未来将在创新药靶点发现和药物设计等方面进行AI制药业务。

上市公司持续深耕AI制药，初创公司的融资能力也表现不俗。

2月20日，AI蛋白质设计平台公司分子之心宣布获得超亿元战略投资，用于AI蛋白质优化与设计平台MoleculeOS进一步开发，以及在生物制药、合成生物学等产业领域的应用探索。不到一年的时间里，分子之心已经完成2轮融资。

而在国外，资本市场对于AI+蛋白质的投资热情持续高涨。2022年4月，Arzeda宣布完成3300万美元的B轮融资，用于正在进行的蛋白质设计项目。

2022年11月，AI+合成生物初创公司Cradle获得550万欧元的种子轮融资，资金将用于支持公司基于AI设计蛋白质和细胞工厂的研究进程。

2023年1月，Profluent宣布完成900万美元的种子轮融资，该笔融资将用于在加利福尼亚伯克利建立一个综合实验室，使Profluent能够在通过实验方法产生的数据与其AI系统之间创建一个紧密的反馈循环，不断改进公司AI。

资本的投入，将更加有利于企业不断提高AI技术，进一步促进人们对细胞基本结构的理解，进一步推动生物制药过程，从而推动生命科学和医学的发展。

生成式AI颠覆蛋白药物研发

为什么制药公司会看重“AI+蛋白质”领域？因为生物制药主要都是蛋白质，蛋白质类原料是生物医药上游占比最大的原料之一。目前重组蛋白药已经成为生物制药领域最重要的产品之一。

当人们将大量的蛋白质数据提供给AI，AI就可以分析研究这些数据从而创建新的蛋白质。在蛋白质设计过程中，AI可以把原先无序、不规则的氨基酸残基拼接成能够和靶点结合的候选蛋白，从而推进新药物的开发。相比传统实验技术测定蛋白质结构的费时费力，AI强大的算力算法和数据处理能力，能颠覆传统的药物研发，加快药物研发速度。

2017年，《Nature》发表文章称，人类可发现的药物分子个数可能是10的60次方，而传统药物筛选办法能够找到的分子数仅约10的11次方，在11次方与60次方之间有一个远未穷尽的大黑洞，这里或许就潜藏着许多新药的可能性。生成式AI或许是创造可能性的有力工具之一。

生成式AI可以基于训练数据生成算法模型，自主生成各种形式的内容。ChatGPT的出现让人们看到大型语言模型（LLM，Large Language Model）的出色效果。

Profluent的蛋白质工程深度学习语言模型ProGen和ChatGP类似，实现了AI预测蛋白质的合成。据报道，Profluent设计的蛋白质是通常需要数百年才能进化出来的高活性蛋白质。由此可以看出生成式AI同样可以学习生物学的基本原理，可以大大提高蛋白质设计效率。

和ChatGPT一样，ProGen模型的创建也是研究人员喂养了2.8亿种不同蛋白质的氨基酸序列，并经过了几周时间的训练。同样地，ProGen也是通过学习氨基酸如何组合成2.8亿个现有蛋白质的语法，才学会如何生成新的蛋白质。ProGen和ChatGPT一样也是经过大量的数据喂养才能使算法模型越来越精准。

众所周知，新药品的研发是一个周期长、复杂的过程，而且失败率高。而随着生成式AI的发展，可以帮助药企更快地识别和分类小的分子和生物制剂，并且改善临床试验的结果。

图注：使用条件语言模型生成人工蛋白质

AI制药面临的挑战

AI快速发展给制药带来新机遇的同时，挑战也一直存在。首先是数据。早在2019年，《Nature Reviews Drug Discovery》发表的文章就将“获取适当数据集”视为AI药物面临的五大挑战之一。数据首先要面临质量问题，GPT-3的训练数据有很多是来自互联网，导致当时人们感觉ChatGPT在胡言乱语。而药物数据的质量更难以保证。同时，药物数据相较其他数据更为敏感，数据都分散在各大医院，很难被科技公司获取和加以使用，数据孤岛不能打破，AI模型的训练就会差强人意。

其次，和电商、金融、游戏等行业相比，在制药领域，数据的丰富性和多样性相差甚远，使用场景也有限。要知道，只有当数据足够丰富时，AI的落地才会更加顺畅。

最重要的一点是，AI制药还会面临监管问题。ChatGPT的火热已经引起各国政府的注意，相应的监管规则正在不断出炉。路透社报道称，3月31日，意大利个人数据保护局宣布禁用ChatGPT，暂停OpenAI处理意大利人的数据，并对其展开调查。德国、法国、爱尔兰等国家也开始准备加强对ChatGPT监管。我国国家互联网信息办公室起草了《生成式人工智能服务管理方法（征求意见稿）》，向全社会公开征求意见。当野蛮生长的新兴技术遇上监管之手，未来发展将会充满更多不确定性。

值得一提的是，尽管AI制药是大势所趋，但在传统结构生物学家眼里，AI 是未来，但现在仍差强人意。

颜宁曾表示，AI仍有局限性，AI还需要更大的数据库，更强的算力，更新的算法。2013年诺贝尔化学奖获得者迈克尔·莱维特（Michael Levitt）在接受第一财经采访时表示，“我认为很多结构生物学家不仅仅是在做结构方面的研究，他们也做很多蛋白功能以及药物研发方面的工作，就好像颜宁教授。人工智能只是解放了一部分传统的人力，但是科学的进步仍然需要依靠最聪明的人脑，单靠人工智能恐怕还是不行的。”

结语

AI制药领域备受热捧，AI制药创业公司融资额也日益走高，我们可以看到制药业正在热切拥抱AI，寄希望于这一前沿技术，缩短药物研发周期，降低药物研发成本，提高药物研发成功率，创造更大的商业价值以及社会价值。

但现阶段AI制药在技术和政策上面临着诸多挑战，一些传统药企对AI态度复杂，仍持观望态度。AI制药的商业化前景仍需接受市场检验。

但从长远来看，随着AI技术的快速发展，AI制药仍是未来的发展趋势。当制药企业经验不断积累，AI持续优化，AI在制药业发挥的价值将会越来越大，能进一步促进生物科学的发展，让更多普通人受益。这条路道阻且长，但充满想象力。