5Y Talk | 计算和AI如何突破传统新药研发范式？
入局、方向与未来。
信息技术正在史无前例地渗透至各个领域，重塑各行各业的未来。医药，这个与我们每个人的健康与生活都息息相关的行业，也在IT的加持下面临新的范式变革。
作为最早布局"ITBT"赛道的投资机构之一，过去几年，我们发现和支持了很多数字化医疗领域的创业者。他们义无反顾地投身这个领域，用科技为产业破局。从更长时间维度来看，信息技术在医药行业的渗透才刚刚开始，未来会有更多变化发生。
传统医药研发的痛点和难点在哪？技术又会带来哪些变革，创造哪些价值？先行者们是如何摸索与实践的？近期，五源资本与动脉网联合举办了「数字化医药研发（ITBT）」论坛。
圆桌环节，我们邀请到ReviR溪砾科技董事长李阳，星药科技创始人&CEO李成涛、METiS剂泰医药联合创始人&CEO赖才达、星亢生物联合创始人&CEO陈航等五源资本被投企业创始人带来了以"计算和AI如何突破传统新药研发范式？"为主题的讨论。
我们整理了圆桌的部分内容，希望对你有所启发:)
李阳：先请各位分别做一下自我介绍，以及当初为什么选择在这个领域创业？
李成涛： 我是李成涛，我们公司星药科技成立于2019年，公司致力于用人工智能加速早期新药研发的流程。我们现在主要关注的领域是小分子。
做这个领域也是源自在波士顿的经历。我自己本科和在MIT都是纯IT背景，主要做人工智能方向。在2017年的时候，人工智能的技术进展非常激动人心，而波士顿又是全球生物医药聚集的地方，所以有很多交叉领域的事情可以去做，也催生了不同的公司。我们公司也是那个时候应运而生。
赖才达： 我是METiS剂泰医药的赖才达。**METiS是晶泰科技去年1月拆出来的专门用AI做药物递送环节的公司。**公司最早源于我和我的合伙人陈院士跟晶泰接触之后，发现药物递送制剂环节一直没有人去做，而这是需要非常多跨学科串在一起才可以做的最基础的工作，因此我们开创了METiS。
可能跟分子不太一样，药物递送环节有非常多底层、基础的高通量实验平台或者算法平台都还没有搭建。所以过去一年我们专注于把大数据平台、量化计算的算法，跟AI结合在一起去做仿真平台。这些搭建起来之后，我们也在和合作伙伴推进具有临床差异化的改良型新药。
陈航： 大家好，我是陈航，星亢原创始人兼CEO。星亢原在2018年创立，现在在北京中关村和上海张江，是强生上海JLABS入驻企业。**我们公司是下一代计算设计驱动的药企，专注大分子以及多特异性分子的药物研发。**在大分子药物研发领域，我们主要是结合AI以及生物物理，我们也看到很多生物技术，比如合成生物学等的兴起，可以大规模拿数据。将这三者（AI，生物物理，高通量实验）结合，我们认为这是一个全新的方法论，去解决一些前沿的问题。
可以这么理解我们公司，30年前有一家公司叫Vertex，他们认为理解了结构，就可以帮助做药，确实是的。5年前，很多公司认为仅仅理解结构是不够的，分子一直在动，所以需要研究动力学或者模拟。我们认为，其实分子运动只是一个单体问题，我们研究protein-protein interaction的问题。其实单体问题本身已经复杂了，protein和protein interaction更复杂。我们想基于对复杂体系的理解来去做药物研发，希望从这个方面做出创新的药物。
李阳： 感谢三位，我是ReviR溪砾科技的李阳。**我们关注RNA的计算。**中心法则一端的DNA早就数据化了，现在也有很多测序的公司持续在做这件事情；而中心法则另一端蛋白的结构也了解了很多，包括蛋白测序也在开始有创业公司去发力。中间关于RNA的结构，新的方法近年来正在出现，而同时测序技术的成本也在不断迭代，我们用算法和大规模测序把RNA的结构数字化，用最原始、最简单的Modality--小分子，去靶向RNA结构里面的Pocket，这样去尝试解决很多在蛋白层面所谓「不可成药」的靶点。我们是基因组疾病创新诊疗企业Aegicare雅济科技孵化的Startup。
三位介绍的也都比较深入，大家也都在从不同的环节切入到AI制药。我想问一下，你们自己是怎么定义AI制药的？
