來源：百億基金經理內參

　　近期，“木頭姐”帶領她的ARK研究團隊發佈了名爲《Big Ideas 2025》的報告，長達148頁，深入探討了當今不斷發展的五個技術創新平臺。

　　其中，在多組學測序方面，報告指出，在海量多組學數據的支持下，結合可編程生物學的驅動，運行自主實驗室的AI系統可能會顯著降低藥物研發全流程的成本，從而改變這個長期停滯的製藥行業的回報狀況。

　　無獨有偶，某重倉該板塊的基金經理在近日的一場內部交流會上，也分享了其對 AI 醫療，尤其是 AI 製藥領域的看法。（因錄音轉文字，可能會存在部分錯誤）

　　核心觀點如下：

• 2014 年起，全球生物製藥研發熱，AI 在生物醫藥領域愈發重要，國內算力和算法問題逐步解決。

• 製藥流程涵蓋多階段，藥物類型多樣，AI 在多環節有應用，但目前主要是輔助，尚無全流程成功案例，提升效率效果不顯著。

• 算法方向漸趨一致，算力不是瓶頸，數據少制約發展。數據質量差，老藥新用數據易獲取，新靶點及新藥研發數據挑戰大。

• AI 在小分子領域應用更順，大分子生成有困難。藥企多從公開數據獲取信息，公開數據有質量問題。

• 技術上，蛋白預測、對接難，數據少；商業模式上，AI 製藥成本高、CRO 服務盈利難。大模型目前效果不明顯，收費合理時客戶願嘗試 AI，AI 能減少實驗分子、提供新思路，應用於 CRO 行業利弊共存 。

　　原文如下：

　　自 2014 年起，全球生物製藥研發熱潮湧起，與此同時，隨着阿爾法 go 和 ChatGPT 等工具的出現，AI 在生物醫藥領域的重要性與日俱增。

　　曾經讓人們憂心忡忡的算力和算法問題，如今隨着DeepSeek 等開源算法工具的出現，在中國已逐步得到解決。

　　在製藥過程中，製藥流程一般涵蓋靶點發現、藥物發現、藥物優化、工藝優化、臨牀試驗等階段，藥物類型多樣，包括小分子化學藥、大分子的蛋白、RNA、基因治療、細胞治療等。

　　AI 在靶點發現、藥物發現、優化及工藝優化等環節都有涉足，臨牀方面也有公司藉助 AI 進行病人篩選和臨牀數據解讀。不過，目前 AI 製藥大多還處於輔助階段，還沒有端到端的成功案例。

　　雖然在蛋白結構預測、分子對接、性質優化、ADMET 預測、合成方法設計、細胞培養及純化策略選擇等方面有應用，但在大幅提高開發效率上效果還不太顯著，和傳統制藥在時間上差異不大。

　　說到算法、算力和數據在 AI 製藥中的關鍵作用，在算法方面，早年研究較爲寬泛，2015 年起基於語言模型如 LSTM 開展工作，2017 - 2018 年開始很多人在小分子和大分子設計上使用 transformer 模型，方向逐漸趨於一致。

　　算力在 AI 製藥上並非大瓶頸。而數據方面，有標籤的數據太少是最大的痛點，嚴重製約着效率提升及端到端藥物研發。

　　要確保數據質量和多樣性以支持大模型訓練，乾溼閉環結合真實世界驗證是很有必要的。

　　數據質量一直是生物醫藥行業的難題，生物醫藥期刊實驗結論可重複率低，每批數據的產生受受試對象、檢測方法、生物本身波動等多種因素影響。

　　對於研究較多的靶點，像 PD - 1、HER - 2，數據相對真實且量大，有利於大分子 AI 應用。但新靶點數據存在挑戰。

　　目前在老藥新用方面數據支持相對容易，全新的 first - in - class 藥物研發數據挑戰則很大。

　　目前 AI 在老藥新用方面相對容易，因爲有較多數據支持。在 first - in - class 藥物研發上，雖然難度大，但已有團隊在嘗試。

　　比如 Baker 實驗室及其公司 sarra，基於 transformer 和 diffusion model 生成大小分子藥物，這是做 first - class 藥物的方向之一。

