天选【新智元导读】AlphaFold已经更新到第三代，Al4Science的口号喊了好几年，AI算法在药物发现领域的实质进展究竟如何？BCG的一篇调研报告跟进了生物科技公司近年来使用AI发现的所有药物分子，并分析它们在临床试验中的表现。

　　AI生成的药物分子在I期临床试验中，成功率高达80%-90%，而历史平均水平约为50%。

　　具体来说，研究人员对100+家「AI原生」生物技术公司临床管线进行首次分析。

　　结果表明，AI在设计或识别具有药物特性的分子方面，具有很强的能力，愈加证明了AI发现分子的临床潜力。

　　上周重磅发布的AlphaFold 3，更是以前所未有的「原子精度」，预测出所有的生物分子结构和相互作用。

　　谷歌DeepMind联合创始人，CEO Demis Hassabis在采访中激动地表示，「AI能为人类做的第一件事，便是治愈数百种疾病」。

　　甚至有网友称，「谷歌用AI自动化了十亿年的博士时间。传统的药物发现过程是一场马拉松，从概念到临床需要12-18年时间。而借助像AlphaFold这样的AI技术，只需5年或更短的时间实现」。

　　尽管使用了前沿的实验技术，但许多科研项目仍旧步履维艰。即便最终成功，它们通常也需要耗时多年才能完成。

　　而其他类型的药物（如生物制品和疫苗）虽然可能发现速度更快、成功率更高，但其发现过程依然复杂且风险较大。

　　它可以在计算机中，模拟执行许多耗时、重复且成本高昂的过程，并极大地扩展了探索规模。

　　用知识图谱挖掘OMICs数据及其他信息，帮助理解疾病生物学、确定药物靶点和生物标记物；

　　利用AI驱动的结构预测算法，如AlphaFold，优化抗体及其他蛋白质的设计；

　　过去十年里，随着这些技术的应用，由AI发现的药物和疫苗分子数量显著增加。

　　2022年的数据显示，AI发现的小分子数量呈「指数」增长，并已开始与传统方法发现的小分子数量相匹配。

　　这一趋势，从那时起一直在继续。与此同时，AI发现的「生物制剂」也显示出类似的增长趋势，尽管其数量仍较少。

　　另外，Nature报道中，还观察到了AI开始加速药物发现的时间线家AI本土药物发现公司，显示了AI驱动药物发现的增长趋势。

　　左图a是专注于利用人工智能进行药物发现的公司，右图b是，排名前20的制药公司。

　　到2024年初，全球TOP 20大型制药公司均已入局AI的科研中。并且，这些科研活动，很大一部分都是通过与专门形式「AI原生」生物技术公司合作开展。

　　其中最关键的问题之一便是，关于AI发现的分子的质量问题，尤其是它们在临床试验中的安全性和有效性。

　　为了解答这些问题，BCG对整个行业中AI发现的药物和疫苗进行了首次分析，特别是它们的临床成功率。

　　不过研究人员同时指出，由于这些分子在临床试验中的数量有限，且该领域正在迅速发展，因此目前的分析还很初步。

　　但鉴于这一议题对整个行业的重要性，他们认为，有必要报告这些早期的证据，并探讨它们可能带来的影响。

　　为了对整个行业进行具有代表性的调查，这项研究使用了超过100家AI原生的生物技术公司公开发表的研发管线数据，并进行了适时更新与交叉验证。

　　由于每种发现模式可能会导致截然不同的临床试验成功率，因此论文中对不同发现模式的分子进行了分类统计。

　　自2015年以来，「AI原生」生物技术公司及其合作的制药公司已经将75种分子引入临床试验，其中67种分子至2023年仍在进行试验。

　　过去十年里，每年使用AI发现的分子数呈指数级增长，年复合增长率超过60%，这表明AI在药物发现阶段已经取得显著进展，而且这种趋势正扩展到临床试验阶段。

　　每种AI发现模式有不同的发展节奏，而且在实际应用中呈现日益多样化的趋势。

　　2020年以前，AI改造已知分子是主导模式，之后占比逐渐下降并趋于平稳，2023年时达到15%左右。

　　相比之下，其他发现模式都在快速发展。目前，AI发现小分子的模式占比最大，2023年超过了30%。而且AI发现靶点的分子也在加速进入临床试验，其中很多也属于小分子。

