清華姚班、MIT計算機博士：入局AI製藥風口，為什麼要趁早？丨附19個現場問答

近日，雷鋒網《醫健AI掘金志》以「AI製藥·下一個現象級賽道」為主題，邀請百圖生科、劑泰醫藥、未知君、望石智慧、英矽智慧、星藥科技六家先鋒企業，舉辦了一場線上雲峰會。

作為此次活動的演講嘉賓，星藥科技創始人&CEO李成濤，以《人工智慧在小分子藥物研發中的應用》為題，對星藥科技的AI新葯平臺做了介紹。

李成濤表示，總結來看，AI製藥主要就包含兩類問題，首先是分類與迴歸，知道一個新分子到底有怎樣性質，其次是生成與設計，找出那些是好分子，那些是不好的分子。

目前人類已經探索出的化合物空間大概是10¹⁰-10¹²，但適合成藥的成藥化合物大概是10^60，這就像一個巨大的宇宙，我們知道的只有一個小太陽系，甚至是小地球。在這種情況下，人工智慧這樣的工具如何突破原有思維定式，找出比傳統人類方法更好的分子，就成為了關鍵。

以神經網路的黑箱問題為例，人們往往認為人工智慧不可解釋，在AI製藥研發當中，星藥科技引入了資訊瓶頸和剪枝技術，讓黑箱問題變得更加視覺化。

也就是，把分子丟進AI製藥模型之後，不僅可以告訴我們毒性好不好，還可以找出是哪一個模組或哪一個基團導致。

把這個結果和影象資訊拿給藥物化學家判斷，就可以知道分子是不是遵循思路，描述是不是契合科學原理，當分子不夠理想的時候，也能知道是哪部分原因，從而可以有針對性的進行改結構。

像這樣的路徑和方法，在創新分子研發、找新可專利分子、分子衍生躍遷中都有極大的幫助。

以下是演講全部內容，《醫健AI掘金志》做了不改變原意的整理和編輯：

非常感謝大家留出時間參與這場活動，也非常感謝雷鋒網的組織，能讓我有機會和大家分享一下公司在人工智慧以及小分子藥物研發應用做的一些工作。

首先自我介紹一下，我是李成濤，2010年至2014年本科就讀於清華姚班，2014年去麻省理工學院攻讀博士學位。

自己的背景是計算機與人工智慧的方向，但在波士頓接觸了很多做藥物研發科學家們，瞭解到很多與藥物研發相關的應用，所以覺得人工智慧在小分子藥物研發上是有用武之地。

在獲取博士學位後，我創辦了「星藥科技」，主要通過人工智慧加速小分子藥物研發。

在這裡與大家簡單介紹一下，具體如何去做的，以及這個領域有哪些痛點，同時人工智慧是如何協助解決這些痛點。

演講分為如下幾塊：

1、簡單講講新葯研發的整個流程，以及面臨的挑戰；

2、人工智慧是如何與新葯研發結合，並加速整個新葯研發流程；

3、小分子藥物研發流程，即每一步該怎麼做，如何通過人工智慧演算法提速整個流程；

4、技術總結與領域展望。

一、週期長、成本高，新葯研發難題待解

首先講講新葯研發面臨的挑戰。

眾所周知，新葯研發其實具有長週期的特點。我們簡單把新葯研發流程分為兩大部分：

一是臨床前階段，包括早期化合物的發現、化合物的優化，所有的工作都是我們在人體外進行的，包括設計小分子之後，根據小分子在細胞、小鼠甚至猴子上做的一些驗證實驗，去觀察這個小分子是否能夠達到我們想要的效果。

臨床實驗之後，分子就可以進入臨床實驗階段，在人體上進行一些實驗。臨床實驗本身又分為一期、二期和三期，分別能夠觀察藥物本身的毒性、有效性以及大規模人群中應用的具體效果，如果通過臨床三期，藥物就可以獲批上市。

但整個流程下來，過程非常漫長，總耗時達到了9-15年的時間，而臨床前時間會花費4-7年，剩餘就是臨床實驗時間。另外流程成本極高，平均一款新葯從源頭開始，到藥物正式上市總成本是非常之高。