李成涛： 刚刚也有提到，我们可以看到整个制药行业面临的问题和挑战，研发成本很高，而效率很低，大家都在想可以如何改变这个状况。当时，AI有了新的技术突破，大家都在想AI是不是能够提供一些价值。
AI确实能提供价值，但并不能解决所有问题。我们虽然是一个AI制药公司，但AI真正能解决的问题也是一部分，还有很多问题需用其他方法来解决，不管是生物、物理的方法，还有高通量实验。解决方法是多样的，AI是其中一种。我们是把AI作为一个工具，真正的目的是解决问题。
李阳：做AI制药非常重要的是跟药企的合作。各位在跟药企交流过程中，觉得药企比较关注哪一块，有什么心得可以和大家分享？
李成涛： 国内很多药企跟MNC（Multinational Corporation，跨国公司）不太一样，大的药企和小的药企需求也不一样。有的需求相对来讲比较模块化，比如有新的靶点怎么找到新的苗头化合物，或者比如要做一些创新的药，怎么根据现有的药去改结构，突破原有的专利。大家面临的问题不太一样。
陈航： 我们和MNC以及中国的上市药企都有非常深入的合作，他们需求也很多，**但我们最主要的就是提供原始创新。**比如在一些管线上怎么筛到更好的抗体，我们也做比较有差异性的，比如说纳米抗体，比如说双抗怎么设计。我们基本就是解决比较难的问题，提供差异化价值。
赖才达： 刚才讲了两个部分，一个是在管线层面能不能合作，到临床差异化的产品怎么样尽快上市。我补充另外一点，就是可以从两个层面想，一是效率层面，另外是能不能把专家知识的边界再往外突破。
最开始药企会希望从效率层面合作，但我们最近也看到，越来越多合作是在突破专家的知识边界，拓展药物设计的空间。他们希望通过和我们的合作，可以做很多原来做不到的事情，完全跳脱出一开始设计的思路范畴。感觉这是他们现在更有兴趣的方向。
李成涛： 我特别同意赖总讲的，实际上我们在接触很多药企时也遇到了同样的需求，大家关注的是你能不能做到他们做不到的事情，你的差异化是什么，这是我们要面对的问题。
李阳： 我听说特别是海外的药企，你跟他说早期速度提升50%，或者某些成本降低50%，不如说想帮助他把三期临床实验挂掉的概率降低10%。这就涉及到在优化很多算法的时候，比如DMPK方面怎么样有办法在比较早期的时候考虑进去，拿出一个最优解？
李成涛： 这个问题很好。其实药物研发的两部分，即临床前和临床试验，都有很高的失败概率，临床前失败概率超过90%，临床失败概率也超过90%。我们现在解决更多是临床前的问题，比如说我们做PDC、IND。临床这个问题怎么解决，本质上是生物问题，需要建立一个更好的生物学模型，去评估这个东西在动物上work。这块是大家都需要去思考的。
李阳：在AI和计算制药这样的交叉领域，你们会想寻找什么样的人才？比如是需要计算背景重新学习生物，还是生物背景学习计算？可以分享一下在招人上的经验。
赖才达： 最理想的人是两边都懂，又懂量化计算和AI、又懂生物和医药，我们一直在尝试寻找这个人，但我目前感觉应该是不存在的。所以关键的问题是，有计算的思路人和有传统实验有思路的人、以及有几十年制药经验的人怎么去沟通。从最初搭建团队到现在文化建设，这一点都是重要的问题。
我当年在MIT的时候，有一个说法：**计算的人knows everything but does nothing ，实验人does everything but knows nothing。但这两边基本是不怎么互相沟通的。现在在公司，我们试图把跨领域的沟通搭建起来。**当我设计一个药物递送的过程，如果在实验上找不到结果，计算人可以分析最底层量化得到的信息。一个人不太可能了解所有的事情，更多是需要一些好的沟通。
陈航： 这种交叉学科人存在的，只是他去创业了，就像你。
李阳：说到交叉跨界，现在还有一个趋势就是很多互联网巨头也开始进入了AI制药领域，你们怎么看？对行业来说是什么样的信号？
李成涛： 不仅仅是互联网大厂在关注，很多药厂自己也在做，AZ整个管线是有一半以上能够用到AI。这其实是一个很明显的信号，说明大家都开始意识到这件事情的价值。
我们是在2019年开始创业，一方面是整个市场经过了一定程度的教育，同时这次疫情也让大家意识到这件事情的重要性，大家开始觉得整个领域是有改善的空间的，需要解决效率低下的问题，而AI确实能提供一定价值。整个市场还是一片大蓝海，大家都关注这件事情其实是好事，能够更加快速地推动整个领域的发展。
