AI制药“热”下，越来越多药企开始入局。全球用AI来辅助药物研发的公司已经超过200家，非医药领域出身的百度、腾讯、华为、字节跳动等科技巨头也纷纷布局AI医药领域，意图分一杯羹。
就整个行业而言，目前，AI在新药研发领域主要集中在靶点发现阶段，即新药研发早期，而专注于化合物合成、化合物筛选、晶型预测等环节的企业数量较少，导致这种现象背后的原因是什么？如何规避AI制药领域的同质化现象？怎样突破行业研发瓶颈加速AI制药进程？本文将一一解答。
AI新药靶点发现阶段研发扎堆
目前全球AI制药企业众多，但扎堆集中于新药研发早期，造成靶点研发阶段企业扎堆的原因是，基于AI技术的靶点发现处于整个研发过程的早期，随着整个研发流程的推进，大量企业都在不断摸索后期的研发过程。
换句话说，药企集中在靶点发现阶段只是表象，从行业的实际情况看，大部分企业的核心还是在化合物发现阶段。由于药物研发阶段不同，其数据来源、数量和质量都有所不同，又鉴于AI药物研发是一个以数据驱动为主的状态，只有前期靶点发现阶段基础稳固，后期的化合物合成、化合物筛选、晶型预测才能发挥更好的效果。
目前，AI制药的难点在于一些领域实验数据的采集条件差别很大，数据质量参差不齐，或者数据不平衡，甚至是一些失败结果的数据难以获得，这都会限制AI制药的发展和应用。
让算法更高效地利用数据，包括高精度计算产生的自有数据，再通过数据不断训练算法平台，提高研发效率和算法精度，形成闭环。
不可否认，药物的发现是基于科学逻辑不断试错的结果。在传统药物研发的流程中，采取实验试错的思路探索晶型，不但周期长，在成本、准确性、通量上都存在瓶颈。统计数据表明，平均一款新药的研发周期长达15年，总花费高达26亿美元。随着算法精度的提升及数据储备的增加，AI制药未来将在一定程度上解决新药研发所面临的困境。
规避AI制药同质化扩宽行业赛道
在AI医疗领域，同质化竞争是目前行业面临的巨大问题。但在AI药物研发领域，有非常多的细分切入点，每家公司的技术都有特色和差异化空间，同质化问题并不明显。
业内专家解释，与AI医疗相比，药物研发评估维度更多、优化目标更复杂。一个药物分子从无到有，从基本的物理、化学性质，到人体内的药学表现，不同的靶点和适应症，以及不同的研发路径、开发策略、临床方案等，这些维度都涉及不同的需求和相应的研究挑战，因此整个AI制药领域的赛道更加广阔。
实际上，AI制药行业的市场空间很大，天花板也高于传统制药领域，虽然目前各家企业基本处于高速增长过程中，但AI制药市场还远远没有饱和。AI制药能够更高效、更快速的发现新药，随着整个制药过程的不断成熟，AI制药将有更高的市场承载力。
此外，多位专家还表示，AI制药有望降低药品价格。一是，药企不必将所有临床试验失败的成本转嫁给消费者；二是，通过加快新药上市速度，企业可以拥有更多专利保护年限，从而平衡研发成本。这都为AI制药提供了更广阔的市场前景。
突破三大研发瓶颈加速AI制药进程
纵使AI制药快速发展，但其在现代制药和化学领域中仍存在瓶颈。业内人士指出，数据是绕不开的瓶颈。除了前文提到的研发过程数据依赖外，另一个重要问题是，在药物研发应用场景下，数据很难自动产生。在药物研发里，很多数据没有阴性数据，作为机器学习的模型，负样本非常重要，没有负样本，数据就难以平衡，这一问题的解决需要很大的数据系统支持，突破数据的瓶颈，AI制药将产生质的飞跃。
除数据外，AI制药的第二个瓶颈在于人工智能技术大多是基于概率模型的，因此，对一些现象和结果不能提供充分解释。专家认为，无论制药行业还是化学领域，都有一定的特有知识、机理或者机制为标准，并不是所有问题都可以单纯用人工智能技术来解决。目前，如何将基于人工智能技术的黑箱模型与化工领域的白箱模型结合，形成一套完善的研究方法，是目前化学和制药领域共同面临的难题。
AI制药的第三个瓶颈在于人才的缺乏。作为新兴领域，AI制药需要有交叉学科背景的专业人员，这一领域需要同时学习多个学科的知识和技能。目前，中国有人工智能专业兴起，但是交叉的专业还没有，与AI制药相匹配的课程和教学计划更加无人谈起。因此，对AI制药这一交叉学科领域人才补充仍需要时间。
业内人士预计，未来的AI制药工作很可能还是以计算机结合实验验证的模式进行，唯一不同是AI技术的不断成熟以及数据的积累，计算机模拟与人工实验的占比会发生很大变化。未来，进行大量模拟计算预测将成为主要部分，包括靶点发现、药物筛选、优化都是由AI来完成。经过若干轮的严格模拟筛选，只剩下很少的分子后，才会通过人工做实验来合成，并验证安全性和有效性，这将节省大量成本并加速整个AI制药的进程。