但這樣一個成本極高、耗時極長的業務，回報率卻相當低，這歸因於每個步驟低成功率。

剛才提到臨床和臨床前階段，成功率都低於10%，所以整體概率低於1%。

如果我們做了100個項目，可能最後只有1個項目成功，甚至沒有一個結果，造成極低投資回報率。作為參考，在美股熔斷之前我們進行投資的話，每年回報率大概是10%，但新葯研發回報率大概為1.8%，可以想象這是一個不太優質的投資標的。

這也說明這個行業面臨各種各樣痛點，新葯研發耗時長、成本高、回報率低特點，那星藥科技能夠提供什麼樣的解決方案呢？

二、 AI，能為新葯研發帶來什麼？

首先是技術層面。每一個新葯研發前期的模組上，例如虛擬篩選，我們的Hit Rate能比傳統方法高出十數倍；包括一些小分子預測；還有可合成性篩選上，這在本質上解決了一些新葯研發難點，同時極大縮短了從靶點開發，到臨床前候選藥物所用的時間。

4-7年或許能夠將它壓縮至1-2年，甚至一年以內。最終我們通過人工智慧演算法和算力，可以支援多條管線並行進行，也就是用同樣的時間，同樣成本，能夠做到更多條管線。

其中一個藥物研發的項目即是一個管線，如果我們可以支援多條管線同步進行，對藥企而言，我們就可以佈局更多管線，做更多嘗試，這一點對整個產業界都是至關重要。

簡單談一下，人工智慧和新葯研發到底是如何結合？

人工智慧近幾年迎來一次爆發式增長，尤其是在2012年之後，即AlexNet之後各種各樣模型、算力以及資料都獲得長足進步。

以ImageNet為代表的整體資料規模提升，加上英偉達為代表基於GPU算力提升，還有模型複雜度質的提升，為模型本身能力帶來新飛躍。

這些提升讓整個人工智慧領域各式應用噴薄式增長，這邊列舉幾個典型案例。

例如醫療影像，我們可以用AI輔助醫生CT影像、X光影像診斷；例如無人車，Google Waymo、小馬智行也都做得非常棒；

最後是Alpha Go，相信大家並不陌生，2016-2017年，大家都不看好Alpha Go可以打敗李世石，但它做到了。

這些事情非常震撼，證明某些情況下人工智慧比人類更好，即使是在一些人類已經鑽研或者學習了上百年領域。

那AI在醫藥領域到底有什麼樣的應用呢？

剛才講到，醫藥研發分為臨床前研發和臨床研發兩部分，AI對兩部分都可以提供對應作用，這裡面分為不同Modality，即不同藥物形式：有小分子，有大分子，有多肽，有PROTAC，有核酸類藥物，包括最近Modena做的mRNA藥物，也是一種Modality。

此外，臨床實驗設計上人工智慧也能提供一系列幫助。

我們列舉比較有代表性應用，包含活性預測，即小分子與蛋白質結合後，蛋白質活性是上調還是下調，這是非常重要的成藥性參考指標 ；

還有ADME/T性質預測，即藥進入人體之後，經過吸收、分佈、代謝包括排洩對人體毒性有多強，所有這些性質預測，能夠幫助很好判斷小分子成藥性質到底怎麼樣；

還有人工智慧對藥物晶型的預測，或者人工智慧對藥物製劑預測，解決了我們全行業的一個痛點。

所以整個小分子研發早期鏈條上，會發現很多不一樣的應用，都可以用到人工智慧。

今天簡單講講人工智慧怎麼應用在小分子早期研發上，其中包含兩個主要資料，一個是分子資料，一個是蛋白質資料。

為什麼是這兩個資料。首先因為小分子藥物本身就屬於小分子，所以分子資料非常重要；

對於蛋白質而言，因為小分子在體內發生作用機制大多會與特定蛋白質結合，調控蛋白質活性，以達到治療疾病效果，所以小分子與蛋白質到底能不能結合，結合之後有沒有生物活性，都是非常重要的指標。

其中對分子有很多種表達形式，例如一維描述符，或一維SMILES string，把它變成序列，又或者變成二維數學意義上的圖，每個原子作為一個節點，每個化學鍵變成圖中的邊。

