Isomorphic Labs 近期分别与制药巨头礼来 (Eli Lilly and Company) 和诺华 (Novartis) 签订了合作协议。
今年年初,AI 生物制药领域迎来重磅消息:Isomorphic Labs 近期分别与制药巨头礼来 (Eli Lilly and Company) 和诺华 (Novartis) 签订了合作协议, 这两项合作未来价值或将超过 30 亿美元。
这一重大合作展示了 AI 在药物开发中的潜力, 也预示着 AI 与生物技术领域的交融将带来更多变革。这次合作不仅是商业上的进展, 更反映了生物制药行业对高效、精确与创新技术的迫切需求。
在 AI 逐步改变各行各业之际, 生物医药领域的企业应当如何看待这一工具? 与大公司相比, 创业公司的机会与挑战又在哪里? 基于近期 N1 Life 创始人及 CEO 臧晓羽博士与 YDS Pharmatech 创始人及 CEO 车兴博士的对谈, 我们可以一窥未来的「AI+生物制药」的种种可能性。
AI+生物技术:数据驱动的新趋势
随着技术成熟,AI 技术在现代药物研发中发挥着越来越重要的作用。
从浅层神经网络到深度神经网络,AI 模型在处理和分析海量生物数据方面表现出色。英伟达 (NVIDIA) 的 BioNeMo 便是一个针对生物医学领域的大型语言模型 (LLM) 和生成式 AI 框架, 它旨在加速生命科学和医疗保健领域的研究和发现。BioNeMo 这类平台的底层设施展示了 AI 对生物数据的巨大需求, 而这些数据正是训练先进 AI 模型的基础。
AI 的核心优势在于其处理大规模数据集的能力, 以及在这些数据集上提取复杂模式的能力。这使得 AI 在生物医学领域中的应用极为广泛。例如,AI 可以用来预测蛋白质的三维结构, 模拟药物与目标蛋白的相互作用, 甚至预测潜在药物的疗效和副作用。通过这些应用,AI 不仅提高了药物开发的效率, 还显著降低了成本和时间。
基于这一特性, 近年来涌现了许多 AI 生物制药企业。比如 Isomorphic Labs, 它由 Alphabet 旗下的 DeepMind 团队于 2021 年创立, 基于 DeepMind 的 AlphaFold 2 技术来预测蛋白质的结构。通过揭示这些结构, 研究人员有望能够识别出新的靶点路径, 以便开发出针对疾病的新型药物或疗法。
而 Iambic Therapeutics 是一家使用生成式 AI 平台开发新型治疗药物的公司, 主要聚焦于小分子药物。Iambic 结合物理基础和实验数据生成新分子, 其技术不仅用于预测蛋白质-配体相互作用, 还用于生成分子设计。Iambic 的两大主要项目——针对 HER2 的 IAM-H1 和针对 CDK2/CDK4 的 IAM-C1, 分别计划在明年进入临床阶段。
在 AI 的加速发展过程中,NVIDIA 等公司不仅提供强大的计算资源, 还推动数据标准化和共享, 以支持 AI 模型的训练和应用。预计到 2025 年, 随着数据量的不断增长,AI 模型可能会遇到数据增长的瓶颈,而具有海量数据的Biotech极有可能成为驱动下一增长点的终极力量。这也是 NVIDIA 这类企业不断投入、甚至成为 Biotech-AI 生态主要推动力量的主要原因, 具体做法包括投资这些 Biotech 公司去支持更多数据的产生、应用的落地和计算方法开发等, 深度、广泛地进行长远布局。
赢者通吃的市场? 创业者的机会与挑战
在 AI 与生物技术的交汇点上, 大型 Pharma 公司和小型 Biotech 公司各自面临不同的挑战与机遇。
像谷歌旗下的DeepMind和Meta(原FaceBook) 这样的科技巨头, 凭借其丰富的计算资源和技术储备, 有着雄厚的资源推动AI大模型的研究。
例如,DeepMind 的几代 AlphaFold 模型在蛋白质结构预测方面取得了革命性进展, 成为生命科学领域划时代的里程碑。这些公司的技术和算力优势使它们能够迅速取得重大技术突破, 突破技术边界, 引领行业发展。与之相对的、资源量相对落后的技术, 例如 RoseTTAFold All Atom 模型的准确度已经遗憾地落后于 AlphaFold 3。从某种意义上来说,AI 模型方面的创新已经基本形成由巨头公司推动的形势, 而非学术机构或创业公司。
AI创业公司在人力和技术资源以及资金上虽然不如大公司充裕, 但在灵活性和创新速度方面却有着得天独厚的优势, 它们能够迅速适应市场动态变化, 将新技术快速应用于实际问题中。
