抓住風口

本期要點：當AI能快速發(fā)現(xiàn)新藥，會帶來什么改變？

你好，我是王煜全，這里是王煜全要聞評論。

為什么有的救命藥，一瓶的價格卻能買下一套房？

常見的解釋是，一款新藥的平均研發(fā)成本約26億美元，從啟動到上市通常超過十年，而成功率卻低于10%。

今天，AI技術正在重塑許多行業(yè)，不少大公司甚至因為AI帶來的效率提升而開始大裁員。可是醫(yī)藥這個關乎人類健康的核心產(chǎn)業(yè)，卻陷在所謂“反摩爾定律”的詛咒中，由于藥物研發(fā)的傳統(tǒng)范式依賴于隨機搜索與試錯，效率并沒有顯著提升，研發(fā)成本與藥價也似乎只會越來越貴。

但就在最近，清華大學在《Science》上發(fā)表的一項研究得到了廣泛的關注，只因他們提供了打破這一舊范式的新路徑。

該研究在二十四小時內(nèi)，完成了約一萬個蛋白質(zhì)靶點與五億個類藥小分子之間的十萬億次虛擬匹配，并構建了公開數(shù)據(jù)庫GenomeScreenDB。

更為關鍵的是，僅通過計算推薦，研究團隊就為一個此前沒有已知抑制劑、被視為“無藥可治”的靶點，找到了多個高活性化合物，后續(xù)實驗驗證命中率達到17.5%，遠超常規(guī)的篩查方法。

我們認為，如果說ChatGPT將獲得建議的邊際成本降至電費水平，那么清華大學的這項研究就在讓以往藥物發(fā)現(xiàn)中的最困難環(huán)節(jié)——初篩，變成了一個和檢索一樣簡單的工作。這將導致醫(yī)藥產(chǎn)業(yè)的縱向分裂，那些靠著壟斷藥物篩選躺賺了半個世紀的跨國藥企們還能睡得著嗎？

AI篩藥

首先，我們想指出的是，清華大學的這項研究具有里程碑意義，或許可以被稱為醫(yī)藥產(chǎn)業(yè)的“ChatGPT時刻”。

他們采用了雙塔對比學習架構，將蛋白質(zhì)和分子的結構信息，分別通過兩個深度神經(jīng)網(wǎng)絡，映射為高維數(shù)學空間中的向量。訓練完成后，評估一個分子與蛋白的結合潛力，就簡化為計算兩個對應向量之間的夾角余弦值。

這意味著，他們把以往耗時又耗算力的藥物篩選工作，變成了可以在幾塊GPU上批量完成的計算任務。原本需要幾小時甚至數(shù)天的物理模擬，被壓縮成了微秒級的矩陣運算。

正因如此，他們才能在24小時內(nèi)完成十萬億次計算，系統(tǒng)性地為大量靶點匹配出潛在的藥物分子。

當然，與ChatGPT一樣，這項成果并非憑空出現(xiàn)。

一方面，它離不開OpenAI在2021年提出的CLIP范式?；诖?，此前學術界已經(jīng)有了類似嘗試。另一方面，AlphaFold解決了靶點蛋白質(zhì)長什么樣的問題，大幅擴展了可獲得蛋白質(zhì)結構信息的范圍，使得清華團隊能夠在更大規(guī)模的靶點集合上構建和分析蛋白結合口袋。

不過，在此之前，大家在進行大規(guī)模、系統(tǒng)性的蛋白–分子關系建模時，長期受限于實驗數(shù)據(jù)覆蓋不足的問題。清華大學的團隊則通過基于蛋白質(zhì)結構的深度學習建模方法，從結構信息中學習到可泛化的蛋白和分子的結合規(guī)律。

更重要的是，他們在極短時間內(nèi)完成了對人類約1萬個蛋白靶點和2萬個結合口袋的虛擬篩選，堪稱一次全景式的掃描。

變革

由于相關內(nèi)容過于硬核，我們就不做過深探討了。但今天，我們更想討論一個現(xiàn)實問題，面對如雨后春筍般涌現(xiàn)的新技術，該如何理性判斷其影響呢？

例如AI篩藥技術來了，有人可能就會樂觀地預言，癌癥就要被破解了，人類平均壽命將輕松突破百歲。

長期看，這種說法可能成立，但具體的時間點仍然還是個未知數(shù)。

其實，這類技術最確定的貢獻，是顯著提升藥物發(fā)現(xiàn)早期階段的效率與成功率。而且可以確定的是，整個藥物研發(fā)的價值鏈將因此發(fā)生結構性的變化。

這次清華團隊的研究最直接的影響就是，靶點發(fā)現(xiàn)的初始價值會被極大稀釋。

過去，識別一個新的疾病相關靶點，是一個生物科技公司的核心壁壘。

然而，現(xiàn)在所有對人類蛋白質(zhì)有作用的分子都已經(jīng)被預先計算并公開地放在了GenomeScreenDB數(shù)據(jù)庫中，生物科技公司所掌握的信息也就不再那么稀缺了。

