今年2月，地处张江药谷的英矽智能利用人工智能发现的“特发性肺纤维化”候选药物，获批在中国进入Ⅰ期临床试验，成为中国首个进入临床阶段的人工智能研发药物。

日前，英矽智能联合首席执行官、首席科学官任峰，在2022张江AI智药论坛透露，“这一项目已全球同步进入临床Ⅰ期，所有受试者都已给药完毕，今年年底会拿到临床Ⅰ期的数据，明年会推进到临床Ⅱ期。”

全球至今尚未有人工智能研发成功的药物上市，我们距离人工智能研发成功的药物还有多远？张江能否在人工智能制药领域占有一席之地？

【“如果再说一年以上的时间，大家是不会接受的”】

众所周知，传统新药研发有着周期长、费用高、失败率高、投资回报率低等痛点。2018年，国际学术期刊《自然》发表了一篇利用深度学习逆向合成路线设计药物的研究论文，这一突破被誉为化学界诞生了“阿尔法狗”。

近年来，人工智能在助力新药研发、降本增效等方面的潜力迅速展现，成为生物医药产业发展的主流趋势。

对此，俄罗斯自然科学院外籍院士、美迪西生物医药创始人陈春麟深有体会：“之前，我们给人家设计药物的时候，从早期靶点做到临床前候选化合物，最快也只敢说一年半的时间。但人工智能介入后，现在只需短短几个月，如果我们再说一年以上的时间，大家是不会接受的。而且这个时间已经被证实是可行的，可见人工智能助力新药研发的速度是非常明显的。”

任峰介绍，英矽智能这款进入临床阶段的人工智能药物，是一个全新靶点和机制的候选药物，从靶点发现到临床前候选化合物，投入了260万美元。而传统药物研发，则需要花费几千万美元以上的研发投入。

有数据预测，借助人工智能，在药物发现和临床前阶段可节省40%-50%的时间，每年节省260亿美元；临床阶段可节省50%-60%的时间，每年节省280亿美元。

【张江AI新药研发联盟应运而生】

据皮斯托亚联盟2019年的一项调研显示，约有70%的生命科学研究人员正在使用人工智能来加速或帮助他们进行新药研究。

面对生物医药的这一新趋势，去年10月，张江AI新药研发联盟应运而生。细看首批15家联盟成员单位，既有在张江科学城深耕30年的张江（集团）有限公司，也有中国科学院上海药物研究所、浙江大学上海高等研究院等科研院所，还有科创板CRO（医药研发外包）第一股美迪西生物医药，以及英矽智能、晶泰科技、深势科技等有明显人工智能特征的企业。

如今一年过去，张江AI新药研发联盟成果不少。在任峰看来，传统药物研发的瓶颈，一是跟生物学相关，如何找到好的靶点；二是跟化学相关，如何找到好的化合物；三是跟临床试验相关，如何设计好的临床试验方案。针对这三个痛点，英矽智能自主研发了三个人工智能平台。“平台后面是强大的数据库，我们有一千万个组学数据，还有两百万个化合物的结构、活性等信息。”

日前，知名药企赛诺菲与英矽智能达成一项首付2150万美元、总里程碑付款最高可达12亿美元的战略合作，创下中国人工智能制药的最高合作协议金额纪录。根据协议，赛诺菲将利用英矽智能的人工智能药物发现平台，推进基于不超过6个创新靶点的候选药物研发。

“新药研发是一个不断试错的过程，利用人工智能可以提高预测精度，最终降低试错成本。”晶泰科技化学服务副总裁张浩博士介绍，公司在上海和深圳各有1500平方米的自动化实验室，部署了超过150台自动化工作站，人工智能可以轻松完成投料、样品过滤和输出分析图谱等重复性劳动。

就在上个月，深势科技发布了新一代药物计算设计平台，可以更加快速准确地预测蛋白三维结构，较以往平台训练时间至少减少50%，复合蛋白预测精度至少提升15%。

【关键技术问题的突破更加迫切】

如今，全球范围内，约有十余家人工智能制药公司已完成首次公开募股。从已披露的消息看，约有数十条人工智能赋能的药物研发管线进入了临床阶段。

张江能否在人工智能制药领域占有一席之地？解放日报·上观新闻记者了解到，在此次张江AI智药论坛上发布的张江集创园，将成为人工智能制药的承载区。

张江集创园位于张江科学城中部核心位置，是上海市特色产业园区张江机器人谷的重要组成部分，有着得天独厚的区位优势。

“张江机器人谷以前是机器人造车、机器人造机器人，如今，希望实现机器人‘造’药，让药物研发7×24小时不间断。”浦东康桥（集团）有限公司总经理助理王涛介绍，在产业定位上，张江集创园将以人工智能赋能为核心，聚焦人工智能+生物医药、人工智能+医疗器械的融合创新发展。

此外，罗氏中国创新中心、恒瑞医药、药明生物、百度等10家企业成为张江AI新药研发联盟的新晋成员。

“人工智能尽管可以加速药物研发的关键步骤，但也面临系列的困境。”罗氏中国创新中心人工智能和数字化负责人林翼说，比如数据和人才等问题。

复旦大学人工智能创新与产业研究院院长漆远，不久前在浦江科学大师讲坛也提到，人工智能药物研发领域存在许多亟待解决的重要问题。比如，碎片化的医药数据难以整合；缺乏基于创新药研发真实需求的人工智能大模型与操作系统；深度学习对数据过度依赖。

由此可见，要想在人工智能制药中“突围”，除了外部环境的加持，一些关键技术问题的突破更加迫切。