然而, 创业公司也时刻面临着持续融资和技术迭代的挑战。与大公司相比, 创业公司缺乏大规模的研发团队和基础设施, 在开发新技术时也就面临更多的风险, 尤其是在数据的获取和模型的优化方面, 必须在资源有限的情况下保持竞争力。
除此之外,AI Biotech 公司还需面对传统制药公司的竞争——这些公司拥有深厚的行业经验和强大的研发能力。为了在竞争中脱颖而出, 小型 AI Biotech 公司需要找到市场中的独特定位。AI biotech典型的例子如上文提到的 Iambic, 利用 AI 技术在管线推进方面取得了显著的进展。
另一方面, 传统 Biotech 公司则更关注解决实际的科学和医学问题, 并利用 AI 工具加速实验科学的进步, 推动新药的发现和开发。N1 Life 便是典型的 Biotech 公司, 致力于将多肽等生物兼容性分子材料用于药物递送载体的研发与应用, 目前已开发针对不同药物类型的 Absotride 和 ChARLS 两大模型。N1 Life 的 N1-109 正是这种创新的例子, 针对转移型卵巢癌、胰腺癌和胃癌等适应症, 展示了极高的治疗潜力。目前 N1 Life 将理性设计及 AI 技术结合, 实现指定性质的筛选和定向优化, 逐步建立了从载体设计、到载体筛选、再到载体成药应用的「干湿结合」研发线路。通过平台合作等方式与国内外数家创新药企达成技术合作, 将自主开发的载体分子应用于不同的疾病领域, 旨在以更低的成本和更短的研发周期。
这些各有所长的 AI biotech 公司正面临着一个蓬勃发展的市场:Transparent Market Research 报告预测, 到 2030 年,AI 生物制药市场将增长至 131 亿美元。
科学家 vs AI:日益紧密的共生关系
AI 驱动的生物技术革命中, 科学家扮演着关键角色。
尽管 AI 模型在蛋白质结构预测和药物设计等方面展示了强大能力, 但这些模型的开发和应用离不开科学家的专业知识和经验。
例如,DeepMind 的 AlphaFold 2 模型整合了物理学和生物信息学的研究成果, 利用了科学家们几十年来积累的蛋白质结构数据, 使其在蛋白质结构预测方面取得了重要突破。科学家们的贡献不仅在于数据的提供, 还包括对 AI 模型结果的解释和应用, 这对于推动模型的应用 (例如新药研发) 非常关键。
除了为 AI 提供了大量的数据和研究成果, 科学家们还参与了模型的设计和优化。这种紧密的协作确保了 AI 技术在生物技术领域中的科学准确性和实用性。
从另一方面来看, 科学家与 AI 的共生关系不仅体现在数据的分析和模型的优化上, 也包括在临床试验和药物开发的各个阶段。除靶点模拟和分子设计之外, 科学家还利用 AI 技术分析临床数据, 设计临床实验, 提高生产效率, 加速法规流程等。这种「你中有我, 我中有你」的融合, 不断加速整个药物开发的进程, 还提高了药物开发的成功率。
更重要的是, 人体生物系统是如此地复杂难解, 比计算机要复杂许多, 仍有大量的问题需要受过经验丰富的科学家来定义问题、设计解决思路、论证和优化模型。未来, 对于交叉学科科学人才的需求将呈现爆发式增长, 生物语言和计算语言的互通将成为无法阻挡的趋势。从教育体系到人才职业培养、科学训练, 也是人类驾驭人工智能不可或缺的工具。
随着 AI 技术走向落地, 有一点已成行业共识:AI 无法代替科学家, 而能够提升科学家效率、以合作共赢心态来开发的 AI 解决方案, 未来会成为帮助生物制药领域科学家的优秀工具。
AI推动下的未来医药:更高效、更精准
未来 AI 与生物技术的融合将继续推动药物研发和医疗技术的发展。除传统技术类型之外,AI 在新兴领域, 例如基因编辑、疾病诊断和新型疗法开发中的应用将更加广泛。这不仅将提高新药的开发效率、优化现有流程, 更能打开理解和治疗疾病的新视角。
随着 AI 模型的不断完善和应用的扩展, 我们有望看到更加精准和个性化的医疗解决方案。这种变革不仅能改善患者的治疗效果, 还能显著降低医疗成本, 并提升全球医疗服务的可及性。
大量资金涌入、技术突破频现之际,AI 与生物技术的结合可能是医药行业的本世纪最重要的转折点。这一趋势可能改变我们对疾病的理解和治疗方式, 还将引领整个医疗行业进入新的时代, 为人类健康带来深远影响。
然而,AI 的广泛应用也带来了新的挑战, 包括数据隐私、算法偏见和模型透明度等问题。这些问题需要行业和监管机构共同努力解决, 以确保 AI 技术在医学和生物技术领域的安全应用。
来源：互联网
