码荟创业者 | AI4S产业化圆桌：应用场景多，“AI工具”会有更大价值

源码资本源码资本··0·3

#码荟创业者 坚韧敢为，探索不息

2022中关村论坛系列活动——"AI for Science：共创新未来" 科学智能峰会近日召开，源码资本携手多位码荟成员、产业领域创业者和源码资本投资人共同讨论，AI4S产业化落地的机遇与挑战。

以下为圆桌讨论环节内容：

源码 张玉豪： 首先请教宇道生物联合创始人与首席技术官郁征天博士，在医药行业的药物设计中，您认为AI的最佳应用场景有哪些？数据的输入和信息来源一般来自于哪里？

**宇道生物 郁征天：**AI有几个非常主要的场景，**第一、应用于各种可能性探索的初步筛选。**初筛是AI最好的应用场景之一，适用于数量级特别高的可能性测算这类人工无法完成的情况。**第二、通用问题中的无边界问题AI求解。**以刚才一位嘉宾分享的围棋为例，围棋的棋盘是有边界的，可以根据边界把所有可能性测算出来。假设当棋盘变成没有边界，理论上来说，各种情况不胜枚举，这个场景就非常需要第一性原理和AI相结合的方式去做突破，例如做小分子药就会遇到这类问题。

到数据的输入和信息来源，**宇道生物从事变构药物发现，作为小分子药物发现一个新兴的领域，也在不断尝试融入人工智能辅助药物设计（AIDD）新技术。**信息主要是蛋白、小分子，或者更加宽广一点DNA载体，这些用AI来建立不同的表征方式。

从不同的维度，将小分子做表征一般有十几种方法，但其实可以更多；同理蛋白、DNA也一样。利用AI可以从高维度、多维度把这些的特征解读得很全面，进而可以对相关问题就有较深的探索。之后的应用场景则是，将解读出来的信息放进模型中，再去求解一些未知的事情。这个过程有点像读书，最开始是多读书、把书读厚，读一千、一万页，但最终要提炼和吸收，达到把书读薄的效果。

从数据的角度，数据量最大的就是在小分子表征这块，现在解读小分子表征已经有很多方法，我们是否还能从更高、更多维度，把这些小分子表征出来。在蛋白这块则是考虑通过什么样的表征，能够把他们的动态结构表达得更好。

这两边的数据量都非常大。一旦数据量达到一定程度之后，就会开始降维，降维之后会把模型做出来。宇道生物对AI的应用，体现了通过AI既提升解决问题的速度，同时也把本来不可能做到的事情，变为可能。

源码 张玉豪： 感谢郁博士的分享。我们可以看到将AI抽象特征提取能力，应用在药物设计各个环节复杂多维度数据上，能够非常高效地把不同来源的数据给汇集起来，将有效信息沉淀下来，从而加速药物设计过程，宇道的药物设计平台提供了很好的变构工具。

第二个问题想和智化科技创始人、董事长兼CEO 夏宁博士探讨，智化科技的产品软件已经在各大药企、行业中公司获得非常多好评，国内现在AI帮助产业提供算法加速的软件，各种产品您应该也见过很多，从现在整体看产品的有效性怎么样？大药企在使用自研和外部提供的工具上，是什么样的态度？

智化科技 夏宁： 智化科技深入探索解决智能化合成的关键问题，从逆合成预测到自动化合成，我们的产品已经有不少的国内外大型药企正在使用。使用我们的产品之前，药企也测评了很多市场上同类型产品，经过长时间试用和反复测评，最后选中了我们，整体来说我们是在相对比较新的领域得到了行业的认可。

从行业发展来看，目前正是处于一个非常好的机遇期，如果再早5-10年，可能都不会有这个机会。因为近年来，随着制药领域成本提升、竞争激烈，药企对研发的重视程度越来越高，非常愿意使用外部新技术，来提升内部研发效率。

早期行业可能不认为AI是必要的技术，但最近对AI的应用越来越关注。一些大型药企在内部尝试用算法、AI解决问题的同时，也积极向外去看AI制药公司，看能否找到一些不一样的解题思路，或者更有效的产品。

智化科技此前作为一家算法软件研发公司，现在也在逐渐的做合成自动化。**AI的真正落地需要计算的高通量和更大的化学空间。单纯计算的高通量，最终不能体现物理世界高通量的话，其作用有限。**例如算出来一万个分子，但真正要知道哪些效果好、活性强，还需要合成出来做生物测试。

