Numerate的總裁兼首席執(zhí)行官GuidoLanza博士曾擔任Pharmix公司聯(lián)合創(chuàng)始人兼首席技術(shù)官，2006年入選《BusinessWeek》“30歲以下最佳青年科技創(chuàng)業(yè)家”。

　　藥明康德：您如何描述AI領(lǐng)域的公司境況？它們大多是初創(chuàng)企業(yè)，還是Google和Intel這樣的大數(shù)據(jù)公司？

　　GuidoLanza博士:這個領(lǐng)域的公司分布很平均，既有Numerate，InsilicoMedicine，BergHealth和NuMedii這樣的創(chuàng)業(yè)公司，也有GE和IBM這樣的大公司。值得注意的是，各公司之間的開發(fā)能力重疊性相對較小。這個行業(yè)數(shù)據(jù)過剩，算法不足已經(jīng)持續(xù)了很長時間，AI在可預(yù)見的將來會面臨很多問題。

　　106家改變醫(yī)療行業(yè)的AI公司，紅色方框內(nèi)是從事新藥開發(fā)的AI公司（圖片來源：CBInsights）

　　藥明康德：您的公司與其他利用AI進行藥物研發(fā)的公司有什么不同？你們怎么應(yīng)用AI？

　　GuidoLanza博士:Numerate的第一個最明顯的區(qū)別就是我們成立很久了。在沒有人關(guān)注AI的時候，我們已經(jīng)建立了一家AI技術(shù)驅(qū)動的公司。我們的初創(chuàng)團隊里有計算機科學家和新藥研發(fā)人員，他們在臨床和市場上都有化合物。這迫使我們在很大程度上隱藏了人工智能的部分，并以更為傳統(tǒng)的平臺公司方式開展業(yè)務(wù)，圍繞以服務(wù)和研發(fā)合作為重點的合作伙伴關(guān)系。這個商業(yè)模式使我們能夠在10年的時間里投資了近5000萬美元建立了我們的技術(shù)平臺，其中大部分是非稀釋性的資金。

　　從科學的角度來看，我們的差異化在于轉(zhuǎn)化能力。首先，我們能夠使用非常小的數(shù)據(jù)集來解決新興的生物學問題，即使這些數(shù)據(jù)不適合用深入學習的方法進行研究。二，我們的建模是基于3D配體信息，不需要化合物結(jié)構(gòu)信息。這些能力使我們的機器學習算法能夠解決表型驅(qū)動的藥物研發(fā)難題，這種研發(fā)通常是低通量，高內(nèi)涵的生物學問題。

　　另一個轉(zhuǎn)化能力就是我們的ADME和毒性預(yù)測功能。在這方面，我們投資了1000多萬美元，其中包括與美國國防部防威脅減少局（DTRA）的大型合同，以建立和驗證一套系統(tǒng)，可能將先導(dǎo)物快速轉(zhuǎn)化為臨床候選藥物。今天，我們與制藥公司的許多合作都基于這一能力，其獨特之處在于能夠從過去的所有研發(fā)項目中學習，為未來的每一個化學設(shè)計和候選藥物選擇提供決策。

　　藥明康德：AI將如何改變藥物研發(fā)和臨床研究？

　　GuidoLanza博士:十多年來，醫(yī)藥行業(yè)一直在努力通過各種計算方法來解決藥物研發(fā)的成本和時間問題。顯然，跟使用人力，以實驗室為中心的傳統(tǒng)藥物研發(fā)方法相比，這也是AI的一個好處。然而，專注于計算方面會錯過AI影響醫(yī)藥行業(yè)面臨的最大挑戰(zhàn)——增加基礎(chǔ)生物學發(fā)現(xiàn)到患者應(yīng)用的成果轉(zhuǎn)化率。

　　在最早階段，AI面臨的關(guān)鍵挑戰(zhàn)是從相對較小的數(shù)據(jù)集中提取大量信息。例如，我們的平臺使我們能夠非?？焖俚貙W術(shù)研究的的實驗（特點是數(shù)據(jù)很少，低通量，高內(nèi)涵）轉(zhuǎn)化為完整的先導(dǎo)物優(yōu)化階段的項目。我們與Gladstone研究所合作開展了這項工作，現(xiàn)在開始與加州大學洛杉磯分校（UCLA）和梅奧診所（MayoClinic）進行了幾個項目。

