任峰表示，AI制藥作為新藥研發的一種新突破， 相較於傳統制藥長達數年的周期與數十億美元的單一藥物研發投入，AI藥物研發能够極大地節省時間和經濟成本。以該企業內部進展最快的特發性肺纖維化項目為例，整個項目從靶點發現到提名臨床前候選化合物只花了18個月，耗費260萬美元；而在傳統藥物研發中，這一過程長達四年半甚至更久，耗費將高達千萬美元。
“AI制藥”任重道遠：
高質量數據缺乏依舊是最大瓶頸
與此同時，AI輔助新藥研發還存在諸多挑戰。黃文林表示，AI在新藥研發中的應用面臨多方面挑戰。“從政策方面來看，AI輔助新藥研發顛覆了原有的藥物研發模式，而現在尚無針對性的政策指南出台；從數據方面看，AI模型基於數據學習，若數據學習導致了結果的不確定性，也可能導致新藥研發結果的不確定性。盡管在多數情況下化學數據可大規模獲得并成功用於配體設計和合成，但這些數據并不能滿足 AI藥物發現的需求。因此，未來需要更多的高質量化合物數據，包括化合物的體外活性、毒性指數等，在後期階段，還需要化合物動物實驗的藥效數據。”
韓藍青同樣表示，AI深度學習通常需要龐大的數據集進行訓練，高質量數據依舊是稀缺資源。“我國創新藥物研發起步較晚，算法、算力上的突破也需要一定的時間。高通量數據不足、數據質量參差不齊，算法精度不高等都為AI在藥物研發上帶來了困難；此外，行業複合型人才也十分匱乏，‘懂算法的不懂制藥，懂制藥的不懂算法’。”
他表示，AI參與藥物研發目前還集中在前端環節，在臨床環節滲透率還較低。“我們需要讓更多高質量候選化合物進入臨床，更好地驗證靶點，提高臨床成功率，這樣才能推動AI助力藥物研發進入深化階段。” |
