上接第1版
“期待药物数量翻倍”
　　目前，整个医药行业大部分研发都瞄准三个方向：一类是肿瘤，一类是中老年病，尤其是老年痴呆，也就是阿尔茨海默症，一类就是罕见病。临床三期的药物研发管线大概70%到80%是肿瘤的抗癌药。
　　传统药物发现的方法是，先化学合成成千上万的药物分子，从中再筛选出有治疗效果的分子。“现在我们先确定少数几个可能有效的分子，然后化学合成这些分子、验证效果，效率会高很多。”朱青松告诉记者，如果实验经费不受限制的话，他们可以生产大量的药物分子。“如果原来一年只能推出5款首创新药(first-in-class)，今后是不是就能够研发出10款、20款？这是我们对行业未来展望的一个方向。”晶泰科技的AI负责人赖力鹏表示，他们的愿景是成为制药界的研发引擎，去推进药物研发的进展，或者说赋予研发者更先进的工具与更广阔的探索空间，“我们的一项技术优势是拥有扎实的跨学科基础研究的背景，拥有调度大量计算资源的能力。随着算法和计技术的不断提升，以前只能在‘太阳系’寻找有效药物，现在可以在整个‘宇宙’去寻找。尤其是在一些肿瘤等病症上，目前尚未发现有效的靶向药，AI不仅可以加速研发，还能加速靶向药的发现，也就是0到1的过程，社会意义更为重大。”
　　根据TechEmergence的研究报告，AI可以将新药研发的成功率从12%提升至14%，这仅有的2%的增长不容小觑，可以为整个生物制药行业节省数十亿美元，同时，还可以省下很多研发时间。
药企下注AI制药
　　晶泰科技本身脱胎于麻省理工学院，是一家创立于波士顿的初创企业。2015年，晶泰成立，但是对国内投资人而言，AI+制药还是非常前沿的概念，即使认可晶泰科技的技术理念，许多VC对投资这一领域，仍旧相当谨慎。2015年年中，晶泰开始接触腾讯，并于三个月后在深圳签署投资协议，成为国内第一支AI+制药的初创A轮团队，也是腾讯首次在制药领域有所布局。
　　那个时候的中国市场，不仅对AI+制药领域认知布满了重重疑云，公众甚至对AI都没有太多的概念。直到半年后的2016年3月，Alpha Go在韩国挑战围棋世界冠军、职业九段棋手李世石，4:1的结果让世人大吃一惊。自此之后，人工智能、深度学习的概念，才真正成为“热搜词”，走进了大众视野。
　　一位专注于医疗行业的投资人王申（化名）告诉《IT时报》记者，深度学习技术在2012年开始蓬勃发展，Alpha Go 一战成名之后，机器学习再次进入人们视线。
　　2015年，默沙东与美国的Atomwise牵手药物挖掘，2016年，强生与英国AI技术开发和应用公司BenevolentAI达成新药研发合作。今年2月，制药巨头罗氏以19亿美元收购肿瘤大数据公司Flatiron Health的全部股份，还与GNS Healthcare达成合作协议。辉瑞除了与IBM合作协助免疫肿瘤药物研发外，也与晶泰科技签订了战略性的合作协议，晶泰科技将为辉瑞研发一个药物分子模拟平台，帮助他们提升在药物设计和发现方面的能力。
　　AI公司一时间成为兵家必争之地。朱青松对《IT时报》记者表示：“我们的A轮融资得到了包括药明康德在内的众多投资机构大力支持。由于额度限制，许多投资人只好等待参加即将展开的B轮融资。”
　　今年1月，晶泰科技B轮融资中，除了腾讯外，红杉中国、谷歌也跟投。“接下来，我们还有计划投资相关的企业，”上述投资人士表示，他们目前对AI+新药的企业有着浓厚的兴趣，当下全球七八十家相关企业，“只要有机会接触，都会看。”
分歧：场景和算法谁更重要
　　在制药领域，国外药企研发技术相对比较领先，拥有比较丰沛的药物研发管线和较为成熟的研究团队、实验、理论等等。目前全球主流的AI+制药相关公司都集中在美英两国，如Atomwise、Benevolent AI、Insilico Medicine等等。国内绝大部分药企主要方向还是仿制药的研发，相关创业团队寥寥无几，有所动静的仅有晶泰与冰川石头两家企业。
　　不同创业团队专攻的领域和方向都不一样。比如晶泰科技专注于小分子药物的发现、设计和早期开发，国外还有一些团队专门用人工智能算法进行抗体、疫苗、蛋白质等生物大分子这些方面的研发。此外还有很多技术上的细分领域。走在最前面的创业团队如英国一家名为Benevolent AI的公司，他们研发的药物已经处于临床实验的阶段。
　　朱青松表示，与同类型初创企业相比，可以生产全新药物分子的算法是他们的独家优势，不过在投资人士眼里，这部分恰恰不是最重要的。“AI现阶段还处于早期，很难去量化算法有什么效果。”王申说道，他认为实际应用场景最重要，其次是数据来源与质量，最后才看算法的先进性，“应用场景能够更好地评估企业价值，比如说单个应用场景下需求有多大，能接到多少企业订单，是不是非常需要AI技术作为补充等等。”
　　数据的来源与质量，目前是所有AI+制药相关企业面临的行业难题。“算法模型是否有效，也很依赖数据。”赖力鹏表示，一方面利用已经成功药物的数据去回溯验证模型，另一方面，利用算法模型进行预测后，通过实验对这些结果进行验证，同时对现有的模型进一步优化，算法是他们的生命力所在，不过目前来看，优质的数据对整个行业来说都是稀缺资源。“行内有一句话‘garbage in garbage out’(计算机领域术语，形容无用输入无用输出），如果训练数据不可靠的话，对结果会有很大影响。”朱青松说道，Insilico Medicine应用的数据主要有两个来源：公开的数据和来自合作伙伴的数据。此外，在世界各地的大学和医院系统很多合作者也可以数据共享。