還有三維方式，小分子在三維環境中會有各種各樣torsion，包括各種各樣奇怪結構、構象變化，這也非常重要。

說完小分子，還有蛋白質。

蛋白質一維可以表徵成一個氨基酸序列；也可以表示二維contact map，也就是距離圖，代表三維結構中每一個氨基酸距離；再到三維，通過複雜摺疊情況實現各種功能。

前一段時間大家關注到Deepmind工作，從整個蛋白質序列資訊中直接預測三維結構資訊，即用一維資訊預測三維資訊。

事實上，所有分子表徵都可以用不同神經網路做編碼，例如直接做全連線神經網路，直接適用於描述符；或者一個定長向量，可以直接預測；還有卷積神經網路適用於矩陣形式，例如蛋白質表徵；再比如迴圈神經網路，做一維的序列資訊表徵；還有圖神經網路，做圖結構東西；再比如三維卷積神經網路，編碼三維空間資訊。

人工智慧編碼完成之後，就可以完成一些藥物研發任務。

首先就是分類與迴歸，知道一個新分子到底有怎樣的性質，例如ADME/T性質，毒性、水溶性、代謝吸收性質。

給AI一個分子，預測出一個值，這個值代表水溶性是多少、毒性是多少，毒性本質上是分類問題，有沒有毒性是0或1問題，水溶性是迴歸問題，一個連續值意思。

另外就是生成與設計，在探索化學空間的時候，人工智慧設計新分子不僅僅是去做分類與迴歸，判斷哪些是好的，哪些是不好的。

目前，人類已經探索過的化合物空間大概是10¹⁰-10¹²，但成藥化合物空間大概是10^60。

10⁶⁰與10¹⁰差了10⁵⁰倍，所以實際我們可以看到，整個藥物研發未被探索的化合物空間，又或者成藥的化合物分子空間是非常巨大的。

我們可以把它理解為一個巨大的宇宙，而我們探索過的僅僅是小太陽系，甚至是小地球。

在這種情況下，如何去探索系外的東西，無論是星系也好、小分子也好都可以利用人工智慧，問題就是如何讓人工智慧設計比傳統人類方法更好的分子。

理解了分類與迴歸和生成與設計問題之後，就可以完成整個AI製藥研發流程迭代。

三、 填補藍圖，AI賦能研發流程

接下來簡單講一講，人工智慧結合小分子藥物研發的流程。

首先是資料，我們有很多種資料，包括公開資料、商業資料，以及自己標註的資料，這些資料量級都非常大。

而且對應不用靶點特定項目，我們也有特定資料，即專項資料，處於不大不小量級，結合之後對整個模型可以起到很好微調效果。

這些資料丟到藥物研發平臺之後，能夠看到經過訓練以後，可以進一步精細調整，進入到整個AI製藥主流程當中。

其中包含各種各樣的項目類型，不管是First-in-class， Fast-follow， Best-in-class，Me-too還是Me-better，大家可以簡單理解為藥物研發一種項目，這些項目後邊會走三條道路：

1、全新生成。在疾病治療時，存在一些已有分子，結構還不錯、性質也不錯，但因為專利原因需要避開原本專利限制，找新可專利分子。

此時我們會直接用模型庫，幾百個模型去生成一個虛擬、千萬量級分子庫，再進行下一步篩選；

2、衍生躍遷。有些分子本身性質已經比較好，但可能需要進一步的優化；又或者有些分子已經成藥，仍然希望看看他的IP空間是否還有其他道路，即衍生躍遷模型。

基於現有分子，進行部分改構，然後做一些新優化或生成，這樣的生成同樣是千萬級別；

3、商業化合物庫。我們大概有幾百萬級化合物庫，能夠直接進行篩選，這些都是人類之前已經能夠合成、能夠買到的，能夠很快獲取需要的化合物。

其中很多化合物能夠成藥，只是之前沒有發現，現在可以嘗試在建立完整庫之後，進入下一步虛擬篩選。

通過我剛才提到的很多方式，例如直接預測各種性質，又或者給一個小分子或蛋白質，預測小分子與蛋白質結合方式，就可能篩出幾十個甚至上百個合適分子，最終合成完之後做出新實體分子。