　　截至2023年12月，有24种AI发现的分子完成了第一阶段临床试验，其中21种取得了成功（图2a），成功率介于80%~90%，明显高于行业历史平均水平天选团队的40%~65%。

　　失败的3个分子中，只有1个是因为没有达到评估标准，其他2个是由于公司的业务决策和研发管线的调整而被终止试验。

　　在第二阶段，有10种AI发现的分子完成了试验，其中4种取得了成功，成功率为40%，与过去行业平均水平30-40%持平。

　　暂停或终止试验的6种分子中，其中只有2种是由于数据结果不理想，其他4种均是公司的商业原因导致退出试验。

　　AI发现的分子在第一阶段的临床试验中的成功率如此之高，背后可能有多种原因。其一是AI倾向于给出经过充分验证的生物靶点或通路，这减少了目标分子存在毒性的风险。

　　这个因素有一定影响，但不是绝对的。文章发现，通过第一阶段的分子中至少有3种含有创新的靶点。

　　第二个可能的原因是作者提出的一种假设，即AI算法已经在成熟分子的数据上经过训练，因此可以对分子结构进行有效的微调与优化。

　　但这种说法也并没有足够的证据支撑，而且之前的研究曾表明，AI算法可以被用于探索新的化学结构，而不仅仅是对已知结构的微调。

　　或许我们可以将第一阶段的高成功率理解为，AI算法已经非常有能力设计或选择药物分子，包括有优秀ADME性能和安全特征的新型分子，尤其是考虑到每一种发现模式的成功率都比较均衡。

　　尽管现在断言AI已经解决了一般意义上的分子设计问题还为时尚早，但这份结果可以提供给我们一个初步的概念，一种可能性的思考——用于药物发现的AI算法究竟可以达到什么程度的成就。

　　第二阶段的数据表明AI发现分子的成功率约为40%，与过去的行业平均水平基本一致。

　　由于第二阶段通常涉及生物或机制概念的验证，AI算法成功率的下降表明，虽然有能力识别与疾病相关的靶点和通路，但仍存在改进空间。此外，药物发现领域的难关——实现临床疗效，依旧具有挑战性。

　　然而，这项分析存在一些数据方面的限制和不足，首先是样本量较小，其次是没有包括很多大型制药公司独立用AI发现的药物分子。未来随着更多数据的出现，临床成功率可能会发生比较显著的变化。

　　BGC最新报告，首次揭示了AI发现的分子在临床试验中的潜力，并为未来AI驱动的研发提供关键一瞥。

　　如果按研究人员观察到的，AI发现的分子在第一和第二阶段的成功率，并假设这些在未来仍将持续。

　　一个分子从临床首期到终期试验的成功率，可能从5-10%增加到约9-18%。

　　也就意味着，生物技术公司能够以更少的资源、成本实现相同的产出，或在相同的资源下增加新药的上市数量。

　　除了已经观察到的结果，还有理由相信AI能进一步提升临床表现，特别是在II期和III期阶段的实验中。

　　尤其是，包括OMICs和表型数据生成、反向翻译（reverse translation）、新患者衍生模型，以及利用LLM以更好挖掘疾病数据。

　　以上技术，都将有助于弥合分子设计与临床疗效之间的差距，进一步提升临床试验成功率，以超越历史水平。

　　用AI发现药物，最终的目的是更快、更好、更经济地为患者带来更具创新性的药物。

　　在未来几年，随着更多AI发现分子的临床结果的出现，看到AI如何改变整体研发生产力将是非常令人兴奋的。