AI技術到底能在多大程度上影響一顆新藥的誕生？未來十年，AI技術又將如何實質性地顛覆生命科學領域？

5月10日，“首屆中國生物計算大會” 在蘇州金雞湖畔拉開帷幕，產、學、研、資界專家圍繞 “BT＆IT” 主題，從各自領域出發(fā)，從不同角度探討生物計算的定義、邊界以及 AI 對于生物數(shù)據(jù)的意義。此次大會由中國首家生物計算技術驅動的生命科學公司百圖生科，與致力于 IT 和 BT 交叉融合的創(chuàng)新孵化中心播禾創(chuàng)新共同主辦。

在國際視角下的生物計算新孵化專場，進行了兩場極具深度且充滿干貨的圓桌討論，其中一場是由百圖生科聯(lián)合創(chuàng)始人＆CEO劉維、恒瑞醫(yī)藥高級副總經理兼全球研發(fā)負責人張連山、藥明康德聯(lián)席CEO楊青、佐治亞理工學院機器學習中心副主任宋樂、清華大學智慧產業(yè)研究院首席科學家馬維英五位嘉賓共同參與的圓桌對話，動脈網(wǎng)對場上嘉賓的精彩觀點進行了不改變原意的整理，以饗讀者：

劉維：首先請各位結合各自在生物計算領域所做的探索，進行一個簡單的自我介紹。

張連山：我來自江蘇恒瑞，主要負責公司研發(fā)。我們公司在設計領域開始地比較早，至少五年之前已經跟很多公司做過接觸。過去，我們是從“猜”做藥，那時能做的靶點非常多，給社會和患者帶來了很大的紅利。但到今天形勢已經變得復雜，很難再找到一個新的靶點。所以我們需要AI幫助，利用計算機輔助制藥的發(fā)現(xiàn)。

很多患者認為一款新藥太貴，這是因為新藥研發(fā)的成本極高，一款新藥的落地需要10億美金甚至更貴。事實上，研發(fā)成本還在不斷上升。今天我想通過與同行和跨領域的科學技術研究者來探討一種新的模式，努力把做藥的成本降下來。

馬維英：我在這個領域是最新進入的研究人員，過去20年一直在互聯(lián)網(wǎng)做搜索、做推薦，做內容生成，都是比較傳統(tǒng)的AI領域，例如計算機視覺、自然語義處理、語音、機器翻譯、個性化推薦算法方面。

為什么開始對這個AI新藥這個領域感興趣呢？2019年，我開始注意到做自然語言處理的與新藥發(fā)現(xiàn)這兩個領域產生交叉，也就從那個時候進入這個領域。我相信隨著生命科學數(shù)據(jù)的累計到了一定階段，接下來十年，AI在生命科學、生物計算領域會有一個非常大的爆發(fā)和蓬勃的發(fā)展態(tài)勢，就相當于過去20年互聯(lián)網(wǎng)時代的發(fā)展。

所以我最近常常跟AI領域的同事說，你們不要在紅海里面“擰毛巾”了，不管是視覺、自然語言理解都有非常多的事情可以做。今天在生命科學領域，我們把已有的工具借鑒過來，就會產生非常大的突破。AI新藥市場還是一片藍海，擁有巨大的機會。

隨著個體化精準醫(yī)療時代的到來，越來越多的個性化治療方案被推出，比如一些免疫療法。但目前這些療法對于患者來說還是太貴，精度也還不夠高。如果AI介入提升新藥研發(fā)效率，把這些個性化療法的價格降下來，把基因測序價格降下來，縮短新藥研發(fā)時間，把精度提升上去，無疑會顛覆現(xiàn)有的醫(yī)療行業(yè)。

宋樂：我是百圖生科的顧問宋樂，我的背景和馬老師有很多重疊的地方，在過去大部分時間在AI和互聯(lián)網(wǎng)領域，研究AI對模態(tài)的數(shù)據(jù)分析，圖像、文本和復雜網(wǎng)絡的數(shù)據(jù)分析。我在學術界也做了很多關于生物數(shù)據(jù)的分析，包括多組學數(shù)據(jù)、小分子數(shù)據(jù)分析等。

目前在互聯(lián)網(wǎng)上有很多公開的數(shù)據(jù)集，有各種各樣的手段能夠測量生物很多不同的指標，似乎是已經到了一個點。通過AI的方法，通過把公開的數(shù)據(jù)集合在一起，為新藥的發(fā)現(xiàn)起到助力作用。

