当AI4S火爆全球,但已经有人开始理性呼吁。

就在最近,Atlas Venture 合伙人Bruce Booth发表了一篇博客长文,引发了全球AI制药圈的热议。

这篇长文里,Bruce Booth直接给AI制药降温——

未来3到5年,AI不会提高新药研发的效率,反而会让整个行业的研发生产力变得更差。

不仅如此,他还点名了 8 个最拥挤的靶点:PD-1、EGFR、CD19、VEGF、HER2、JAK、GLP-1、KRAS,按他的估算,每一个在全球都有超过 100 个在研项目。

Bruce Booth(布鲁斯·布斯)是谁?

他是美国生物医药风投圈最有话语权的投资人之一,2005 年加入 Atlas Venture,专注于早期新药公司的孵化和投资。

打开网易新闻 查看精彩图片

但如果认为他只会唱衰AI,那就太偏颇了,实际上他极力拥抱AI和计算新技术。

他曾亲自担任蛋白降解明星公司 Kymera 和计算化学公司Nimbus的创始 CEO,参与董事会的公司先后被新基、百时美施贵宝、渤健、赛诺菲等药企收购。

2022 年,Nimbus靠薛定谔计算平台做出的 TYK2抑制剂被武田买走,首付款高达40亿美元(约人民币 285 亿元)。

从2011年起,他持续撰写个人博客LifeSciVC,是全球生物医药从业者和投资人的必读内容之一。

打开网易新闻 查看精彩图片

二十年押注计算药物发现的投资经历,也让他对这个行业有更深的见解。

他认为,AI长期一定会改变制药行业,但在那之前,行业要先经历一场「消化不良」。

打开网易新闻 查看精彩图片

25年前的剧本重演了?

Bruce Booth这篇文章的标题,借用了2001年的一份著名报告。

当时正值基因组泡沫的顶点,雷曼兄弟和麦肯锡联合发布《基因组学的果实》(The Fruits of Genomics),那份报告曾作出这样的判断:

人类基因组测序完成后,药企实验室里将涌现出大量此前未知的新靶点,行业也会由此进入一个靶点井喷的时代。

但是,人类基因组计划会带来大量缺乏验证的新靶点,药企的管线将因此消化不良,失败率、成本和研发周期都会上升。

此后二十多年,制药行业研发生产力的持续走低,在Booth看来基本印证了这份报告。

打开网易新闻 查看精彩图片

靶点多了,药却没有相应变多,因为没有人知道哪些靶点是真的。

如今的情况换了一个方向,当年过剩的是靶点,现在过剩的是分子。

他认为,当前行业对AI的部分宣传也确实过于乐观,尤其是那些认为AI能够在短期内彻底改变药物研发模式,甚至治愈所有疾病的说法。

AI把分子设计的门槛拉了下来,过去要靠大型研发组织、高通量筛选平台和几十年药物化学经验才能完成的工作,现在一支小团队就能做。

与此同时,AI模型本身也很难形成长期壁垒。许多被称为有独家优势的模型,很快就会通过各种方式在行业内传播。无论是闭源模型还是开源模型,最终都有可能被其他团队用于新分子的设计。

随着AI工具不断普及,无论是底层实验平台,还是上层药物设计应用,想要建立真正持久的竞争优势都会越来越难。

Booth观察到,如今几乎所有药物发现公司都在用AI,围绕一份专利里的先导化合物设计出一批略有差异的新分子,也成了很多公司的常规操作。

问题在于,AI目前擅长的只是已知靶点、已知分子骨架和已知生物学,一旦超出训练数据的范围,预测能力就会明显下降,那些不可成药的靶点、全新的结合位点依然难以攻克。

Booth翻了一遍AI制药公司的管线,结论是大部分项目都落在被验证过的靶点上。

大多数声称「AI原生」的药物研发公司,它们的管线大多充斥着经过充分验证的靶点和大量预先存在的化学类型或蛋白质序列。

包括已知的化学骨架-靶点组合(例如MEK、HDAC、KRAS、TYK2、5HT等)、已验证的抗体(例如TSLP、IL13)、已有的T细胞结合剂(例如CD3-CD19)以及常见的抗体偶联药物(ADC)(例如HER2、TROP2)等等。

今年上市的两家明星公司Generate 和 Iambic,核心项目针对的分别是 TSLP 和 HER2,都是大药企早已布局的方向。

当然,例外也有。

Booth点名了三个真正做出新东西的案例,其中就有英矽智能的TNIK抑制剂,另外两个是Anthropic收购的Mithril Medicine,和insitro的IRS1 项目。

只不过,这样的例子目前屈指可数,还远没有到可以规模复制的程度。

打开网易新闻 查看精彩图片

AI造药多了,效率为什么更差

Booth并不是说这些药没有价值,他担心的是整个行业为它们付出的总成本,会远远高于最终拿到的回报。

因为,真正的问题还不只是AI药物创新不足,而是大量同质化候选药物涌入市场后,整个研发体系可能面临一场资源拥堵。

即使研发出有效的药物,拥挤也会对行业的投资回报率(“研发效率”)产生极其负面的影响。

他梳理了几大影响:

  • 为了追求“同类最佳”,研发投入存在浪费,同时临床前毒理学供应商和CMC合作伙伴的有限名额竞争也日益激烈;

  • 随着大量类似项目涌入临床,争夺患者的竞争日益激烈,导致所有患者的入组时间延长,研究的纳入/排除标准降低,更不用说对最佳试验中心的竞争;

  • 由于许多AI驱动的“仿制药”在临床试验中未能超越“标准疗法”的先例药物,导致失败率更高。

  • 投入的大量资金最终却以失败告终,而失败模式往往是后期未能达到标准治疗水平,甚至更糟糕的是,商业失败。

Booth将这种局面概括为:大量项目争相证明自己具有差异化优势,但最终真正做到这一点的只有少数。

从行业整体来看,这无疑会拉低研发投资回报率。

有人可能会问,既然AI能够帮助企业筛选分子、优化研发决策,为什么不能解决这些问题?

Booth也考虑到了这一点。

他的回答是,但AI能提高一家公司的效率,却未必能提高整个行业的效率。

AI或许能够帮助单个企业筛选出更有价值的项目,减少内部资源浪费,但要真正改善整个行业的研发生产力,需要成千上万家Biotech和药企之间形成协同,让整个行业共同调整研发决策。

显然,这几乎不可能实现。

每家公司都有自己的管线、融资需求和商业目标。即使AI能够帮助每个参与者做出更好的决策,也不意味着所有公司加起来就能实现更高的行业效率。

值得一提的是,他也承认拥挤并非全是坏事。

me-too药物这个说法早在上世纪50年代就出现了,后来者确实可能比先行者做得更好,他汀类药物就是例子,患者最终也会受益于竞争筛选出来的最好的药。

至于AI能否加快临床开发、提高临床试验的推进速度,Booth相对谨慎。

他提到,Formation Bio等公司正在尝试利用AI改造药物开发流程,但临床开发本身存在大量难以绕开的时间成本,例如动物实验和临床治疗周期。AI或许能带来10%—20%的边际效率提升,却很难从根本上消除这些限制。

更何况,当越来越多项目同时进入临床,患者资源和临床研究中心的拥堵,可能抵消一部分效率提升。

打开网易新闻 查看精彩图片

造分子不再稀缺之后

如果分子设计能力人人都有,AI 制药公司还剩什么?

Booth的判断是护城河会越来越难建,这句话既指做基础模型的实验室,也指应用层的药物设计公司。

美国生物科技圈的知名创业者Daphne Koller在转发这篇文章时,把问题提得更尖锐:当所有人都能用上AI,模型又迭代得这么快,一家AI制药公司和其他公司的区别究竟在哪里?

Booth给初创公司的建议相当反常规。

对于真正做创新药的公司,游戏规则也可能需要改变。

Booth提出了一个值得关注的建议:在AI能够快速学习和复用公开科学信息的时代,拥有真正创新技术的Biotech,可能需要重新审视自己的知识产权保护策略。

例如,推迟专利申请时间、增加具有迷惑性的专利申请、减少早期项目的公开宣传,控制学术会议海报和科学论文的披露范围。

这背后的逻辑是,当AI能够快速挖掘专利、论文和公开数据中的信息,并据此设计出新的分子,创新成果一旦过早公开,就可能迅速成为竞争对手的研发起点。

Booth甚至提到了全球制药巨头礼来。

礼来近期决定不再公开其I期临床项目组合,也反映出大型药企对早期研发信息保护的重视。

他还提出,行业需要重新思考现有专利制度是否足以保护AI时代的药物创新。

当然,这些建议并不意味着所有Biotech都应该减少信息披露,而是对于那些真正拥有First-in-Class靶点、全新药物形式或独特分子骨架的公司来说,保护创新成果可能变得比过去更加重要。

他还提议重新考虑专利制度,讨论是否从「先申请制」改回「先发明制」。

科勒给出的则是另一条路,换一把尺子。

她认为“这个领域衡量什么,就会得到什么样的回报”,行业不该再数生成了多少分子,而应该数新验证了多少靶点,按疾病机制重新划分出了多少患者群体,以及在那些久攻不下的靶点上做出了多少个真正有效的分子。

这和Booth的标准是一致的。

他认为AI要真正改善研发生产力,必须走出已知的靶点和分子骨架,能够反复、成规模地为不可成药靶点找到全新骨架,为严重疾病做出首创新药,而这一步目前还只有零星的个案。

在智药局看来,这意味着 AI 制药的护城河正在迁移。

分子设计能力会像算力一样越来越便宜,稀缺的将是模型学不到的东西:来自人类遗传学和真实患者的数据,能够快速验证假设的实验体系,以及在临床上第一个证明某个新机制成立的能力。

Booth在文末强调,他依然相信AI长期会改变制药行业,也希望自己这次的预测是错的。

可以预见,接下来几年会有更多AI设计的分子走进临床,热门靶点上的竞争也会比今天更激烈。

对投资人和创业者来说,判断一家AI制药公司的标准,可能要从它能造出多少分子,变得更加综合。

—The End—

打开网易新闻 查看精彩图片