专访丨时隔半年再发现全新临床前候选化合物，英矽智能何以AI“造”药？( 二 ) AI在新药发现上又取得新进展。

2019年，利用该软件系统，英矽智能从始至终创造出全新的分子仅用了21天，花费仅约15万美元，效率大大提高。
2021年，基于生成式对抗网络(GAN)的综合药物发现平台，英矽智能在特发性肺纤维化项目成功后，又利用PandaOmics展开了针对肾纤维化的靶点研究，并利用Chemistry42生成了具有药物性质的全新化合物。当下，前期实验结果已表明该化合物可显著抑制肾纤维化的发展，并调节肌成纤维细胞的激活，这是组织修复和伤口愈合的关键。
任峰表示，相较于传统的小分子化合物的生成和优化主要依赖药物化学家的经验，如药物化学家一般要经历10轮以上的优化和设计，每一轮至少要花费1到2个月， AI则可以在五六轮之后就完成这一工作，大大缩短时间。
尽管成果叠出，但任峰也坦言AI并非万能。他认为，虽然AI可以设计出很好的化合物，有很多应用，但它只是一个工具，不能代替人类做决定。并且化合物设计出来后仍需要进行传统实验进行验证。再者，相较于人类， AI缺少了灵光一闪的智慧。
除此之外，靶点验证也是个大难题。目前， AI发现的新靶点在全球范围内尚无新药获批。任峰坦言，现阶段AI赋能新药研发，只是在某些环节上实现了一定的突破，但还远远不够。“整个行业的发展都处在起步阶段，目前， AI做出来的小分子化合物或者大分子只有少数几个进入临床。”
据悉，英矽智能已计划在2022年完成针对肾纤维化新药临床试验申请的研究。同样，针对IPF的新药亦在进行IND申报实验，预计于2022年初进行临床研究。
合作+自建研发管线，突破行业难题
不过，当AI在制药领域陆续出现新进展并被寄予厚望时， “数据问题”仍是AI制药企业绕不过的一道坎。
在近日一场AI新药峰会上，数据的收集和质量问题，便是在场诸多嘉宾热议的话题。“garbage in, garbage out 。”这是在计算机科学与信息通信技术领域流传甚广的一句话，意思是质量不好的数据无法通过降噪等处理手段得到良性且正确的结果。目前AI制药公司的数据大多来自于公开数据库，质量参差不齐。而好的数据则多掌握在各大药企手中，难被共享。
任峰透露，数据永远是一个问题，对于AI而言，数据量越大，准确度越高，但现在问题不在于数据量不够，而是数据质量的问题。自2014年成立之日起，英矽智能就有一个20多人的团队专门在处理和过滤获取到的数据。
截至目前，英矽智能每三个月更新一次模型，每九个月更新一次AI Pharma Pipeline ，其已与150多个学术机构和公司合作，从中获得训练数据。而通过不断的合作，英矽智能最终的目标则是成为一家AI驱动的新药公司。
“一方面，帮助药企推进新药研发进程，提高对我们的认可度，另一方面，利用外部资源帮助英矽智能不断优化和证明我们的算法，这是一个相互促进的过程。”任峰如此说道。
当前，靶点发现和小分子化合物生成已经是AI应用在新药研发中较多的场景。而基于此， PandaOmics、Chemistry42也是当前英矽智能推进较快的两大平台，并已进入商业化阶段。
据英矽智能介绍， PandaOmics靶点发现AI系统可作为软件服务提供， Chemistry42小分子生成化学平台已于2020年9月开始在药企用户现场安装和部署。迄今为止，不少制药巨头已经采用Chemistry42分子生成和设计平台， PandaOmics也服务于多个著名学术机构和制药公司的药物靶点发现部门。
任峰透露，英矽智能目前的对外合作主要有三种模式：一是项目上的合作；二是授权药企使用其软件的模式；三是在内部自研项目进展到一定阶段后license-out 。当下，软件授权业务是英矽智能的主要商业化路径。不过任峰表示，从近两年开始，已经看到新的发展苗头——项目合作的比重正在逐步增高。