《科創板日報》（上海，記者 金小莫）訊，從研發效率來看，可以說，新藥研發始終是在“手工業”的維度裡發展：一種新藥的研發平均耗時十年以上，研發投入超過10億美元，成功率卻不足1/10。AI、類器官等技術的共同演進，則將推動新藥研製跨入“數字化時代”。
我們正在這條路上——
日前，在由中共嘉興市委、嘉興市人民政府、《麻省理工科技評論》中國主辦，中共嘉興市委/人才工作領導小組辦公室、中共南湖區委、南湖區人民政府，以及DeepTech承辦的“TALENTS南湖暢想-前沿產業發展趨勢論壇”上，《科創板日報》記者在現場採訪獲悉，有借用AI技術的企業僅成立1年就已將在研藥物推進至臨床I期階段，研發成功率提升了20%-70%。
“以前是十年一個藥，今後，一年裡就有機會推進十條在研管線到IND階段（記者注：新藥臨床試驗）。”劑泰醫藥CEO賴才達告訴《科創板日報》記者。公開資料顯示，劑泰醫藥是全球首家以人工智慧驅動“藥物遞送”公司。
研發的每個環節都有提升空間
從新藥研發的整個鏈條來看，大致可分為兩個階段，一是臨床前研發，主要在實驗室中完成，包括靶點發現、製劑成型、體外實驗和動物實驗；二是臨床研發，主要考察藥物在進入人體後的真實反應，包括臨床I期、II期和III期。
大體來看，前者的不確定性更大，後者的成本更高——實驗室研發環境與人體真實的生理環境存在差異，因此，當藥物從實驗室階段進入人體試驗後，實際藥效到底如何，對研發人員來說有點像在“摸盲盒”；反之，若能在較早期的研發階段就儘可能模擬出人體真實的環境，從邏輯上講，就可縮短研發時間、降低成本並提高成功率。
賴才達告訴《科創板日報》記者，在美國波士頓地區，有大量的初創型企業正在做類似的事情。劑泰醫藥選擇切入的環節系藥物遞送，後者決定了藥物如何進入人體、進入人體後又如何被“送到它該去的地方”，併發揮功效，其核心為藥物遞送系統。
“如果把藥物比作衛星，那麼遞送系統就是火箭。”賴才達以科普為例稱，對於創新藥來說，大約有30%-40%的臨床前新藥分子因為遞送系統的問題而宣告失敗；而對於仿製藥來說，透過製劑創新，實現老藥新用，來謀求延長產品生命週期，是價效比更高的做法。
看好這一前景，目前，華海藥業、博騰藥業已與劑泰醫藥達成戰略合作協議。賴才達還透露稱，全國TOP10的製藥企業及全球頂尖藥企基本都已與劑泰醫藥有過接觸，並有初步合作意向。
在前述會場上，《科創板日報》記者還遇到了希格生科創始人兼CEO張海生博士，後者透過獨有的疾病模型以及AI分子篩選，僅歷時半年多，就將一款全球原創新藥推進到PCC（記者注：臨床前候選化合物）階段，預計未來1年可申報IND，3年後或完成臨床II期——與傳統新藥研發模式相比，其研發時間大大縮短！
高模擬人體環境
這些是如何做到的？在與前述創業者交流過程中，《科創板日報》記者瞭解到，他們的核心秘笈均在於透過創新性的技術方法，實現了對人體環境的高模擬。
在劑泰醫藥，其核心平臺之一系專有的高通量平臺，可模擬胃液、腸液、血漿、細胞微環境等人體環境，進而在實驗室模擬出藥物進入人體後會發生的各種反應，並探究藥物本身與人體環境的相互作用關係。此外，平臺還實現了基本實驗操作的自動化，擺脫人力限制，效率上，實現了“1個人當20個人來用”。
在希格生科，該高模擬則透過一套3D疾病模型平臺來實現。
“已有研究表明，把癌症病人的癌細胞組織同時進行2D細胞和3D類器官培養，一段時間後，再對所培養的2D細胞和3D類器官分別進行基因測序，會發現3D類器官能夠90%還原出病人腫瘤特徵，而2D細胞已經面目全非了。”張海生稱，希格生科即成功建立了一套3D疾病模型的平臺，這就好比是在實驗室裝了一個高模擬的“虛擬病人”，用它來篩選藥物，成功率更高、研發速度也更快。
生物醫學的基建正在進行
此間，資料與AI演算法是實現這種高模擬的技術要素之一。
賴才達表示，劑泰醫藥可針對不同的藥物遞送途徑產生模擬的物理學資料和引數，再利用第一性原理，量子化學計算獲得的物理引數和實驗資料與 AI 結合完成建模模型，這樣，AI可搜尋到複雜分子資訊和藥物製劑的組合叢集高達10的20至30次方。
張海生所創立希格生科則基於特定疾病患者特徵所建立了幾個模型，以此對初步篩查得到的藥物分子式進行評價，並且具有伴隨診斷的標記物，在臨床試驗階段即篩選出最合適的病人，這樣不僅大大降低了臨床實驗的成本，而且可以提高臨床實驗的成功率。
這或許還只是新技術變革製藥行業的第一步。
煥一生物聯合創始人/CEO文雯對《科創板日報》記者表示，人體內的生物調控網路包含大量的生物資訊，煥一生物透過臨床合作收集到這些資料後，再對之進行結構化的系統性資料分析，以期從中窺見疾病的內在關聯和潛在的生物標誌物和靶點，推動疾病的篩查、診療，並加速新藥和新診斷方法的研發。目前，煥一生物專注免疫領域賦能生物標誌物和靶點研發。
據文雯觀察，目前，在生物醫學領域正在進行類似於5G建基站似的“基建”活動：兩三年前，例如代謝組學、蛋白組學領域還很難拿到大規模可回溯性分析的資料來源，所以資料一直不能得到有效的利用；而現在，越來越多人參與到多組學的整合分析、構建數字化的生物調控網路中。
透過生物樣本獲得的多組學資料的收集、歸整、演算法的進步等“正在加速整個閉環的形成”。
文雯稱，原來，新藥創新的流程大致是：科學家閱讀文獻、與同行探討，得出一個假設，再透過實驗對假設進行驗證，如此反覆，因此，技術與產品的迭代效率非常低。隨著“生物資料基建”的完成，以及生物計算學的進步和人工智慧技術的應用，接下來發展會是指數型的顛覆。
