体制内的药物研究机构也在跃跃欲试，寻找新商业机会。

       上海药物研究所苏州成果转化中心正在搭建自己的大数据平台，并有计划基于该平台成立自己的公司，谋求商业合作。转化中心办公室主任谷刘园告诉「甲子光年」，药研所本身也是一个服务性平台，在制剂、代谢，安全性评价等方面向全国药企提供支持。目前药研所承接了全国头部药企如恒瑞、豪森等30%-50%的基因、代谢、制剂等研究工作。

       “不管是一般企业还是创新企业，在药物研发过程当中，不可能一家企业把链条上所有的事情全部做完。临床前的研究，除了自己做实验室评估之外，其实大部分的项目都是药物所来做的。”谷刘园说。

       第三类玩家是大药企。如前文分析中国整体医药市场时所述，大型药企正在从过去的仿制药模式转向加投原研药的模式。

       根据西南证券的数据，国内主流药企的研发投入占营业收入的比例已经逐步提高到5%以上，而恒瑞医药与复星医药占比已经超过10%，2017年恒瑞的研发投入达到17.59亿元，复兴医药则为15.29亿元。。成立于2011年的百济神州，目前已有4个用于肿瘤治疗新药品种进入临床试验。金斯瑞生物科技的BCMA靶点治疗多发性骨髓瘤的CAR-T疗法，临床病人数和试验结果均是世界第一。

       从公开资料来看，国内这些大药企在接入AI技术时，主要是靠合作和投资。如今年6月，药明康德投资了用强化学习和生成对抗网络（GAN）进行分子发现的Insilico Medicine。

       总结来看，AI在药物研发环节的作用主要集中在前临床阶段。利用AI技术除了加速研发时间、节约资金，还可以降低后续临床试验的失败概率。

       在云计算和专用超级计算机的帮助下，人们期待AI可以代替科学家的个人的灵感和运气，提前预测药物候选的ADMET（药物的吸收、分配、代谢、 排泄和**），预测化合物不良反应，并评估通过人类临床试验的可能性，缩小后期实验范围，降低临床失败概率。

       TechEmergence的研究报告曾指出，借助AI（主要指机器学习）处理海量医学数据，可将新药研发的成功率从12%提升至14%，这可为整个生物制药行业节省数十亿美元。

       并非“颠覆性”的AI

       但在「甲子光年」接触过大量从业者和投资人后，我们看到，AI技术对药物研发流程尚不具有“颠覆性”的改造作用。目前的流程主要是由生物科学的基础决定的，AI技术的价值则在于提升各环节的效率。

       而且在能否大幅度提升效率上，AI也面临着不小的挑战。

       首先是数据量不够。

       以AI的一个重要应用方向无人驾驶做对比，相比单纯的视觉和语音识别，开车已是一个复杂行为，但对大部分人类来说，它是可学习、可掌握、可实践的“熟练动作”，行业和整个社会也积累了大量关于开车的规则、数据和案例。AI，主要是机器学习，正是靠给算法“喂”大量数据来完善功能，自我迭代。

       但根据《自然药物研发评论》（Nature Reviews Drug Discovery）2016年的数据，在被FDA批准的1578个药物中，总共涉及的靶点数是667个。成功的靶点、化合物、晶型是很稀少的，并不构成“大数据”。

       可能马上就会有一种反驳的声音：但失败的靶点和化合物成千上万，这不是大数据吗？这就涉及到有关数据的另一个问题——数据质量。

       在AI技术的应用相对成熟的领域，都需要做一系列的数据清洗和标注工作。而药物研发领域涉及的数据极为复杂、难以判别，海量的文献同时意味着质量参差不齐，可能存在相当多的不可重复的实验数据和结论，对数据进行结构化的难度就很大，这会大大影响筛选结果。

       “原创的全新靶点对数据数量和质量的要求极高，也需要合作企业有尝试风险的勇气。”寻百会CEO肖腾飞坦言，部分国内药企目前的理念仍相对保守，所以寻百会的合作方都是国内外大药企如诺华、辉瑞、BMS等，这些公司为争做行业龙头，对原研药的需求迫切，所以更愿意为原创靶点买单。

       数据量不够，导致算法“喂不饱”；数据质量堪忧，导致算法可能被喂了“垃圾食品”——这是当前AI在药物研发上面临的困局。

       归根结底，这因为人类里最顶尖的头脑都尚未彻底搞清新药产生的复杂机制，所以即使有数据，对数据的认知和认知也不足。制药可不像开车、弹琴、操控音箱，它不是“熟练动作”；每一个新药的研发，都是人类对未知领域的突破。

       普华资本投资总监李杨举了个例子，“中国创新药和仿制药的比例到底是多少，在创新药研发过程中，有多少备选物是可以通过大数据提高它的筛选效率，这些认知、标准可能还在磨合当中，我们很期待优秀的项目出现，但是也会比较谨慎。”