赖才达： 成涛讲得非常好，它是一个生态的搭建。我2016、2017年在麦肯锡帮药企做顾问的时候，欧美药企早就开始做这件事情了，而且他们一开始就跟微软、谷歌合作，实际上它已经开始一个全链条数字化的转型。国内巨头刚刚开始进入到这个领域，他们会更像是药企的一个IT合作伙伴，而我们更多想做一个数字化的药企，在产业链的位置上有本质的区别。越多玩家在这个生态里面，越能帮助整个产业数字化、AI化转型。
李阳：最后大家可以畅所欲言。各位初期对公司或者行业的未来有过什么样的想象？今天来看，你觉得实现了多少？行业现在处于什么阶段？
陈航： 最近我读一本书叫《像火箭科学家一样思考》，非常有意思，我也在公司里推荐。书主要是讲当年美国登月，当时科学的进展是不足以支持登月的，但最后还是完成了。印象最深的是，关于定义的问题和手头上的工具的关系，大家喜欢拿着手头上的工具来去定义一些问题，当然，如何定义一个好的问题是非常重要的，另一方面，其实工具本身也有优越性，也应该充分利用手上工具的特点。
所以我一直思考AI制药的优越性，解决一款药是会产生价值，但其他传统方法不也能解决一款药吗？传统方法也可以解决两款、三款、更多的药，其实都是做加法的原理。
那么AI制药更大的价值体现在哪里？我觉得这不是一个加法原理的事情。比如做化合物筛选，传统的公司本身有一个pool，他从pool里钓出来一条"鱼"，这个"鱼"就没有有了，再钓更多的鱼，这个pool就会枯竭。但是我们利用数据驱动，去学习被钓出来的鱼，产生新鱼、更大的鱼，这个pool里的鱼会越来越多的，理论上讲壁垒应该是越来越高的，这是我们的一个期望。我也在提醒自己我们在做的事情是不是这样的。
第二点是，AI有没有可能做出个性化的事情？ 个性化相当于AI或者数据化驱动带来的本质变化，可以个性化用药，以及之后有没有可能个性化支付？我们对自己的期望是不仅仅是做一款药，大胆畅想，也希望将来能够做个性化支付，甚至个性化治疗的医院。细胞治疗、基因治疗确实是个性化的，将来可能真的可以完成基础设施的建设，实现这些个性化的事情。这是令我们非常激动的。
赖才达：现在AI制药这个领域，正处于大胆假设、但还在小心求证的过程中。 这有点像90年代互联网行业的感觉，已经搭了一些基础建设，可能有上百家互联网公司会起来，但大部分人会fail。但一定会出现伟大的公司。
在小心求证的过程中什么是重要的？怎么验证长期有用的商业模式？需要很长期投入大量的资本，不断积累差异化的能力，积累底层的壁垒，才会变成一个伟大的公司。
第二是从临床前到临床开发这个过程的转化，大部分公司目前都还没有这个能力，这是下一步真正在这个赛道跑通非常关键的部分。所以我觉得在接下来，行业会经历快速成长，可能会有一些crash，后面会出现几个真正伟大的数字化药企，我觉得这是未来10年的方向。
李成涛： 我很同意两位刚才的观点，同时我也想讲一下，我认为现在整个行业处于相对比较早期的位置。什么叫做最后能够成功，商业模式是非常重要的一方面，但真正成功还是取决于能不能做出来，做出来的东西对患者有没有用，这个对我们非常关心的一点。
我觉得现在就像在跑马拉松一样，看谁能跑进两个小时。现在国外一些公司已经有人刚刚跑进两小时。下一个是谁？现在整个行业大家都是在崛起的势头，同时我猜测也有可会遇到一个crash，之后会回归理性，现在已经看到曙光了。这是我的想法。
李阳： 接一下陈航总说的，在内部我们从不说自己在做Science，我们是做Engineering。**工程的逻辑是一个pipeline做完不论成功与否，都能够不断积累经验，下一个pipeline出来的东西成功率要比第一个高，**而不是说每次都是eureka，是靠灵光乍现、没办法预料下一次成功概率的事情。我相信我们都是在朝着这个方向努力。
五源资本（原晨兴资本），目前管理约五十亿美元规模的美元和人民币双币基金。我们相信，如果别人眼中疯狂的你，开始被相信，世界会更美好。
BEIJING·SHANGHAI·SHENZHEN·HONGKONG
