提到“AI制藥”，很多人的期待就是能通過人工智能縮短新藥研發(fā)周期，并降低成本。資本市場上，相關(guān)企業(yè)近年來也備受投資者關(guān)注。

但現(xiàn)實是，直到今天也沒有一款純AI研發(fā)的藥物上市。有幾個堵點是AI制藥難以跨越的，且絕非靠資本之力便能輕易突圍。

今天這份報告，用直白的語言拆解這些堵點，以供參考。

一、第一關(guān)：數(shù)據(jù)饑荒雜又亂，沒飯吃還吃錯飯

眾所周知，AI要發(fā)揮作用，就得學(xué)習(xí)人類經(jīng)驗，而經(jīng)驗的呈現(xiàn)形式就是數(shù)據(jù)。

對AI制藥來說，需要的數(shù)據(jù)是藥物分子結(jié)構(gòu)、蛋白質(zhì)作用機(jī)制、臨床試驗結(jié)果等精準(zhǔn)的數(shù)據(jù)。問題是，這些數(shù)據(jù)要么是不夠，要么是不咋準(zhǔn)。

1.1首先是數(shù)據(jù)孤島導(dǎo)致的短缺問題

制藥行業(yè)的核心數(shù)據(jù)位于很多地方，比如醫(yī)院的病歷數(shù)據(jù)、藥企的實驗數(shù)據(jù)、監(jiān)管部門的審批數(shù)據(jù)等等。這些數(shù)據(jù)中的很多都是不互通的，各組織、機(jī)構(gòu)、單位都把數(shù)據(jù)看作自己的機(jī)密。

那么從產(chǎn)業(yè)角度來看，AI就沒法充分學(xué)習(xí)產(chǎn)業(yè)內(nèi)的各類數(shù)據(jù)。

1.2 其次是數(shù)據(jù)雜亂導(dǎo)致的“吃錯飯”

在不同的實驗室里，被使用的儀器、試劑可能是不一樣的，記錄數(shù)據(jù)的方式也有區(qū)別。

就好像有人用中文記菜譜，有人用西班牙語記，還有人喜歡用俚語和方言。

這對AI而言是很大的麻煩，沒法統(tǒng)一解讀。

1.3 但更麻煩的，是成功偏見所引發(fā)的數(shù)據(jù)不完整問題。

無論是學(xué)界還是工業(yè)界，都喜歡公布成功的實驗結(jié)果，而失敗的數(shù)據(jù)卻常被束之高閣。

比如某種分子無效、某個靶點沒作用之類的記錄，幾乎是不會對外公開的。

這就像啥呢，就像只給AI看成功的菜譜，卻不告訴它哪些食材搭配會失敗，那么AI學(xué)完后就會不停推薦它學(xué)到的“成功配方”，從而在錯誤的方向上越走越遠(yuǎn)……

二、第二關(guān)：算法“黑盒”難解釋，監(jiān)管審批難過關(guān)

如果說數(shù)據(jù)是AI的糧食，那算法就是它的大腦瓜。只不過，這個大腦瓜有個大問題：它具體是怎么思考、怎么得出結(jié)論的，沒人能講清楚。這就是所謂“黑盒”問題。

對制藥領(lǐng)域而言，“黑盒”可能會是致命的。因為一款藥要上市，必須向監(jiān)管部門說清為啥這個分子能治病、怎么保證安全。

但AI在給出藥物分子或靶點時，說不出具體為啥得出這個結(jié)論，只告訴你模型就是這么算的，沒法很科學(xué)、精確地解釋清楚潛在風(fēng)險。

譬如說，AI可能因為數(shù)據(jù)里的某個偏差，優(yōu)先推薦有隱藏毒性的分子，人類卻因為“黑盒”問題發(fā)現(xiàn)不了。

所以這就給監(jiān)管部門帶來了麻煩。就好比老師改卷子，肯定不能只看考生最后的答案，還得看推演步驟。

這個“沒步驟”的問題，讓AI制藥過不了監(jiān)管審批這道關(guān)。

除此之外，算法還容易過時。

藥物研發(fā)中，患者人群的特征、疾病定義、診療指南等要素都可能時常變化，這些變化會讓AI模型的預(yù)測結(jié)果越來越不準(zhǔn)，即所謂“數(shù)據(jù)漂移”是也。

比方說，AI原本是基于老的患者數(shù)據(jù)訓(xùn)練，那么當(dāng)變異病種出現(xiàn)，AI就可能一臉懵，給的治療方案是老的、錯的，這對制藥來說是巨大的風(fēng)險。

三、第三關(guān)：臨床轉(zhuǎn)化掉鏈子，實驗病床差距大

退一步講，即便AI在實驗室里算出了優(yōu)秀的候選藥物，也不代表其能成功走到患者面前。

因為需要臨床試驗。

傳統(tǒng)的臨床試驗本身就是高淘汰區(qū)，AI雖然能提高早期實驗的成功率，但臨床階段是另一回事。

一方面，AI很難模擬復(fù)雜的人體環(huán)境。

實驗室里的細(xì)胞、動物實驗數(shù)據(jù)，和真實人體差距很大。

AI即便能算出藥物分子和靶蛋白的結(jié)合模式，也無法確認(rèn)藥物進(jìn)入人體后會被如何吸收和代謝，以及是否會和其他器官發(fā)生反應(yīng)。

另一方面，AI在臨床試驗中的輔助作用也受限制。

比如患者招募。

AI需要通過精準(zhǔn)的畫像來找合適的患者，但因為數(shù)據(jù)不互通，很難跨醫(yī)院整合患者信息，那招募效率就提不上來。

再比如臨床試驗中的數(shù)據(jù)監(jiān)測，需要實時處理海量數(shù)據(jù)、及時調(diào)整方案，對AI的算力和實時響應(yīng)能力要求極高，目前的技術(shù)還很難完全滿足。

四、第四關(guān)：算力成本高，中小企業(yè)玩不起

AI制藥是個燒錢的活，除了研發(fā)投入，算力成本也是一大負(fù)擔(dān)。要處理海量的分子數(shù)據(jù)、模擬復(fù)雜的生物反應(yīng)，需要超強(qiáng)的計算能力。對大型藥企來說，這都是一筆不小的開支；對中小企業(yè)而言，更是玩不起的門檻。

這就導(dǎo)致“馬太效應(yīng)”的浮現(xiàn)：只有少數(shù)有資金、有資源的大企業(yè)能持續(xù)投入，中小企業(yè)要么靠融資勉強(qiáng)維持，要么只能在細(xì)分領(lǐng)域撲騰。

創(chuàng)新往往來自多元化的探索，而算力門檻讓很多中小團(tuán)隊難以將自己的愿景落地，間接也就延緩了整個行業(yè)的前進(jìn)步伐。

五、總結(jié)：AI制藥是場漫長的馬拉松

AI制藥的潛力毋庸置疑，它有助于人類應(yīng)對腫瘤、自免疾病、代謝疾病等未被滿足的醫(yī)療需求，給醫(yī)學(xué)界帶來了新的曙光。但要把潛力完全兌現(xiàn)，還有包括而不限于上述幾大門檻需要跨越：

有專家預(yù)測，2030年可能是AI制藥的關(guān)鍵時間點。但研發(fā)藥物從來都是一件需要耐心和嚴(yán)謹(jǐn)?shù)氖拢珹I或許能加速進(jìn)度，但不能跳過必要的“闖關(guān)”步驟。

END

       原文標(biāo)題 : AI制藥難以逾越的堵點 | 人人能懂的產(chǎn)業(yè)報告