接下來就是溼實驗驗證，即在實驗室裡進行試驗，在細胞層面甚至動物層面看到底有沒有效果，這些實驗結果都會反饋到整個資料庫當中，進一步幫助我們迭代模型。

也就是如果溼實驗我們找到非常好的分子，就能進行各種各樣驗證；如果結果差強人意，甚至不太好，也能夠返回到資料庫，再進行進一步迭代。

在這方面，我們已經做出一些成績，例如選一箇中樞神經系統靶點，生成千萬級別化合物庫，篩選出百萬級化合物庫，並最終合成出五個分子。

經過溼實驗檢測，全部都是有很好的活性且有專利空間。其中五個分子中有兩個分子來自於全新生成的De Novo模組，擁有全新骨架結構，因此具有足量專利空間；

另外三個來自於衍生物躍遷模組，根據現有陽性藥進行改造，使得各種性質表現更好，也具有專利空間。

在商業化合物庫中，我們從百萬級別商業化合物中篩選出100個小分子，在後續溼實驗驗證中篩出了57個具有活性分子，即IC50小於10微摩爾。

作為對比，我們看看傳統計算化學或傳統篩選方式是什麼樣。

傳統篩選方式概率或Hit Rate大概是2%-5%。這意味如果篩選出100個分子，大概只有兩到三個或四五個有活性，而我們則能夠篩選出57個有活性分子。

所以，相比於傳統方法，我們能夠把這一效率提高數倍甚至十數倍。並且在57個分子中，有34個是具有較高活性的分子，IC50小於一微摩爾，這些都可以用作下一步的檢測。

總的來看，這一篩查過程被我們提速相當之多，因為傳統方法找到個位數納摩爾甚至皮摩爾級別分子需要一年甚至幾年，而我們只需要短短几個月時間：甚至這次只用了兩個月。

四、 技術創新，如何讓研發從量變到質變

接下來我給大家講解一下簡單的技術問題。

例如，我們是如何判斷一個小分子能否與一個蛋白質結合的？

這是發表過論文的，當時我們使用蛋白質三維結構作為資訊輸入，這能夠令我們在做小分子和蛋白質對接模型，考慮到小分子和蛋白質相互作用，尤其是三維結構上匹配程度，這個額外資訊讓我們指標有一個質的飛躍。

大家可以看兩個圖代表我們和主流演算法的區別，綠色是bar，相對於其他主流演算法要高出一截，所以小分子與蛋白質對接應用上，我們做得非常好。

另外就是大家關心的神經網路黑箱問題。

談到人工智慧，大家往往會認為人工智慧不可解釋，即AI製藥是不是也是黑箱問題，因為我們做預測的時候，向神經網路裡丟一個分子，神經網路就會告訴分子式毒性好不好。

這樣預測結果出來，我們也不清楚究竟是什麼因素導致做出這樣的結果，為了解決可解釋性問題，我們引入了資訊瓶頸和剪枝技術，進一步把資訊視覺化。

也就是把分子丟進去之後，系統會告訴我，如果毒性表現不好，是哪一個模組或哪一個基團導致，這個結果和影象我們也會拿給藥化學家看，看看分子是不是遵循思路，整體描述是不是契合科學原理。

這個內容不僅僅讓大家看，更重要的是，他能夠給我們提供什麼樣insights，最主要資訊就是當我們發現分子不夠好時，能夠知道哪個地方的原因，以至於我們在改結構的時候，能夠有針對性進行。

例如神經網路告訴我，因為某個基團存在毒性升高了，我們只需要改這個基團即可。

再介紹逆合成問題，當系統給我一個分子之後，所有分子都在電腦中，如果我們需要檢測，就把他合成出來，因為臨床分子不可能在電腦分子中。

所以如何把分子合成出來，也是我們嘗試通過人工智慧去需要解決的問題。

儘管人類設計一百或者兩百分子就達到上限用不到人工智慧解決，人類專家就可以判斷通量問題；

但現在是人工智慧時代，人工智慧設計每次都是上千萬、上億級別，人類專家是無法研究如此巨大通量的逐個可行性的。

所以尋找自動化，找合成路徑或判別分子能否合成工具就顯得十分關鍵，這一塊我們也做了不少工作，剛才說的每一頁都有自研論文支援。

最後要一下展望。

人工智慧和藥物研發結合，只是最近幾年的事情，所以我們希望人工智慧夠做更多的事情，包括模組效果提升、縮短靶點到開發PCC時間，在相同時間成本下儘可能多佈局更多管線，這是目前能夠做到的。

