任峰表示，AI制药作为新药研发的一种新突破， 相较于传统制药长达数年的周期与数十亿美元的单一药物研发投入，AI药物研发能够极大地节省时间和经济成本。以该企业内部进展最快的特发性肺纤维化项目为例，整个项目从靶点发现到提名临床前候选化合物只花了18个月，耗费260万美元；而在传统药物研发中，这一过程长达四年半甚至更久，耗费将高达千万美元。
“AI制药”任重道远：
高质量数据缺乏依旧是最大瓶颈
与此同时，AI辅助新药研发还存在诸多挑战。黄文林表示，AI在新药研发中的应用面临多方面挑战。“从政策方面来看，AI辅助新药研发颠覆了原有的药物研发模式，而现在尚无针对性的政策指南出台；从数据方面看，AI模型基于数据学习，若数据学习导致了结果的不确定性，也可能导致新药研发结果的不确定性。尽管在多数情况下化学数据可大规模获得幷成功用于配体设计和合成，但这些数据幷不能满足 AI药物发现的需求。因此，未来需要更多的高质量化合物数据，包括化合物的体外活性、毒性指数等，在后期阶段，还需要化合物动物实验的药效数据。”
韩蓝青同样表示，AI深度学习通常需要庞大的数据集进行训练，高质量数据依旧是稀缺资源。“我国创新药物研发起步较晚，算法、算力上的突破也需要一定的时间。高通量数据不足、数据质量参差不齐，算法精度不高等都为AI在药物研发上带来了困难；此外，行业复合型人才也十分匮乏，‘懂算法的不懂制药，懂制药的不懂算法’。”
他表示，AI参与药物研发目前还集中在前端环节，在临床环节渗透率还较低。“我们需要让更多高质量候选化合物进入临床，更好地验证靶点，提高临床成功率，这样才能推动AI助力药物研发进入深化阶段。” |