　　其邏輯是通過預測靶點結構，確定影響蛋白質的機制和結合面，反推藥物結構。不過目前通過此方式成功設計出來的大分子藥較少，小分子藥相對較多，因爲小分子原子少、計算容易、篩選成本低，可通過結合面預測合成類似物進行篩選。

　　AI 在小分子領域應用相對更順利，因爲小分子原子少、結構相對剛性，計算容易，可通過高通量篩選得到更確定性答案。

　　而大分子是蛋白結構，原子多且具柔性，在溶液中構象動態變化，難以同時預測準確，目前在通過 AI 直接生成有做藥能力的大分子方面存在困難，但可先通過傳統方法獲得陽性大分子候選數據，再訓練優化模型得到不錯的大分子藥物。

　　如果以抗體爲例，Baker 實驗室做全新蛋白結構設計，其序列若通過 OS 數據庫獲取，需對數據調優，洗掉髒數據，以此做 process model ，生成的序列可能在訓練數據規則內。

　　大家認爲以人的數據生成普遍模型，再從中 generate 數據，大概率會靠近人的特性。但對於 AI 做蛋白設計，其生成序列的天然性一直是討論熱點，不過總體認爲通過上述方式生成的抗體在成藥性上問題不大，與傳統方法篩選出的抗體相比，成藥性更接近天然。

　　要是蛋白分子對接能做好，對大分子做藥或從頭設計藥來說是重大突破。像 David Baker 等用數學 model 生成抗體等，最大問題是蛋白的柔性及結合位置構象變化大，僅做靜態結構模擬遠遠不夠。

　　目前阿爾法四三在蛋白相互作用方面做得不好，若有公司能在該方向取得進展，將是很大突破，但具體誰先成功還不確定。

　　藥企進行藥物開發時，大部分數據源從公開數據集獲取，如 gam express、NCBI 等有大量數據，以前在美國學校還可 access 美國人類基因組數據，中國也有相關人類基因組數據獲取途徑，此外還有企業自身的 property 數據。

　　公開數據存在質量問題，受實驗室操作、實驗環境等影響大，且在疾病信息傳導路徑中起關鍵作用的上游數據變化量小、表達量少，難以被測出來，不利於發現新靶點和利用數據。

　　但通過數據清洗可一定程度改善。與醫院私密數據相比，公開數據可能不是最核心的，但經過處理後仍有重要價值，同時自己進行數據設計和模型搭建也很關鍵。

　　藥企對健康行業如手環或手錶的數據需求不大，這類數據在藥物開發中作用不明顯。

　　在藥物研發後續工作中，藥物靶點及特性可能受人羣基因型、種族、性別、年齡等影響，AI 可用於患者篩選，通過考量覆蓋機型等因素選擇合適人羣。

　　在臨牀試驗設計方面，AI 可根據召回患者情況，更合理地設計劑量、每期臨牀試驗方法，提高藥物成功幾率。

　　在整個醫療領域終端應用方面，靶點發現上，美國 autun wise 較知名，國內相關公司較少。

　　藥物發現與設計方面，David Baker 的公司、修定格等有潛力做 d novo 藥物設計，多數公司做藥物優化，如國內金太在 ADMVT、free energy proportion 方面較出名，與 first 有長期合作；大分子方面，b cat 在 CDR 區優化等方面表現較好。

　　臨牀方面相關公司較新。生產方面，美國有公司通過看細胞照片判斷細胞是否適合生產，國內大灣生物可通過細胞數據或影像優化細胞培養。工藝方面，西門子在細胞工藝發酵過程引入相關工作。