未來，我們希望人工智慧為小分子研發研發，提供加速藥物發現支援，這樣能夠大幅提高新葯研發效率，使得管線更加多樣化。

在整個醫藥產業裡，我們希望促進人工智慧與生物醫藥結合，以資料為中心進行藥物發現，迸發出新力量。

這些工作最終都是為了患者。作為一個醫藥企業，首先的責任，就是讓人們遠離更多病痛，讓新葯觸手可及，讓人工智慧找出更多治療方案。

問答環節

Q1：小分子蛋白質結合一級人工標準清洗的資料庫，是採購公開資料並進行清洗的嗎？

李成濤：分為這麼幾塊：一個是公開資料，肯定是一大塊，其實都是我們非常好的源頭；同時還有一些商業的資料庫，是我們可以購買到的；也有些渠道可以購買到一些更好資料；還有是自己人工挖掘。

這裡面用資料探勘方法來看，例如說專利文獻裡面資料點，或者是我們人工標註的資料，其實也佔了相當一部分的。

再之後，例如一些合作資料集、私有資料集，因為現在自己也做很多實驗，驗證整個演算法，所以在這邊整個資料量也不斷往上漲，這塊其實有多種資料來源，最後整合在一起。

這位同學提到清洗這點是很好的。清洗這件事情很關鍵，因為實際上大部分資料都噪音比較大，而且同一個小分子和蛋白質在這個資料裡可能是這個結果，在另一個數據裡可能是另一種結果。

這種誤差的原因是不同實驗室的環境導致的，就是不一樣結果，又或者不同環境、不同人去操作，甚至不同protocol，做出來結果就是不一樣。

這個時候怎樣選取，甚至怎樣捨棄需要一步一步嘗試，最終我們希望結合、融合之後，能夠讓整個模型演算法準確率得到比較好的提升。

Q2： 分子表徵方法是有開源的標準化方法，還是每家自行開發的？

李成濤：每家肯定都會自己開發，我們自己也是開發了不同的各種各樣的表徵方法，因為裡面提過，提取哪些 特徵這一點是非常重要的，直接決定了我們下游的任務，在有限的資料集中能不能達到非常好的效果。

所以這塊我們自己開發了很多，也有一些標準化方法，比如說我剛才講的把一個小分子變成一個SMILES string，就是一個序列的表徵，這個東西其實用一些軟體包就可以做到。

Q3：跨界做藥的難點在哪？

李成濤：我覺得這是一個挺好的問題，我經常會被問到。因為我自己是人工智慧背景的，其實之前也是做純電腦科學的。

高中當時也是化學和生物還都沒學完就被保送，所以其實積累一開始是需要做很多的工作，包括跟很多人聊，讀一些做藥物研發的書，我有幾本書就是我一直在18年的時候一整年在讀的。

學習新領域，這個本質去理解新的領域在做什麼，他們的痛點是什麼，這需要很多工作。

當然，最快的方法肯定是跟人聊了。但是在一開始跟人聊會遇到很大的困難，大家會發現很難互相理解，

因為我們在說不同的語言。我在說人工智慧或者計算機方面語言，但對於科學家可能在生物方面或者化學方面的語言，相互理解對方在說什麼其實還是需要花一些時間的。這個時間花完了之後基本就能去做了，我覺得從背景來講，其實是一個比較大的難點。

Q4：AI更適合用於De Novo還是改結構？

李成濤：人工智慧是可以做的，很難講更適合於哪些場景，因為這兩種場景我們都有成功案例。

剛才講的CNS，叫中樞神經系統靶點，我們既有這種 De Novo分子，它能達到個位數納摩活性；

也有改結構，根據陽性藥稍做修改，拿到活性更好的分子，這都有成功案例，所以很難說哪個更適用，都可以用人工智慧輔助合成。

Q5： 目前業務的核心壁壘在哪裡？

李成濤：我核心壁壘挺多。首先是know-how，就是知道這件事情應該怎樣去做，但實際會發現傳統藥物研發是一種流程，人工智慧+藥物研發+計算化學又完全是另外一種流程。

