AIDD Research Project
🍀

AIDD Research Project

Tags
AIDD
Published
Feb 26, 2021
From 亿欧智库
💡
痛点
反摩尔定律
传统新药研发非常复杂:
大规模筛选发现先导化合物→体外试验、动物实验、人体实验→证明安全有效才能获批上市
以实验科学为基础,高度依赖药物学家个人经验、创造力
周期长、成本高、成功率低 10-15年
 
新药研发的两种范式
  • AI
    • 数据驱动
  • 物理
    • 物理规则计算驱动
目前无法利用AI直接设计出完美药物,价值主要体现在优化现有药物研发化解,部分替代实验,降低成本增加效果,未来有望量变到质变
全球行业发展阶段
AI/计算公司已经从技术概念过渡到价值验证阶段
超过30款AI参与研发的药物进入临床试验阶段,10+公司上市
中国行业发展
国内以小分子药物居多,主要集中在药物发现领域
  • 分子生成、活性预测、新筛选
近期目标:提高药物研发效率
最终目标:实现规模化平台制药能力
未来展望
定位为Biotech公司,而不是CRO公司

序言和主要观点

1.1 属于解释与研究范围界定

研究范围:
中国AI/计算驱动的新药研发产业发展现状
企业类型:
  • AI:数据驱动
  • 物理计算:物理定律
AI和计算制药技术应用范围
药物研发两大阶段:
  1. 发现
    1. 疾病治疗靶点确定
    2. 先导化合物发现和优化
      1. 偶然发现
      2. 随机筛选
      3. 理性设计
    3. 获得候选药物
  1. 开发
    1. 评价药代、药理、毒理、安全性、有效性等

1.2 历史演进

实验科学→AI/计算+试验
药物发现的几种手段
  • 前工业时代的偶然发现
    • 纯经验
    • 植物提取等
  • 现代药物发现
    • 药物化学结构和活性的关系
  • 高通量筛选
    • 化学合成+筛选科学
    • 普遍采用的技术
  • 合理药物设计阶段
    • 对机理、靶点结构、功能有本质认识
  • 计算机辅助药物设计CADD
    • 基于专家经验理论作为指导

1.3 AI和物理计算的比较

AI
物理计算
基础要素
数据
物理规则
推导方式
归纳法
演绎法
适用场景
数据充足的领域eg:虚拟分子生成,化合物合成路线预测,ADMET性质预测
靶点蛋白与分子模拟,分子从头设计,虚拟筛选,先导化合物优化
特点
通量高,对数据要求高
精度高,对算力要求高
发现规律
迭代快,跨越临界点后有望实现快速发展
有赖于物理学科进步
PS:AI可以直接赋能药物研发,也可以赋能计算简介驱动

中国AI/计算制药产业兴起第一波浪潮

2.1 驱动力:传统药物研发模式

  1. 成本高
    1. 反摩尔定律
  1. 周期长
  1. 风险大
  1. 效率低
  1. 依赖药物研发人员个人经验和创造力

2.2 驱动力:AI发展

  1. 技术推动
    1. 高通量测序、冷冻电镜
    2. 算力、深度学习
  1. 资本助推

2.3 突破元年:2020

  1. 首家计算药物研发公司上市
  1. 首个AI设计分子进入临床试验
  1. DeepMind发布AlphaFold

2.4 上市热潮

2020以来,全球10+公司上市
领域:图像处理、分子生成、变构药物开发等

2.5 技术规模验证

超过30候选化合物进入临床试验阶段

2.6 中国浪潮

中国起步晚、发展势头迅猛

2.7 投融资

国内AI/计算制药公司投资热度高涨

2.8 互联网入局

投资热度高涨
很多互联网公司都入局
阿里云、云深智药、百图生科、AILab、华为云EIHealth

2.9 中国AI/计算制药产业图谱

notion image

中国AI和计算制药应用实现单点突破

3.1 低谷和高潮

从1960到2020经历了低谷和高潮

3.2 应用阶段

目前AI/计算在药物研发中处于“单点突破”阶段,需要专家参与和试验配合
  1. AI无法解决所有问题,被用在各个环节,目前主要集中在早期药物发现和临床前的开发阶段,集中在小分子药物
  1. 靶点发现、分子生成、活性预测、ADME/T性质预测等
  1. 需要专家参与,坚定数据质量,定义问题,判定解决方案是否可行

3.3 应用目标

降本增效→平台化产出→量变到指标

3.4 代表性应用场景

  • 靶点发现
    • 医学大数据挖掘
    • 难点:需要专业生物知识,数据量小
  • 靶点鉴定
    • 难点:
      • 目标分子是全新结构,无法匹配到合适类似物分子
      • 目标分子靶点是新靶点,没有已知胚体分子
  • 分子生成
    • 药物研发的源头
    • AI开创全新高通量的新分子设计手段
    • 对海量化合物进行学习
    • 拓展化学空间+提高先导化合物质量减少实验
    • 难点
      • AI缺乏变通性,需要药物学家创造力、运气
  • 活性预测
    • 难点:
      • 数据来源不同,精度不高
  • 虚拟筛选
    • 基于受体or基于胚体
  • 化合物合成
    • 数据量充足、质量高
    • 难点
      • 数据库掌握在2个公司
      • 重视度和资源少

挑战与展望

4.1 数据问题

  • 新药数据有限
  • 数据不规范
  • 数据私有孤岛
  • 数据产出慢、成本高
解决:有组织、主动、系统、高通量收集标准数据

4.2 交叉复合人才少

复合型人才匮乏

4.3 药物研发存在不确定性

尚处于弱人工智能阶段
AI技术适合
  • 丰富数据、知识
  • 完全信息
  • 确定性信息
  • 静态
  • 单领域
  • 单任务
药物研发存在不确定性、知识不完备,需要创造性和灵活性

4.4 人类生物学发展仍有很多未解之困

生物学本身有很多未解决的问题

4.5 未来会诞生一批新型Biotech公司

越来越多AI/计算公司从服务走向自主研发管线为主的Biotech之路
原因:
  • biotech定位更容易被资本市场认可
  • 很多药企处在观望状态,付费意愿不高,市场开拓难度大

4.6 AI/计算技术将更加广泛


 
From 中银证券 2021.09
 
反摩尔定律原因
  • 低垂果实
  • 监管障碍
  • 研发模式
 
资本助力
传统Big Pharma,新型AIDD公司,互联网巨头
风险
技术人才流失,一级市场降温,AI不达预期,底层数据封锁
 
 
一、从行政审批看发展历程
Me-too → Me-better → First in class
现在依然是研究国外已上市药物,对分子结构进行改造有效规避专利限制
研发人才+资本入局+行业转型+政策监管→中国创新药领域焕发生机
二、靶点扎堆,技术需要变革
在有限的人体基因靶点下,潜在的药物靶点数量有限。
中国追求快速资本回报的医药市场→内卷→同质化靶点扎堆
AI或许可以帮助解决
三、AI制药翻开药物研发新篇章
二级市场,药明康德,投资活跃
 

1. AI+医疗多点开花

1.1 市场概况

1.1.1 发展历程和现状
1.1.2 医疗领域主要算法
notion image
1.1.3 投融资分析
1.1.4 政策导向
利好
1.1.5 产业链
  • AI基础层
  • AI技术层
  • AI应用层