　　底層服務方面，NVIDIA 集成很多工具。國內金泰是 AI 上市藥企，在 reformation 等方面較出名；inc inc ical medicine 在靶點篩選等方面有較多工作；分子之心在大分子基於已有序列改造，提高成藥性和親和力方面有成功經驗；百圖四五年前開始做免疫知識圖譜、藥物發現等方向，但目前還未聽到成功案例及相關更新。

　　從挑戰來看，技術層面，蛋白結構動態預測難、分子對接難、標籤數據少，特定靶點 AI 模型泛化能力不好。商業模式方面，AI 製藥企業自己做藥成本高，且臨牀成功率與是否用 AI 關係不大；提供 CRO 服務賺錢有限，客戶付費意願低；提供 AI 服務收 milestone 和 royalty 等較難，除非是非常特別的藥物和靶點。

　　短期內，技術挑戰難以完全解決，商業模式也需不斷探索完善。

　　在藥物發現上，大模型以及 deep seek 目前效果不大。小分子和大分子藥物很早前就引入 transformer 相關模型，基於語義表達開展工作，如小分子用 ipc 式子表達、大分子把氨基酸當 token 用 transformers 模型。大家會用類似 gbt 或 deep seek 的模型架構，但不會直接用，而是用化合物庫（如 ipc）或抗體數據庫（如 OS）的數據訓練模型。

　　大模型如 GPT、deep seek 這類通用文本模型，在總結文章、建立實體關係模型、靶點發現中讀文獻找 hint、建立知識庫和知識圖譜方面有幫助，但不是關鍵。

　　在化合物庫和抗體序列處理上，會將其當作類似語言模型處理，但直接應用 GPT 或 deep seek 進行藥物研發較難想象，更重要的還是自身訓練的大模型、篩選模式和選取高質量數據的方式。

　　如果收費合理，客戶願意嘗試 AI。目前保證成功的抗體或小分子優化 package 收費在幾萬到 10 萬美元，使用 AI 可能增加 10% - 20% 費用，客戶基本可接受。

　　但純以 AI 提供服務，收取 milestone 和 royalty 難度大，因藥物研發成功率低，整體投入大，客戶不願承擔風險。

　　AI 最擅長在已有與靶點結合的 candidate 基礎上，生成很大空間，看生成的化合物或大分子是否有相同結合能力，進行大小分子虛擬篩選和大分子虛擬篩選及藥物優化。

　　與傳統結構生物學家設計相比，AI 能提供更大空間，給出高潛力結合分子情況。例如在藥物優化中，AI 生成序列約 20% 有結合力，其中約 10% 結合力更好，相比傳統飽和點突變等方法，可大幅減少實驗分子數量，提高效率。

　　在 AI 藥物優化循環中，結構生物學家可輔助判斷 AI 設計的分子，但因 AI 設計的分子與原本差異大，結構生物學家判斷也有難度。

　　所以結構生物學家和 AI 都會進行設計，AI 設計的分子通過實驗驗證是否結合更高效。在藥物優化中，傳統方式需大量分子實驗，AI 可減少實驗分子數量，雖然不能保證每次 AI 表現都優於結構生物學家，但提供了新工具和不同序列類型，有很大價值。

　　從設計和表達純化費用看，AI 減少實驗分子數量可能使整體收入減少，但降低了製藥門檻，可能帶來更多生意。

　　在時間方面，雖然從 DNA 到 IND 部分工作時間可壓縮，但該階段時間和費用在整個藥物研發中佔比不大，更關鍵的是 AI 能提供更多解決思路和增加設計豐富度。

　　整體而言，AI 應用於 CRO 行業對推動醫藥行業發展是利好，可能帶來更多需求，但在成本和時間壓縮上空間有限，且在減少人力方面可能存在衝突。

海量資訊、精準解讀，盡在新浪財經APP

責任編輯：江鈺涵