當不知道哪種流程才是最優化，就需要不斷去嘗試。嘗試的過程，就是不斷找新流程的過程，其實就會逐漸形成我們自己的壁壘。

演算法也是壁壘，星藥科技一直致力於推進整個演算法前沿，我們同事在內很多人在這裡面，不管是人工智慧會議，還是科學期刊裡面發表論文大概將近20篇。

我們在整個演算法領域是引領全球的，所以如何在有限資料內把演算法發揮到極致，這件事情也是我們自己的壁壘。

再其次，資料的壁壘，因為自己是做人工智慧的，所以很早的時候就開始做資料清洗整合，怎麼樣融合才能讓模型發揮最大效用的東西，

整合後的資料是我們另外一個核心壁壘，它能夠讓我們整個模型達到非常高的上限。作為對比，如果沒有積累，直接把兩邊資料融合在一起，很難得到滿意的結果。

Q6：NLP在我們的研發中，都在哪些場景發揮作用？

李成濤：發揮作用還挺多的。任何有序列的地方，NLP都可以發揮作用。NLP本質上是什麼？

本質上就是對於序列的編碼和解碼，對於序列的編碼和解碼，我剛才講到的不管是分子也好，還有蛋白也好，他其實都可以表徵成一個序列，只要這樣，NLP就有用武之地，transformers也好，都可以在這個場景中發揮很大的作用。

還有比如說比較有意思的應用。這裡延伸一下，剛才講到的逆合成，給我一個分子，我怎麼樣預測，他可能是由哪些反應物反應生成的，這兩個反應A+B能生成C，我given C之後我怎麼樣預測A+B？這個其實就是從一個序列預測另外一個序列的問題。

從一個序列預測另外一個序列本質上是什麼？本質上就是一個機器翻譯的問題。機器翻譯其實按照現在已經有很多的工作，它可以做得很好。

Q7：AI發現藥物最大的難點是在分子合成嗎？

李成濤：這個東西沒有什麼最大難點。我發現這個分子是新 ，但問題是分子還需要經過很多步驟，才能真正上臨床。

裡面包含怎麼樣去合成，各種各樣活性，水溶性，ADME/T，在小鼠上面身上有沒有藥效，毒理是怎麼樣的，都需要去做檢測。

這個東西本質跟傳統藥物研發沒有任何區別，有點像遊戲過關，幾個關卡 Boss都已經確定，只不過人去打還是機器去打，本質上是一樣的，所以沒有什麼最大難點。

Q8： 除了用AI進行預測之外，也會用計算方法進行預測嗎？

李成濤：我覺得這個我們會用的，任何一個基於計算的方法我們都會去嘗試。

AI的本質是什麼？AI本質它就是一個工具，我們目的不是用這個工具解決問題，我們目的是解決問題，所以什麼工具順手就用什麼。

有些地方AI能做得好，我們就用AI，有些地方FEP或者其他這種方式能做得更好，我們就用這種方式，其實選擇很簡單。我們在做藥物研發的時候，最終的目的是要產生藥，而不是用哪種方法去做，這個其實想跟大家去傳遞的。

Q9：商業合作模式是什麼樣的？

李成濤：主要是做聯合研發，我們會和藥企這邊進行聯合的深度的合作研發，就是我們負責臨床前這邊，同時整個期間會跟藥企進行深度的互動。在之後，由藥企去把這個東西推上臨床，大概是這樣一個情況。

Q10. 有沒有嘗試AI+新靶點發現？

李成濤：我們也有在做，切入點可以使用知識圖譜做新靶點，這顯然是可以做的。具體怎麼做，每一家都不太一樣。

我們找到新靶點之後，怎麼樣驗證靶點是否正確，是否能夠實現想象中的生物學通路或機制，我覺得這其實是一個科學問題，需要用科學，也就是用實驗方式解決，不覺得可以用AI解決。

所以AI可以發現新靶點，但發現新靶點之後怎樣驗證靶點是否可以work，也是需要工作的。而且在這之後，基於新靶點再去設計篩選優化合成，最後檢測，形成資料閉環仍然是AI可以完成的。