劉維：場上嘉賓有來自大藥企生態(tài)鏈的高管都對生物計算持擁抱態(tài)度，邀請你們此次前來參會也正是因為我們看到了這一點。你們各自公司自身內部都有很大的團隊在做這方面的研發(fā)，在對外合作層面也有非常多的嘗試。作為傳統(tǒng)藥物研發(fā)企業(yè)，你們認為還有什么機會是留給外面的AI藥物發(fā)現(xiàn)？有哪些事是你們傳統(tǒng)企業(yè)做不了，希望他們來做的？

張連山：在做藥方面，我們對AI非常有興趣。政府和國家層面都希望藥企做一個First－in－Class的東西，但目前我們很難找到全新的靶點。能不能通過應用AI來解決這類問題，提高藥物研發(fā)效率、降低研發(fā)成本，目前的探索還處于初期。

此外，現(xiàn)在我們倡導精準診斷、精準治療。由于每一個藥對不同的患者不一定都有效，如果沒效的話對于患者來講帶來的就剩下藥物的副作用。如果AI技術能夠幫助我們提高進行精準診斷、精準治療的效率，降低成本，我們就可以騰出更多的資源去做更重要的事情。

劉維：大家是否愿意把數(shù)據(jù)開放給AI領域的伙伴？這是一個通用的問題。同時我們也請兩位AI方面的專家來談一談，如果他們回答是“yes”，你們最想要什么數(shù)據(jù)來加速模型的構建？

張連山：我們研發(fā)新藥是從一個靶點開始，這個信息完全可以跟大家共同享受。我要的是分子，至于里面的知識也是可以跟大家共同享受的。

馬維英：最近我注意到美國有幾個大學在做一件事情叫TDC（Therapeutics Data Commons），這是一個機器學習在生物醫(yī)藥的大規(guī)模公開數(shù)據(jù)集。TDC包含了20＋有意義的任務和70多個高質量數(shù)據(jù)集，從靶蛋白的發(fā)現(xiàn)，藥物動力學，安全性，藥物生產都有包含。20幾個任務由專門的生命科學專家定出，又有標準化的表達。在這個公開數(shù)據(jù)集出來以后，就會有很多聰明的人進行競賽，想辦法提高數(shù)據(jù)精度。這個發(fā)展模式蠻值得我們參考。如果生命科學領域聯(lián)合AI人才共同推進該領域的發(fā)展，我個人覺得是一個非常好的方式。

另外一個維度——個人健康管理也值得思考。目前，我們有越來越多的個人健康管理工具，包含可穿戴設備。AI賦能個人健康，讓個人積極主動參與健康管理，貢獻數(shù)據(jù)。用一個開放的模式驅動數(shù)據(jù)AI在醫(yī)療、生命健康領域發(fā)展，這是蠻值得參考的方式�？偟膩碇v，AI還是靠數(shù)據(jù)。我個人覺得隨著時間的積累，數(shù)據(jù)的問題會被解決。

宋樂：我很贊同馬老師說的一些觀點，包括在醫(yī)藥行業(yè)如果能夠設計一些數(shù)據(jù)集和問題，就會發(fā)動更多的人參與，用AI來挖掘、探索新藥的靶點或者藥物設計的問題。這里非常重要的一個點就是在數(shù)據(jù)和AI模型之間產生閉環(huán)系統(tǒng)，讓更多人嘗試用系統(tǒng)發(fā)現(xiàn)新的藥物靶點或者成藥的可能性。

用AI去賦能升級實驗平臺其實和互聯(lián)網(wǎng)的發(fā)展有很多相似之處，比如用戶搜索平臺和平臺智能推薦搜索可以相輔相成。當AI的數(shù)據(jù)庫平臺建立起來后，用戶通過使用平臺會更新AI的模型，AI的模型會對用戶產生一些新的推薦，用戶根據(jù)推薦做一些相應的操作，就會有越來越多的數(shù)據(jù)在平臺上積累。但如果沒有數(shù)據(jù)和AI模型閉環(huán)的操作，就很難看到AI的模型進行不斷迭代和提高。