所以说，我们认为，AI在未来不光是提高运算的速度，更要结合真实实验场景中去应用，这样才能够让物理世界的实验通量提上去，这是最有价值的好的方向，也是智化科技现在努力在实现的领域。

源码 张玉豪： 感谢夏博士分享，通过夏博士分享可以了解到，对传统药企来说，从研发压力、创新需求，对于外部工具，尤其是好用的、干湿实验相结合工具和场景的诉求都非常强烈，也为广大AI4S创业者们提出了很多新的开发需求。

接下来的这个问题想和剂泰医药的联合创始人兼CEO赖才达博士探讨，您认为全球范围内，现在整个产业化落地的AI4S有哪些是您比较认可的"Best Practice"案例？

剂泰医药 赖才达： 我可以谈谈创新药相关的部分。现在AI4S在创新药产业落地"Best Practice"的门槛整体升高了。

首先需要有高通量的Data Platform，通过这个数据平台去驱动算法，并不断产生核心的药物开发优势。其次通过跟大药企，以及一些Biotech公司的合作，证明可以推成药，快速进一步到临床的Ⅱ期去证明是否能成药。

基于这些要求，创新药公司必须在基础设施方面具备干、湿实验能力，并在某一些细分领域具有领先优势和特色，同时最好还能打通"端到端"制药的能力。

AI4S在创新药产业落地分两块，一是服务模型，二是管线。

**服务模型方面，**CRO、CDMO模型是目前人工智能药物研发公司做得相对很好的方向，例如智化科技、晶泰科技等，他们能够跟上百家药企展开合作，帮助他们在某一个研发环节增速。我一直觉得智化科技夏宁老师这边做的逆合成是一个很大的东西，如果能做好，跟实验结合在一起，可以极大提升效率、降低成本。

另外一个更大的方面是如何真正把管线推起来， 管线的链条特别长，迭代的回馈弧也很长，需要先要把一些小的迭代做起来，先从递送的迭代开始，再上到疾病的动物试验，最后到人体试验，越往后越难，每一块都需要做得非常扎实。现在整个行业包括国际上的公司都还没有很好的best practice。我们只是能够保证在一两年内，把药从立项到高速的执行，但是到真正去证明药效，还仍然有诸多限制。

第一个最快出来的AI设计的药其实是新冠疫苗，只有50天时间就做出来了，但也因为有这个传染病的压力，但实际真正做药的链条是非常长的。其难度体现在找到好的生物学靶点，做好分子序列设计、药物递送整套搭建完成。

我的直觉是，这一领域可能还是以合作的方式为主，去利用其他人已经有的临床能力、好的靶点，尽量利用人体内本来就存在的蛋白、细胞，就是说最好产生的蛋白是人体本来就有的，递送所用的细胞就是人体本来就有的细胞。这样子可以大幅降低生物风险，让技术风险成为真正成败的要素，从而体现AI的价值。

源码 张玉豪： 感谢赖总的分享。创新药行业的产业链和周期都比较长，受近几年的疫情影响，传统行业对创新的需求增加，创新药方面对突发疾病、复杂系统性疾病、肿瘤等，提出了越来越高的数据及AI工具诉求。

最后一个问题给创材深造创始人兼CEO王轩泽，从材料行业来说，未来整个材料行业需要怎么样的产业支持，能够让中国整个围绕AI4S产业化落地更有效？

**创材深造 王轩泽：**AI4S是一种从串联变成并联的模式，资金投入、保质保量的数据支持、对金属新材料的拥抱程度是我认为最重要的三点，此外还有政策支持、人才支持等。

AI4S在材料行业的应用需要大量的资金支持。从投入看，设备、材料等需要投入的成本较大，资金支持能够保证投入的持续性。

此外行业需要保质保量的数据支持。数据的零散分布会比较影响行业的快速发展。现在有很多数据是零散分布在高校、研究院所，如果数据能够相对集中，会有助于行业发展。目前地方政府等，有一些机构在做数据联盟，行业需要保质保量的数据支持。

对于"AI+金属材料"，AI方面到底需要材料的哪些特征、特点、特性，采集数据的时候需要有专门针对特性设计的实验，最好可以做到标准化的一套实验，产生数据的流程，这样对于算法和数据会非常好。

国内企业对于新材料的接受程度有待提高，但是作为从业者，我们感受到大家的接受程度变快了，很多公司都在越来越快地接受新材料。

更多码荟成员点击「阅读原文」可查看