从硅谷一线VC投资版图，看AI+新药研发的挑战与前景

[好文分享：www.ii77.com]

硅谷Live / 实地探访 / 热点探秘 / 深度探讨

《我不是药神》在今夏的火爆，恐怕反应出了很多人的心声：看病已然不易，买药更加艰难。

为什么药价这么贵？

新药研发成本非常高，就是其中一个重要原因。业内有种说法，新药研究需要 “两个十”：用十年，花十亿美金。如果再把失败尝试的成本也算进去，每种药物研发费用更是达到 27 亿美元。

但就算花了这 “两个十”，也无法保证研发一定成功 —— 药物研发的成功率并不高。《自然》杂志撰文称，从临床 I 期到获得审批的这段时间里，高达 90% 的项目以失败告终。

高投入、高风险，往往伴随着高回报。一旦新药过关斩将、成功上市，经济回报往往相当惊人，这也是资本、特别是硅谷一些诸如 Andreessen Horowitz、Khosla Ventures 等顶级 VC 比较青睐医药的原因。比如辉瑞制药旗下受专利保护的降血脂药物立普妥（Lipitor），仅 2010 年一年的全球销售额，就高达 107.33 亿美元，在辉瑞当年所有药品里取得最高营收，而当年广为人知的辉瑞小蓝片 “伟哥” 仅以 19.28 的营收屈居第六。看来降血脂和重振雄风相比，前者才是更刚的刚需。

可以说，巨大的经济回报既是药企研发新药的动力、也是新药价格昂贵的原因，更是有些市场小、规模有限的罕见病无药可医的部分原因。

新药研究道阻且长，因此，许多大型药厂和科研机构都在找用 AI 来提高效率、提高成功率的办法。与 AI和医疗结合的其他领域比，新药研发领域虽然潜力巨大，但也面临不少挑战。

在讨论 AI 如何加速新药研发之前，我们先来看看一款药是如何 “诞生” 的。

新药开发，万里挑一

一款药到底安不安全？有没有效？如何确定剂量？新药研发的所有流程和步骤，其实就是为了回答这三个问题。

以常见的小分子化合物药（比如青霉素）为例，新药开发可以分为：临床前研究、临床研究，药物批准上市及上市后监测这三个大步骤。

（图自硅谷密探，版权属于原作者）

用大白话说，“临床前研究” 阶段，就是寻找药里可以治病的化合物的阶段。具体可以细分为药物靶点确认、化合物合成、活性化合物的筛选、选定先导化合物、评估药物的药理作用、制剂开发等阶段。在这些小步骤中，药物靶点确认是一切后续工作的基础，而从 “化合物合成” 到 “选定先导化合物”，为了找到安全、有效的化合物，往往需要反复很多次。

这个阶段也是化合物的 “海选” 阶段，最开始的大几千、甚至 10000 个化合物，经过层层筛选和验证后，只有 5 ~ 10 个化合物可以进入临床试验阶段。

在临床研究阶段，还要进一步分为 I 期、II 期、III 期临床试验。如果说 “临床前研究” 阶段，基本回答了安不安全、有没有效的问题，这个阶段则要证明发生在人身上的实际结果，和理论结果是相吻合的。同时，剂量多少也在此阶段确定。

在临床 III 期，不仅试用药物的志愿者人数更多，同时也是治疗作用的确认阶段。接下来药品..申请能否获得批准，临床 III 期提供的依据往往是关键。

如果在新闻里看到某款新药已经在 III 期临床阶段，往往意味着该款新药上架可期。不过如果临床研究阶段里的任何一个小阶段效果不好、或者不如市场上现有药物好，那款新药往往会胎死腹中。2017 年，美国 FDA 一共只批准了 46 款新药，可见批准难度之高。

经过临床研究洗礼后，依然被认为有效的最后一种化合物，在获得相关部门批准后，才会上市变成一款新药。上市后的后续监测，则要确保该款新药首次被大范围人群应用后的疗效，此外还要进行不良反应的监测。我们看到药物说明书里的增补、禁忌，和不良反应（比如：大多数人吃了这个药会怎样怎样，少数会有某种反应，如发生某种情况则需要就医），就是这一步的体现。

至少十年、至少十亿美元，万里挑一，才可能有一种新药。而目前的 AI 技术，则主要集中于解决 “新候选药物的生成（generate novel drug candidates）” 这个问题。

新候选药物的生成：最受资本青睐

过去十几年大数据集的可用性和先进算法的发展，推动了机器学习的重大改进，这使得实现狭义 AI 成为可能。“狭义 AI” 指的就是专注于特定任务、特定场景的 AI。换句话说，目前的 AI 只有在医疗、车载等特定场景下，才能努力像人一样思考。

想要思考，总得先听懂人家在讲什么吧！近两年很火热的自然语言处理（Natural Language Processing），指的就是机器能够用和我们人类相似的方式理解文本、找出规律，明白一个东西在讲什么。这种技术在计算机视觉（computer vision）、语音分析和路线选择领域已经得到了广泛应用。

药物研发领域也不例外。一方面，AI 具有 “从大量数据中找出隐藏的规律和线索” 的能力，另一方面，药物研发恰恰需要处理大量数据文献、进行大量试错，让新药研发耗时耗力耗钱。两者正好契合，也就不难理解为什么近几年 “AI+药物研发” 的初创公司大量出现。

以 Crunchbase 上的数据为准，小探整理的 115 家 AI+新药研发领域的公司里，有 40% 成立于 2014 到 2017 年间。

（图自硅谷密探，版权属于原作者）

那么，这些公司都是做什么的呢？

根据科技博客 BenchSci 的一篇文章，按照一款新药从一个灵感变成商品，我们按照流程，可以把这些公司分成以下十二大类：

其中，在 “产生新的候选药物（generate novel drug candidates）” 这个小领域的初创公司数量占比最大，115 家里足足占了 36 家：