此前，英矽智能 InSilico，递交招股书，拟香港IPO上市，摩根士丹利、中金联席保荐。

香港万得通讯社报道，尽管存在争议，AI制药却已赋予医药行业丰富的想象力。近日，生物医药科技公司英矽智能（Insilico Medicine）宣布，其已经开始AI研制药物的首批人体试验，为一名中国患者提供了一种治疗慢性肺部疾病特发性肺纤维化的新型疗法。

首款AI生成药物进入人体临床试验

Insilico Medicine是一家生成人工智能（AI）驱动的临床阶段生物技术公司，近日宣布已完成 INS018_055 II 期临床试验中患者的首剂给药，这标志着全球首款由生成式 AI 完成新颖靶点发现和分子设计的候选药物已推进至 II 期临床试验验证阶段。

该研究是一项随机、双盲、安慰剂对照试验，旨在评估 IPF 受试者 12 周口服 INS018_055 剂量的安全性、耐受性、药代动力学和初步疗效，该受试者分为四个平行队列。为了在更广泛的人群中进一步评估该候选人，该公司计划在美国和中国约40个地点招募60名 IPF 受试者。

Insilico Medicine 创始人兼联合首席执行官 Alex Zhavoronkov 博士表示：

当我们开始开发用于药物发现的生成式人工智能时，我从未想过会看到今天的临床和临床前结果。启动这种新型 IPF 抑制剂的 II 期试验代表了药物发现中深度生成强化学习的一个重要里程碑。我们将在临床试验中探索人工智能发现和设计的治疗方法对患者的疗效，这是对我们的生成式人工智能平台的真正验证。我们渴望继续推进这种潜在的一流疗法，以帮助有需要的患者，并展示生成人工智能在药物发现和开发中的价值。

AI制药

事实上，AI制药并不是一件新鲜事。2016年后，AI在制药行业的技术测试大量开展。实验科学不再是唯一选项，以数据为中心的药物发现开始走上舞台。

据悉，目前应用AI技术，能够使新药研发的成功率从12%提高到14%，每年为全球节约化合物筛选和临床试验费用约550亿美元。

AI制药分为两个技术路径，其一是利用AI的归纳推理能力和算力优势，通过对分子动力学、分子动态变化进行模拟计算，从物理层面演绎现有的分子结构，加速筛选优化先导物。

另一个技术路径是类似于ChatGPT的生成式人工智能，是基于经验和大数据的训练，快速设计全新的分子结构，这一路径的AI系统创新性相对更强。

具体而言，AI在制药的多场景中展开，应用于药物研发的几乎所有流程和环节：

靶点确认。靶点确认是药物开发中的关键步骤，也是最复杂的步骤之一。目前已知的药物靶点绝大多数为蛋白质，通过机器学习的方法，从蛋白质原始信息中提取特征，构建准确稳定的模型进行功能的推断、预测和分类，已经成为靶点研究的重要手段。

从患者的样本中、海量的生物医学资料中提取基因组学、蛋白质组学、代谢组学等多组学数据，借助深度学习来分析非疾病和疾病状态之间的差异，也可用来发现对疾病有影响的蛋白质。

基于表型的药物发现。在过去的三十多年里，基于靶点的药物发现都是药物发现的主要方法。近年来，基于表型的药物发现（直接使用生物系统进行新药筛选）受到关注。机器学习可以在表型筛选中将细胞表型与化合物作用方式联系起来，获得靶点、信号通路或遗传疾病关联的聚类。

AI强大的图像处理能力，能够将生物系统的所有形态特征整合，系统研究药物潜在的作用方式和信号通路，扩展对于疾病的生物学认识。

分子生成。机器学习方法可以产生新的小分子。AI可以通过对海量的化合物或者药物分子的学习，获得化合物分子结构和成药性方面的规律，进而根据这些规律生成很多自然界从未存在过的化合物作为候选药物分子，有效构建拥有一定规模且高质量的分子库。

化学反应设计。AI目前正在取得进展的化学领域之一是对化学反应和合成路线进行建模和预测。AI可以将分子结构映射为可以由机器学习算法处理的形式，根据已知化合物的结构，形成多条合成路线，并推荐最佳合成路线。反过来，在给定反应物的情况下，深度学习、迁移学习可以预测化学反应结果。AI还可用来探索新的化学反应。

化合物筛选。AI能够对化合物的化学结构与生物活性之间的关系进行建模，预测化合物的作用机制。

ADMET性质预测。药代动力学性质不够理想，是临床研究阶段药物研发失败的主要原因之一。深度学习可以自动识别化合物的相关特征，评估数据集中多个ADMET参数之间的隐藏的关系和趋势，预测化合物的细胞渗透性和溶解性、毒理学性质。

药物临床试验。新药开发中资金投入最多的阶段是临床试验阶段，AI在临床试验的设计、管理、患者招募方面皆有应用潜力。

自然语言处理技术可从各种结构化和非结构化数据类型中提取信息，找到符合临床试验入组标准的受试者；也可用于关联各种大型数据集，找到变量之间的潜在关系，改进患者与试验的匹配情况。诺华已使用机器学习算法监控和管理所有的临床试验。

药物警戒。AI将对传统的药物警戒带来冲击。随着监管要求的严格和患者安全意识的提高，药物警戒的工作量和成本大大增加。AI可以将药物不良反应从接收到报告的整个流程实现自动化，优化药物警戒的工作并降低成本。基于AI系统还有可能通过预测能力展开药物风险评估。

真实世界研究。AI的进步提供了分析大型多维RWD（真实世界数据）的新策略。AI能够识别真实世界数据中的内在关联，生成新的假设，也能为临床试验提供新的信息。最新的一个案例是，AI通过分析真实世界数据，可以找出不会影响试验的总生存期的风险比的入组标准，从而扩大临床试验的人群范围。

AI在药物研发中的应用还包括理化性质预测（如晶型预测）、药物重定向、制剂开发中的应用等。

AI不仅应用于小分子药物研发，在抗体药物、核酸药物、免疫治疗药物开发中也已有了新应用。

三支力量利用AI探索新药研发

国内本土的市场参与者中，探索AI+新药研发的企业大致有三类：

一是AI药物研发创新企业，如Exscienta、BenevolentAI、Atomwise、Relay Therapeutcs、晶泰科技、燧坤智能等；

二是IT巨头，如Google、微软、腾讯、阿里巴巴集团等；

三是大型制药企业，如罗氏、阿斯利康、强生、葛兰素史克（GSK）等。

其中约40%提供自研管线，约80%提供CRO服务。大部分企业还处于融资阶段，在业务布局上，几乎所有企业都停留在技术落地更快的化合物筛选和设计环节上。据悉，目前绝大多数AI制药处于临床I期。截至2022年底，全球获批临床的AI药物管线有80条，其中有41条推进到1期，约占总数的一半；推进到2期的管线有29条。目前市场还没有见证到AI制药的最终产品——2022年，第一款由AI设计、号称只用了12个月便进入临床的分子DSP-1181因I期未达标而折戟。

编辑/Charles