本文授權轉載自生輝（ID：SciPhi）
上周，一家由“AI 女神”Daphne Koller 博士創辦的藥物發現初創公司 insitro 宣布完成了 1.43 億美元的 B 輪融資。這家公司結合了先進的 AI 和 ML 技術以及獨特的數據集，在預測候選藥物方面表現出色。去年，insitro 還與 Gilead 簽下了高達 10 億美元的合作協議。
此輪融資由世界頂級風投機構 Andreessen Horowitz 牽頭，參投方還包括 ARCH、GV、BlackRock、Foresite、Third Rock 、Casdin 等等，陣容極為豪華，藥明康德也是其中重要的參投方之一。
Daphne Koller 博士是以色列裔美國人，是斯坦福大學計算機科學教授，也是麥克阿瑟獎學金獲得者。?她是在線教育平臺 Coursera 的創始人之一。其研究領域是 AI 及其在生物醫學領域的應用
（來源：insitro）
insitro 是藥明康德在 AI 藥物研發領域投資的第六家公司。作為國內 CRO 領域的龍頭，藥明康德對能助力藥物研發效率的技術格外關注，這也是其近年在 AI 藥物研發領域比較活躍的原因。
藥明康德投資的六家 AI 藥物研發公司
（來源：根據 PitchBook 公開資料整理）
到 2024 年，AI 藥物研發的市場規模預計將達到 200 億美元。此前，醫藥領域咨詢公司 L.E.K. 在去年對制藥行業高管進行了調查。結果顯示，在未來 5-10 年內，AI 將成為藥企運營模式中的標準配置。由于大部分 AI 技術供應商尚處在初創階段，目前也沒有成功的商業案例用來借鑒，所以對于藥企或者投資者來說，按照什么節奏、如何布局 AI 戰略成為一項復雜而艱難的工作。
藥明康德的 AI 藥物研發投資邏輯或許能帶給行業一些借鑒和啟示。
偏好技術型的初創公司
藥明康德投資的六家 AI 藥物研發公司均創立于國外，目前總部位于中國的 Insilico Medicine（以下簡稱“Insilico”）也是在美國成立，在去年才將總部搬到了中國，藥明康德在其遷移總部的決定中起到了很大的影響。
六家 AI 藥物研發公司的具體信息
（來源：根據 PitchBook 公開資料整理）
Insilico 是少有的能把 AI 滲透到從靶點發現到臨床預測每一個產業環節的公司，也是眾多同行眼中最具競爭力的公司之一，被 CB Insights、McKinsey、Frost & Sullivan 評為全球頂尖 AI 藥物發現公司之一。
藥明康德領投了 Insilico 的 A 輪，后來加入的投資者包括啟明創投、斯道資本、百度風投、禮來亞洲等等。
Engine Biosciences 的團隊出身 MIT，團隊的多篇論文發表在 Science、Cell、Nature Biotechnology、Nature Methods、PNAS 上，學術積累深厚。該公司的技術目前已應用于四個領域：藥物重定位，將已知藥物應用于新的適應癥；發現新靶點，確定疾病的生物因素；精準治療，支持基于病人特殊基因構成的獨特治療；途徑分析。
另一家被藥明康德投資了的 AI 公司是位于美國南舊金山的 Verge Genomics。該公司的優勢在于建立了一個全面的數據集，便于在疾病理解、機器學習和 AI 方面進行研究。重要的是，Verge 完整的藥物開發方法將患者數據與動物模型進行比對，以確保使用適當的轉化研究。Verge 首席執行官 Alice Zhang 因 “使用機器學習來識別帕金森癥和阿爾茲海默癥的新療法” 而入選 2018 年 MIT TR35。
在美國硅谷的 Strateos 由 Transcriptic 和 3Scan 合并而來，Transcriptic 開發了第一個用于按需選?。╫n-demand）生命科學研究的機器人云實驗室平臺，3Scan 則將自動化、機器學習和計算機視覺相結合，從組織樣本中提取空間數據并創建詳細的 3D 表示形式，并對復雜的解剖結構進行定量分析。因此，Strateos 可以將化學、生物學和組織分析自動化到閉環機器人實驗室中，以加速藥物發現。