劉維：我挺同意馬老師和宋老師的觀點，我們百圖生科也很想做宋老師說的閉環(huán)系統(tǒng)，我們將自己定位為一些創(chuàng)新藥物領域的“創(chuàng)新藥廠”，希望能夠在這些領域能夠解決這幾點問題：一是行業(yè)數(shù)據(jù)稀缺，比如說董晨老師提到的免疫靶點的數(shù)據(jù)，尤其是自身免疫性疾病領域，整個行業(yè)都是稀缺的，大藥廠內部數(shù)據(jù)也有限；第二是怎么把閉環(huán)的驗證能力建立起來，無論是我們自己利用數(shù)據(jù)集進行更好的學習、驗證，還是為行業(yè)更多的AI伙伴提供循環(huán)，讓大家可以圍繞新的數(shù)據(jù)挖掘出新的可能性，再去賦能傳統(tǒng)的大型藥廠，看看能否圍繞這些數(shù)據(jù)做后續(xù)的研發(fā)。圍繞新的數(shù)據(jù)集和新的計算方法的初期嘗試，其實失敗率還是比較高的，需要比較長周期的嘗試和驗證才能符合大藥廠的標準。

張連山：目前有各種各樣的數(shù)據(jù)，比如多組學、基因、免疫等等，但難的是如何把似乎不相關的數(shù)據(jù)通過AI處理串聯(lián)起相關性，找到實質性的東西，我認為這是這個領域想發(fā)展起來首先需要解決的問題。

劉維：是的，很多數(shù)據(jù)存在批次效應，散在各處的標準化程度不夠。標準化程度不夠在以前數(shù)據(jù)的顆粒度比較粗的時候不太會形成實質性的阻礙，但隨著目前數(shù)據(jù)的顆粒度越來越細的時候，誤差可能就會掩蓋規(guī)律。

馬維英：如何把看似不相關的數(shù)據(jù)、知識關聯(lián)起來真的很重要，尤其是在生命科學這一非常需要專業(yè)知識儲備的領域。目前的AI制藥公司，還只是做到把小分子化合物推演出來交給后面，但他也不知道怎么引導、去搜索更好的藥物空間，這在目前還是一個斷裂的。

我認為的確需要把知識引擎、知識圖譜規(guī)則的東西引入到深度學習里面。生命科學也提供了一個新的土壤，讓AI繼續(xù)往前突破，把知識跟符號邏輯，跟統(tǒng)計，跟純數(shù)據(jù)驅動的，或者原來是模型驅動和數(shù)據(jù)驅動進一步結合，再把實驗室打通。我相信將來這個鏈條越通暢我們整個流程會轉得越快，創(chuàng)新也會越快，新的科學發(fā)現(xiàn)也會越快。

劉維：現(xiàn)在有一個詞叫做“計算可成藥性”或者叫“計算藥物”，如果沒有生物計算，這個藥不太能夠做出來，或者說是轉化率太低，沒有人敢做。我想問大家比較看好哪一個細分領域，會因為生物計算出現(xiàn)一大批的創(chuàng)新藥物？

張連山：我覺得是在國內的小分子領域會有一些突破，我也很有信心我們能做到這一點。

馬維英：我個人的理解是如果是在已有的靶點的基礎上用AI的方法去推斷結構，預測功能。此外，我認為一個新的機會是將來AI成藥性能更加精準化、個體化。

宋樂：我很贊同馬老師的觀點。除此之外，我的另外一個理解就是AI可以在哪些方面能夠助力現(xiàn)在的新藥開發(fā)。目前該領域已經有一些公開數(shù)據(jù)集存在但散落在不同的角落。為了發(fā)現(xiàn)一個新的靶點或設計一款新的藥物，我們能否把這些紛繁復雜的數(shù)據(jù)組合起來，通過AI的模型進行數(shù)據(jù)統(tǒng)計、分析和推理，或者通過AI來篩選比如小分子結構、蛋白質結構等。在這樣的情況下，AI會助力傳統(tǒng)醫(yī)藥研發(fā)進步，帶來突破。

劉維：我自己的選擇跟兩家大藥廠的不太一樣。百圖生科會把更多的重心放在大分子藥物的設計中。剛剛馬老師也提到蛋白質本質上也是一種語言，包括它的序列、結構預測的進程等，會對整個狀態(tài)空間起到了輔助探索的作用。我們自身會圍繞復雜動態(tài)免疫問題，復雜的可編程抗體等作為我們重要的探索方向，希望在這個過程中實現(xiàn)比較精準的，針對動態(tài)免疫組裝的免疫藥物。

因為時間關系，今天我們就交流到這里，謝謝各位。

作者：陳宣合