Q11：可不可以對中藥用AI？

李成濤：這個答案是肯定的，中藥有自己的特點，例如活性比較多，合成比較難，但從理論上都是可以用的，而且我們現在也在看這個方面。

Q12： 篩選通量能達到什麼樣的水平？

李成濤：其實本質上我們計算的通量能有多少，只要投入時間和成本，通量多大並不是太大問題。首先， AI去做篩選的話，它整個計算需求量沒有想象中那麼大，其實就是我給一個輸入，然後輸出一個值。這種東西其實沒有想象中那麼難。

就是它的速度也非常快，這塊無非取決於我們最終能有多少機器，多少雲端計算，所以我們直接去篩選的話，幾百萬上千萬甚至上億，這都不是太大問題。

Q13： 篩選前生成的分子的質量是怎麼把控的？

李成濤：這其實有各種各樣方法。例如可以用一些讓化學家總結出的一些規則，這些東西可以幫我們篩選一些明顯不正常的分子，這些會很難合成，最好直接放棄。

Q14. 人工智慧在藥物中的應用，目前市場行業前景怎麼樣？未來的市場發展趨勢如何？

李成濤：整個行業處於一個比較初期的狀態，大家也在不斷往前推各種新技術和新方法，在未來會有一個比較大的提升和飛躍。

首先整個行業裡，國家非常鼓勵創新葯研發，同時創新葯研發又面臨剛時間長、成本高，投資回報率低等問題。

所以人工智慧作為一個必要工具，以後會在藥物研發中起非常重要的作用，像這種技術公司的整個市場行業前景也是比較看好的。

Q15 .用AI篩選藥物的時候如何平衡活性和毒性？有時候有毒了，分子可能恰恰也是最有效的，修飾一下，就可能成為藥物。

李成濤：這個問題很專業，同時也非常在點子上，我們實際發現有的時候優質分子並不是毒性最低，然後活性最高，這只是一個理想狀態。

實際我們往往會發現，要不然就是活性高，毒性也高，要不然就是活性低，但也沒啥毒性。活性低毒性高的就不用看了，這就是毒藥嘛。

整體來看我們需要做一些取捨，這和我們的適應症有關，例如癌症對毒性tolerance其實是比較高的，因為癌症本身是一個嚴重的疾病，致死率非常高，雖然稍微有毒一點，但能治病，就仍然是有意義的。

但如果是一個比較小的病，像感冒藥吃了之後，發現對心臟有影響，就得不償失了，這個東西跟我們適應症是有關的，確實不太一樣。

Q16：新葯研發過程是否需要專家經驗參與，研發專家水平怎麼樣？

李成濤：首先，肯定是需要專家參與的。需要專家給我們AI一些指導，給我們計算化學一些指導，尤其是他們的有些直覺其實是必要的。

我們專家團隊同事之前是在美國跨國藥企工作幾十年，非常有經驗，能夠帶著我們對AI有更好指導，同時能夠對整個管線更好推進。

Q17： 利用了 AI助力研發分子的成藥性，如何知道這個藥能治療哪種疾病，或者針對哪個靶點？

李成濤：這也可以預測和檢測出來的。我們一開始就會確定，要針對哪一個靶點進行藥物開發，然後根據靶點以及陽性藥的三維結構資訊，去做生成設計，包括合成篩工作，所以正常流程是先確定靶點，然後再設計藥物。

Q18：新葯研發週期長，如何獲得穩定的收入？

李成濤：不斷地去做藥物研發，因為我們能夠在更短的時間內以更低的成本獲得一些臨床前候選，甚至往後推到臨床，所以這個事情其實就是一個可以形成良性迴圈的商業模型了。

Q19：這個新葯研發模式成熟大概得多久？

李成濤：這個行業處於初期狀態，但實際上發展速度也非常快的，在未來幾年內應該會看到一些比較成熟的企業做得非常棒。

非常感謝大家今天的時間，也歡迎對藥物研發以及人工智慧在藥物研發領域感興趣的同學歡迎聯絡我們，加入星藥科技各種各樣全職和實習。雷鋒網雷鋒網