　　AI面臨的第二個挑戰(zhàn)是整合單個項目產(chǎn)生的大量數(shù)據(jù)（例如組學omics數(shù)據(jù)）。在這方面，像BergHealth這樣的公司能夠集成大量數(shù)據(jù)來推動程序具有更多的可預(yù)測性。還有組合應(yīng)用NLP（神經(jīng)語言程序設(shè)計），以利用整體的生物學知識來做決策，從而能夠解釋結(jié)果，發(fā)現(xiàn)不可見的關(guān)聯(lián)——例如沃森機器人和Benevolent（譯者注：一家領(lǐng)先的英國人工智能公司，關(guān)注健康和藥物開發(fā)）。

　　IBM的沃森已在真實世界中帶來的很大的影響（圖片來源：IBM）

　　然而，AI可以產(chǎn)生最大影響的領(lǐng)域是真正的學習環(huán)路，這個概念首次引入業(yè)界。所有的決策都可以從以前所有成功和失敗的經(jīng)驗推倒出來，這個首次提出的想法另令人印象深刻。我們一直在建立AI算法來預(yù)測化合物的PK和毒性特征，但現(xiàn)在，很多公司首次愿意分享他們的實驗數(shù)據(jù)，以便我們能利用這些數(shù)據(jù)推出結(jié)論。在未來六個月內(nèi)，我們將與一到兩個大型制藥公司合作，未來將會有更多的合作出現(xiàn)。

　　藥明康德：AI最終會成為生物技術(shù)和制藥研發(fā)的基準嗎？如果是的話，還有多久實現(xiàn)？

　　GuidoLanza博士:在未來的三到五年內(nèi)，AI算法會被應(yīng)用到整個行業(yè)。同時，根據(jù)AI提供的方法和價值，各方的接受程度會有所不同。

　　針對臨床前應(yīng)用，基于NLP的方法仍然需要重新調(diào)整定位，但用來解釋結(jié)果將變得更常見。像我們公司用的、轉(zhuǎn)化基于表型信號的新興生物學的方法，會被許多生物科技公司用來啟動項目或者變得更加普遍，從而使制藥公司放棄今天傳統(tǒng)的藥物高通量篩選活動。同樣，基于結(jié)構(gòu)的，模擬驅(qū)動的AI將繼續(xù)實現(xiàn)越來越多的目標。

　　大型制藥公司都在探索人工智能（AI）改善藥物發(fā)現(xiàn)工作的潛力（圖片來源：pmlive）

　　更重要的是，在未來的三到五年中，藥物研發(fā)將從孤立和匿名的成功轉(zhuǎn)向借助人工智能利用綜合知識的方式，無論是在公司內(nèi)部研發(fā)或是在行業(yè)廣泛應(yīng)用。這樣至少能避免一些（如果不是最多的）過去的研發(fā)錯誤。如果AI被證明比當前任何方法（PK，ADME，動物毒素，臨床安全性等）更好，那么以完全傳統(tǒng)的方式進行藥物研發(fā)將變成一個明顯的競爭劣勢。這意味著在三到五年內(nèi)，沒有經(jīng)過各種AI驅(qū)動模型（包括預(yù)測的動物毒性，預(yù)測性人體毒性，預(yù)測性PK指數(shù)等）研究的候選藥物將沒法進入臨床試驗。

　　藥明康德：在制藥和生物技術(shù)行業(yè)藥物開發(fā)中使用AI的挑戰(zhàn)或障礙是什么？

　　GuidoLanza博士:當前的挑戰(zhàn)主要在于文化。首先，AI本質(zhì)上意味著不可以解釋，而是更多地用作“黑匣子”。我經(jīng)常聽到，為了使這些預(yù)測可信，科學家們想知道AI是如何做到的。我認為這是思考AI的錯誤方式。這些算法可以看到的數(shù)據(jù)中的信號對于人類而言太窄或太寬。因此，如果我們要求人工智能產(chǎn)生人為可解釋的結(jié)果，就可能限制AI去解決最有趣的問題。