       在生物技术短期内尚无突破的情况下，各玩家都在围绕数据布局，他们主要在做两件事：获取数据和理解数据。

       目前创新医药科技公司和获取数据的途径主要有三种：开源数据库；自身技术平台产出的数据；与其他公司、机构合作项目获取的数据支持。

       以寻百会的为例，后两种途径都有涉足。

       寻百会所主打的高通量基因筛选平台，则是通过实验产生数据，然后通过生物信息学对数据进行学习，从而改进实验方法生成新数据。

       肖腾飞表示，目前寻百会还处在数据积累阶段，尚不涉及优化或改进。为积累数据，寻百会正积极和国外一线比如BMS接触。如果合作顺利敲定，寻百会或分享BMS的部分优质数据资源。

       “未来的头部是背后掌握大数据的企业，而不是只会产药的企业。”寻百会CEO肖腾飞告诉「甲子光年」。

       新玩家如果想在药物研发领域“跑马圈地”，先要完成数据的原始积累，然后进一步优化系统和算法，再继续产出新的优质数据，形成一个良性闭环，才有向上下游拓展业务的资格。

       机会在于，目前医药行业还没有这样的公司。肖腾飞认为“能实现这个目标的一定是大数据公司而不是药企”。

       未来格局的三个方向

       理解了AI的挑战和数据的重要性，就不难看出“AI技术+药物研发”的未来路径。

       首先，大药企、医院等医疗机构会和新技术公司之间产生更多合作。

       如上文所述，2017年，市场已经见证了集中爆发的合作潮流。合作的逻辑在于，大型药企积累了大量的数据，但是缺少挖掘数据的新技术；新技术公司则正好能补足这个短板，二者各取所需，各有擅长。

       中电健康基金副总裁侯陈昊告诉「甲子光年」，一些传统药企相对缺少新技术药物研发方面的人才，但未来在创新领域的投入会加大，这对很多CRO（合同研究组织，以合同形式为大型药企提供研究服务）企业，以及初创团队来说都是很大的机会。

       其次，随着初创科技公司数量增多，以及与药企的合作逐步深化，更开放的数据环境可能成为潮流。

       美国医药科技公司Numerate的CEO 兼总裁Lanza在与药明康德公司进行对话时表示，“制药公司需要进一步公开数据。这并不是说要分享他们目前正在开发的最热门靶标的最新数据，而是指共享可用于预测未来药物开发失败的几百万个数据点。”

       晶泰科技CEO马健曾说：“如果海量数据能开放共享，那么计算密集型的研发将事半功倍。”

       在国外，创新科技公司、药企、研究机构这三者之间有较强的合作机制，把很多在药物研发不同环节有所建树的企业结合到一起，以资源配置，效地产出一种药，各机构之间共享相对开放的数据。未来国内也可能形成相似的合作机制。

       最后，AI可能成为未来新药研发的必要工具，数据能力、AI能力成为各药企未来竞争的关键。

       即使AI不是颠覆性的技术变量，但只要AI工具真能提升效率，它就会成为药企标配，因为缺乏这一能力的药企会由于效率问题而面临巨大的竞争压力。

       2017年，是大型药企和AI药物研发公司合作的爆发年，也是一场耗时30年，被无数人寄予厚望的靶点竞赛的悲壮终点——它再次说明了传统的药物研发流程的高风险、低效率。

       上世纪80年代末，胆固醇酯转运蛋白（CETP）一经发现便成了明星靶点，由于在血脂双向调节方面作用突出，CETP被视为研发特效降脂药的黄金种子。

       但随着临床开发的不断推进，CETP最终变成药物的希望越来越渺茫。辉瑞在2006年首先退场，止步关键III期研究，8亿美元付之东流。罗氏在2012年，礼来在2015年也相继放弃开发。只剩“最后的武士”默沙东对CETP不离不弃。

       到2017年6月，默沙东以CETP为基础研发的anacetrapib终于来到了30000人大型III期临床研究的终点，媒体兴奋地打出“豪赌成功”的标题。不过4个月后，由于anacetrapib可能会在脂肪组织蓄积，引发不良反应，默沙东最终放弃了向FDA提交上市申请。

       CETP花30年演绎了一部“罗曼蒂克消亡史”。这有点像赌石，不到完全切开，不知生死成败。

       旧传奇徐徐落幕，新故事娓娓道来。

       《我不是药神》的结尾，程勇站在法庭上，没有做任何自我辩护。他对法官说：“犯的错我都认，只是看到病友们心里难受，但我知道一切都会好起来，希望这一天早点到来吧”。当新技术得以真正帮助降低药研成本和不确定性时，再进一步，当生物科技理论出现突破时，这场戏的终章也许不会再是单纯的“希望”。