總部位于紐約的 Schr?dinger 的優勢在于基于物理的計算藥物設計與 AI 和 ML 的結合。Schr?dinger 的平臺為早期藥物發現提供更快的先導物識別、性質預測和大規模分子評估。2019 年，藥明康德與比爾和梅林達?蓋茨基金會信托基金(Bill and Melinda Gates Foundation Trust)共同主導了 pre-IPO 輪融資。Schr?dinger 已于今年在納斯達克上市，目前估值 43 億美元。
（來源：The Chemical Engineer）
從投資偏好來看，藥明康德更偏重于早期，喜好有技術大?；蛘呓徊姹尘按笈＜映值?、技術應用較為完整且偏上游的技術驅動型初創，對有華人背景的公司也比較喜愛。
與 VC 巨頭一起投是藥明康德投資 AI 藥物研發公司的另一個特點，在投資回報率角度，與頂級風投機構合投在某種程度上是一種保證；在項目角度，也是對被投公司技術專業性的背書。
布局藥物研發全鏈條
在國內甚至在亞洲，目前還沒有其他投資機構在 AI 藥物研發領域建立起與藥明康德類似的全面投資組合。藥明康德的被投企業覆蓋了藥物發現過程的各個關鍵環節。
?藥明康德專注于藥物發現過程各個關鍵環節的一流 AI 公司
（來源：生輝）
AI 具有利用大數據集解析和訓練以產生新穎見解的能力，適用于藥物發現的多個方面，例如靶標識別、高通量篩選和用于臨床試驗的生物標記物發現。利用 AI 的重要意義是可以減少發現先導化合物的時間和成本，并減少后期臨床試驗失敗的風險。學術團體、風投支持的 AI 商業公司已經驗證了這一點。例如，藥明康德和 Insilico 展示了在 23 天內即可選擇靶標并生成先導化合物的能力，而行業基準為 11 個月。藥明康德和 Insilico 合作發表的論文認為，AI 具有降低成本，提高研發生產率和效率的潛力。
靶標的識別和驗證：現代藥物發現工作通常從一個基本假設開始，即特定的生物靶點是否參與了特定疾病的發病機制。如果存在經過臨床驗證的靶標，研究人員可以通過使用高通量篩選方法來進行苗頭化合物發現。而為了確定新的靶標，體外和體內的敲入 / 敲除模型通常作為一種傳統手段，用來識別針對特定疾病的新靶點。
AI 有潛力通過深入探索不斷發展的基因組學、轉錄組學、蛋白質組學和代謝組學數據來預測新的治療靶標，從而填補目前對遺傳靶標及其與疾病結果關系的理解的空白。靶標識別方面的改進對藥廠和生物技術公司至關重要，因為它仍然是研發過程中具有挑戰性的一步。
高通量篩選（HTS）和先導化合物鑒定：為了找到能夠調節靶標的化合物，HTS 已成為藥物開發行業中篩選苗頭化合物的標準方法。該方法通常以高通量形式在生化或細胞基礎上的進行檢測，測試大型小分子文庫（大約一百萬個化合物）。盡管該方法已經成功地開發了幾種已獲批準的藥物，但該方法仍存在局限性，主要原因是：首先，基于具體所選靶標，篩選設置可能會在技術上具有挑戰性；其次，耗時，因為篩選通常需要對各種參數（例如效價、生物利用度等）進行進一步優化。此外，行業中大多數篩選庫可能只包括了理論上可用的各種化學結構的一小部分，大多數小分子化合物庫可能只有 10^3 數量級的化學型。
這些局限性使得各種學術和行業機構開始探索 AI 對小分子進行虛擬篩選。大多數采用的方法是在小分子庫、相關靶標及其他數據上訓練 AI 算法，從而能夠找到可以結合特定靶標的相似分子或新分子，從而提供新的苗頭化合物或先導化合物以供進一步開發。
用于臨床試驗的生物標記物發現：設計成功的臨床研究的關鍵一環是招募正確的患者群體。因此，藥物發現行業致力于發現和開發生物標記物及與之相關的診斷方法，從而能夠識別出對治療響應最佳的患者。然而，鑒于臨床前數據源會產生大量數據，生物標記物的發現通常不是一個簡單的過程。
與靶標識別和藥物篩選非常相似，臨床生物標記物開發也可從 ML 方法中受益。將 ML 方法應用于臨床前數據可以識別潛在的生物標記物，然后可以由其他臨床前和臨床數據對其進行驗證。一旦通過驗證，該生物標記物可在臨床研究中用于識別患者，甚至為療法提供新的潛在適應癥。
不過，業內人士告訴生輝，盡管將 AI 應用到藥物發現的潛在益處巨大，但在利用該方法獲得新藥批準之前，還需要解決以下問題：
（1）確定哪些研發環節最適合應用 AI；
（2）藥企、生物技術企業之間的數據共享和協作，以提高 AI 能力；
（3）關于如何評估 AI 識別的藥物靶標或生物標記物的監管透明度；
（4）用于訓練 AI 的患者數據的隱私性。
