现阶段中国创新药研发以临床获益为目标，国家将原始创新提升到前所未有的高度。然而，创新药的研发周期较长、成功率较低，且存在反摩尔定律现象（指投资10 亿美元得到的上市新药数目每9 年就减少一半）。

　　人工智能技术的发展为新药研发提供了新的可能性，通过大数据积累、运算以及虚拟筛选来提高研发效率，助力医药研发企业实现降本增效。

　　人工智能辅助药物研发最初以计算机辅助药物设计（CADD）面世，逐渐发展为人工智能药物研发（AIDD）。目前，人工智能技术几乎覆盖了从药物靶点发现至临床试验的全流程，主要应用于药物发现、临床前研究、临床研究等阶段，其中药物发现是众多药企的重点布局领域。

　　人工智能（Artificial Intelligence），简称AI，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能技术可分为机器学习、自然语言处理、计算机视觉、机器人4个子领域[1]。

　　人工智能技术已渗透于包括农业、交通运输、医疗保健、制造业、仿生机、互联网、金融等多个领域[2]。目前人工智能技术在语音识别、人脸识别等以模式识别为特点的技术应用上已较为成熟。

　　新药研发耗时较长，成本较高。将一种新药从研发到推向市场平均需要10年以上，研发成本约26亿美元，成功率约10%[2]。极高的耗时和较低的研发成功率为制药行业带来了严峻挑战。

　　人工智能技术的兴起，为新药研发实现降本增效带来了极大的可能。AI技术可将药物前期研发时间缩短约50%，每年为全球化合物筛选和临床试验费用节省约550亿美元[3]。据Bekryl公司数据，至2028年人工智能有可能为药物发现过程节省超过700亿美元[4]。人工智能技术可显著缩减研发成本，降低研发失败风险。此外，通过大量数据学习和模拟，AI技术可辅助分析临床前数据，以提高候选药物在临床试验中的成功率。

　　AI辅助药物研发起步于20世纪80年代，以计算机辅助药物设计（CADD）面世，后续发展为人工智能辅助药物研发（AIDD），几乎覆盖了从药物靶点发现至临床试验的全流程。

　　如上图所示，AI辅助药物研发主要应用于药物发现、临床前研究、临床研究等阶段，其中药物发现是众多药企的重点布局领域。

　　根据速石科技数据，超过三分之二的AI合作应用于药物发现阶段[5]。AI在药物发现阶段的应用主要体现在靶点确定、先导化合物与候选药物的筛选。

　　靶点确定是新药研发中的第一步，也是最关键的一步。靶点即药物靶标，是指与疾病密切相关并能被药物作用的生物大分子，如某些蛋白质和核酸等。药物通过干预靶点对疾病产生疗效。靶点识别主要通过搜索海量医学数据库、文献来实现，因数据量巨大，人工筛选困难。自然语言处理技术可以快速实现对医学大数据的挖掘分析，发现与疾病相关的机制和通路，从而发现新的机制和靶点。机器学习模型也可以用于预测靶点，Ferrero等人用ML模型对18,104个基因集中每个基因成为药物靶点的概率进行预测[6] 。

　　苗头化合物和先导化合物的筛选最初由高通量筛选主导，高通量筛选耗时大、成功率较低，具有较高的时间、人力和试错成本。虚拟筛选是CADD的重要方法，是指从化合物库中筛选出有潜力成为有效药物的先导化合物的一系列计算方法[6][7]。人工智能技术能够提升虚拟筛选的效率和准确性。Unterthiner等人的一项研究显示，深度神经网络（DNN）算法在虚拟筛选中表现出良好的性能[6]。虚拟筛选一般分为基于结构的VS（Structural Based Virtual Screening，SBVS）和基于配体的VS（LigandBasedVirtualScreening，LBVS）。SBVS已经开发了包括NNScore、CScore、SVR-SCORE和ID-SCO在内的多种评分算法和用于预测蛋白质-配体亲和力的卷积神经网络和浅层神经网络。用于LBVS的算法和工具包括SwissSimilarity、METADOCK、HybridSim-VS等[7]。

　　临床前研究阶段，AI可用于预测候选药物的吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、外排（Excretion）和Toxicity（毒性），简称ADMET性质，辅助药代动力学和毒理学研究。Lapins等人利用机器学习模型预测了约1,600万个化合物的辛醇-水分配系数（logD）。Schyman等人用一种改进的KNN算法——VNN算法预测了包括血脑屏障渗透性、线粒体毒性、细胞毒性、药物性肝损伤、最大推荐治疗剂量等多个ADMET性质，结果显示VNN算法在多个预测任务中具有良好的表现[6]。人工智能技术辅助临床前研究能够高效评估候选药物的安全性和有效性，提高临床试验成功率。例如，利用计算模型进行毒性预测，可以实现在体外和体内试验之前即对化合物进行毒性筛选，提高毒性研究的效率，节约毒理分析成本。

　　临床试验阶段，人工智能技术可辅助临床试验设计、患者招募和临床试验后续管理。自然语言处理技术可通过收集、组织和分析过往同类临床试验的大量数据，提取有效信息，对临床试验设计进行优化。人工智能工具可以帮助减少患者选择过程中的人口异质性，为特定的待试验药物选择具有正确疾病表型的患者，提高临床试验患者招募效率。

　　例如，抗癌药物通常作用于癌症进展的某个特定阶段，因此，在招募临床试验患者前，须确定患者的癌症进展阶段。以机器学习为指导的自然语言处理可高效读取患者的临床数据如症状、诊断和治疗信息，确定患者的疾病表型，并和临床试验方案的入组标准进行准备匹配[8]。通过与可穿戴技术相结合，人工智能算法可以实现对患者的持续监测和对治疗安全性的实时洞察，确保患者的安全，增强患者的参与意愿，提高临床试验管理效率和成功率[8][9]。

　　目前，AI研发项目主要聚焦于癌症、神经系统疾病、心脑血管疾病、精神类疾病等疾病领域。AI合作涉及的主要疾病及相关药企细节见下表。

　　由上表，目前AI制药项目覆盖疾病种类丰富，包括癌症，神经系统疾病如帕金森、癫痫，心脑血管疾病，精神类疾病，呼吸系统疾病，眼部疾病如黄斑部退化、青光眼，消化及代谢系统疾病如肠胃病、糖尿病等。MNC药企也纷纷布局AI制药，包括拜耳、诺华、辉瑞、阿斯利康、默克等。

　　根据Deep Pharma Intelligence研究，人工智能制药公司可以依据AI技术平台的不同分为拥有特定人工智能工具或系统的AI制药公司和拥有端到端人工智能平台的AI制药公司。

　　拥有特定人工智能工具或系统的AI制药公司中，管线处于药物发现和临床前研究阶段的企业包括晶泰科技、Atomwise、CytoReason等；拥有临床阶段管线的包括Nuritas、Healx等。拥有一体化端到端人工智能平台的AI制药公司中，管线处于药物发现和临床前研究阶段的企业包括deep genomics、Neumora、Deargen等；拥有临床阶段管线的企业有英矽智能、Benevolent AI、Recursion等。

　　[1]王燕鹏, 韩涛, 赵亚娟,等. 人工智能领域关键技术挖掘分析[J].世界科技研究与发展, 2019, 41(4):12.