這就相當于，本來以前各家藥企還各自拿著標有金礦的地圖，別人要找到金礦就得花高價買?？墒侨缃?，這些金礦都被AI標在了通用的地圖軟件上，誰想用，直接搜索就行了。

這意味著，早期藥物研發(fā)的壁壘與價值重心將向兩頭擴散。

一端是更前沿的疾病機理研究。因為更精確地理解疾病在分子層面的運作機制，將提升尋找靶點的準確性，從而減少候選藥物分子的數(shù)量。

另一端是后續(xù)漫長的開發(fā)與驗證工作。雖然AI找到了有結合潛力的分子，但通過臨床實驗驗證其安全性、有效性以及大規(guī)模生產(chǎn)工藝的摸索，依然需要投入大量資源，且失敗風險依然不小。

更關鍵的是，整個醫(yī)藥產(chǎn)業(yè)可能會因此出現(xiàn)縱向分工。

基礎層將逐漸由提供核心工具與數(shù)據(jù)的AI公司或大型科研機構主導。例如，AlphaFold提供蛋白質(zhì)結構，而清華的研究提供相互作用圖譜，兩者共同構成了生物醫(yī)藥的數(shù)字化基礎設施。

在中間層，可能會出現(xiàn)專業(yè)化的計算篩選服務平臺。它們不自己賣藥，但為下游企業(yè)提供高確定性的候選分子名單。

最后，傳統(tǒng)的醫(yī)藥企業(yè)可能被壓縮到了應用層，因為研發(fā)起點被延后到了臨床前和臨床階段。

其中的原因也不復雜，AI能告訴你A分子能和B蛋白反應，但無法告訴你A分子是否安全有效。這恰恰是藥企憑借其數(shù)十年積累的臨床開發(fā)經(jīng)驗、監(jiān)管知識體系所能發(fā)揮決定性作用的環(huán)節(jié)。

基于這樣更加高效的分工，未來整個研發(fā)周期被極大壓縮，總成本也將大幅下降。那種一款藥研發(fā)十余年、花個幾十億美元的情況或?qū)⒁蝗ゲ粡头怠?/strong>

不過，可能你也要問了，既然技術這么牛，為什么我還沒看到醫(yī)藥產(chǎn)業(yè)的爆發(fā)呢？藥也沒變多??！

因為制藥不是訓練大模型，無法一鍵完成部署。未來，我們即將進入一個管線密集生成的靜默積累期。

各類AI工具正在全球?qū)嶒炇抑携偪襁\行，每天生成海量的候選化合物。但這些分子必須經(jīng)歷合成、細胞實驗、動物實驗等一系列驗證步驟，才能進入臨床申報，才能被公眾了解，這個時間沒法靠AI來壓縮。

不過，樂觀估計，這批由AI篩出的候選化合物，將在兩到三年后密集完成臨床前研究，并開始成規(guī)模地進入臨床試驗階段。屆時，全球在研藥物管線數(shù)量可能出現(xiàn)顯著增長，整個醫(yī)藥產(chǎn)業(yè)也才會真正爆發(fā)。

回顧歷史，從神農(nóng)嘗百草，到靠人力在實驗室篩選抗生素，再到AI大規(guī)模虛擬篩選藥物，人類對抗疾病的方式，也終于要從碰運氣和高人力投入的狩獵采集模式，進入到可預測、高產(chǎn)出的工業(yè)化和智能化模式。

這一轉(zhuǎn)變是否也讓你興奮呢？又給你帶來了什么思考？歡迎在評論區(qū)留下你的看法。

以上就是今天的內(nèi)容，有關醫(yī)藥產(chǎn)業(yè)的更多前沿分析與趨勢洞察，我將在科技特訓營中持續(xù)分享，如果你也感興趣，歡迎加入，和我一起，先人一步，領先一路！

此外，也向各位家長推薦前哨AI冬令營。最好的學習是親手實踐，我們將通過高強度的集訓，讓孩子能親自上手完成一個真實的AI項目，從理解AI到駕馭AI，快快點擊鏈接了解詳情吧。

王煜全要聞評論，我們明天見。

本文僅作為交流使用，不構成任何投資建議。

↓長按圖片掃碼報名，先人一步，領先一路

最后， 鑒于公眾 號推送機制的改變，你未來刷 到要聞評論的機會可能沒那么多了，建議你加入粉絲群，第一時間 得到我的獨家前沿分析，而且我們還會每天在粉絲群里發(fā)布獨家資料，快快掃碼加入吧！

此外，我們還為您準備了一個思維導圖，掃描加群即可領取

“CES觀展分享”

↓點擊學習王煜全老師最新大師課，掌握馬斯克的賺錢底層邏輯！