Win-Win
與大多數風投不一樣的地方在于，藥明康德自己有藥物生產能力和計算機輔助藥物設計開發團隊。所以拋開投資回報以外，藥明康德還可以通過和這些公司的合作，進一步提升自身賦能新藥研發的能力。
藥明康德和被投公司之間的合作方式多種多樣。比如，藥明康德和 Schr?dinger 合資成立了 Faxian Therapeutics，新公司可以將藥明康德的先導化合物優化服務與 Schr?dinger 的藥物設計軟件平臺相結合，加速新藥發現?！拔覀儗?Schr?dinger 持續以新穎獨特的方式推動新藥研發創新倍加贊賞，”藥明康德董事長兼首席執行官李革博士說，“我們希望這輪投資能夠助力 Schr?dinger 為提高新藥發現的效率和新藥研發的成功率做努力，加速為全球病患帶來更多創新藥物和療法，滿足更多重大疾病的為滿足臨床需求?！?/p>
藥明康德于 2019 年和 Insilico 開發了一種 ML 模型，用于從頭設計 DDR1 蛋白（一種與纖維化等疾病有關的激酶）的小分子抑制劑。ML 模型在許多數據上進行了訓練，包括一個大型小分子庫、已知的 DDR1 抑制劑、靶向非激酶的分子、制藥公司擁有的生物活性分子的專利數據以及 DDR1 抑制劑的 3D 結構等。從初篩發現的 3 萬個小分子，到篩選出用于實驗驗證 6 個化合物，最終有 2 個在細胞檢測中得到驗證，其中 1 個在小鼠身上表現出了良好的藥代動力學特性。
最值得注意的是，從靶標選擇、模型建立和訓練到篩選出 6 個先導化合物所花費的時間只有 23 天。相比之下，目前先導化合物發現耗時的行業基準為 11 個月。
上述模型篩選化合物的工作流程和時間表
（來源：Nature Biotechnology）
反向來看，這些 AI 公司能從藥明康德獲得什么？
鑒于藥物開發行業的需求未得到滿足，數家 AI 公司正在尋求開發能夠促進藥物發現過程中一個或多個步驟的技術，并將其商業化。作為全球最大的藥物研發 CRO 公司之一，藥明康德的平臺可以使這些公司能夠最大程度地發揮其技術潛力。
而 Insilico 的首席執行官 Alex Zhavoronkov 博士此前在接受生輝采訪時曾說，它從藥明康德獲得的遠不只是資金或者實驗室，作為世界第二大醫藥市場的中國市場資源才是 AI 藥物研發企業真正需要的。
國內一系列行業發展及改革新政迫使藥企從營銷驅動轉向技術驅動。尤其近些年，以百濟神州、復宏漢霖為代表的一批中國藥企正在通過加速轉型逐漸加入到國際化的市場競爭中。中國市場潛在規模巨大，國內各大制藥公司向創新藥研發的傾斜等等宏觀因素和產業趨勢使得中國市場對于 AI 公司來說是不可錯過的機會之地。
2017 年?Nature Reviews Drug Discovery?刊登的一篇分析文章，題目為《中國生物制藥開始 “供給” 全球藥物管線》
（來源：Nature）
目前，國內不乏受資本寵愛且有一定規模的 AI 藥物研發公司，比如晶泰科技；也有一些從高?；蛘哐芯吭悍趸鰜淼膶W術氣息較濃的初創公司，比如深度智耀、英飛智藥、尋百匯等。
盡管國內外對于 AI 用于藥物研發的探索都尚未成熟，但從大藥企訂單數量及營收方面推斷，國內公司還無法與 Insilico、Atomwise、Exscientia 明星公司并駕齊驅。高質量的數據積累、交叉型人才及經驗的缺乏是造成這一現象的根本原因。
相比于跨國藥企，國內多數藥企對于 AI 的接受程度似乎更為保守。仿制藥模式轉型到借助 AI 等新技術研發創新藥，對于藥企來說，這需要一個了解和判斷的過程。
與藥明康德合作，可以幫助 AI 公司，尤其是國外的 AI 公司，深入了解國內藥企的想法和隱憂。這對于像 Insilico 這樣極為重視中國市場的公司來說是一大助益。
參考：
Alex Zhavoronkov et al., (2019), Deep learning enables rapid identification of potent DDR1 kinase inhibitors, Nature Biotechnology, DOI:?
https://doi.org/10.1038/s41587-019-0224-x
https://www.nature.com/articles/nrd.2017.94