　　這方面一個很好的例子是從原始基因組序列預(yù)測人臉特征。HumanLongevity公司表明，即使他們沒有潛在的發(fā)育生物學模型，這也是可行的。要求預(yù)測結(jié)果“可理解”可能會限制技術(shù)去尋找鼻子形狀或長度這樣簡單的遺傳標記，而這幾乎沒有價值。

　　AI預(yù)測技術(shù)能夠相當準確地“預(yù)測”基于基因組的個體面部特征(圖片來源:HumanLongevity)

　　另一個主要的文化挑戰(zhàn)關(guān)于數(shù)據(jù)。制藥公司需要進一步公開數(shù)據(jù)。這并不是說要分享他們目前正在開發(fā)的最熱門靶標的最新數(shù)據(jù)，而是指共享可用于預(yù)測未來藥物開發(fā)失敗的幾百萬個數(shù)據(jù)點。作為一家專注于預(yù)測性ADME和毒性研究超過10年的公司，我們意識到這是一個很大的問題，但是像GSK與ATOM這樣的公司正在引導(dǎo)和推動新的算法和方法的創(chuàng)建。

　　藥明康德：什么樣的合作關(guān)系對您公司的發(fā)展很重要？

　　GuidoLanza博士:我們的客戶合作關(guān)系分為三個方面。首先，我們與大型制藥公司合作建立購買產(chǎn)品線形式的合作。在這方面，我們的合作伙伴，如武田（Takeda），會預(yù)先協(xié)商了由我們的AI平臺產(chǎn)生的許可資產(chǎn)。此外，我們與大型制藥公司更多是圍繞數(shù)據(jù)而不是管線開展合作。在這些合作中，制藥公司共享數(shù)據(jù)，通常是PK/ADME或安全性數(shù)據(jù)，我們提供AI平臺，這種模式使雙方都受益。最后一種類型是我們與學術(shù)機構(gòu)的合作，我們希望延續(xù)有成功合作經(jīng)驗的合作伙伴，如Gladstone研究所、UCLA和Mayo診所進行合作，以豐富我們自己的內(nèi)部研發(fā)管線。這是獲得最有希望的新興生物學進步的一種方法，并使用我們的AI平臺將項目轉(zhuǎn)化為可合作的資產(chǎn)。

　　生物制藥行業(yè)越來越重視與AI初創(chuàng)公司合作推動藥物發(fā)現(xiàn)（圖片來源：biopharmatrend）

　　另一種關(guān)鍵的合作伙伴關(guān)系是通過高素質(zhì)的CRO聯(lián)盟。我相信，在可預(yù)見的將來，人們不會（也不應(yīng)該）接受AI的預(yù)測為真理。尤其是在這些方法得到改進之前，AI預(yù)測之后能夠減少實驗和驗證，才會使我們（和其他AI公司）實現(xiàn)價值。顯然，我們需要一個像藥明康德這樣一個在實驗室化學/生物學領(lǐng)域的合作伙伴，另外還可能會與臨床CRO形成合作關(guān)系。（實驗）證據(jù)的責任仍然在AI公司，未來也將是這樣。

　　藥明康德：您公司的商業(yè)模式與傳統(tǒng)的生物技術(shù)和制藥行業(yè)的創(chuàng)業(yè)公司有何不同？

　　GuidoLanza博士:傳統(tǒng)的生物技術(shù)和制藥創(chuàng)業(yè)公司一般側(cè)重于少數(shù)靶標或單一治療領(lǐng)域。我們更多地關(guān)注平臺，以及如何更廣泛地改變行業(yè)。我們的業(yè)務(wù)模式著重于捕捉產(chǎn)出的價值——我們可以產(chǎn)生的化合物資產(chǎn)。我們還圍繞平臺進行更多的關(guān)注數(shù)據(jù)/驗證而較少關(guān)注收入的合作類型，但是我們的收入來自于建立后期可以獲得轉(zhuǎn)讓收益的產(chǎn)品管線。我們一直在建立和擴展一系列管線，涵蓋了眾多治療領(lǐng)域（CNS，心血管代謝，炎癥），它們來源于我們內(nèi)部研發(fā)，學術(shù)合作，購買或賞金獵人交易。

　　藥明康德：運營一家AI初創(chuàng)公司，您有什么經(jīng)驗跟我們分享嗎？

　　GuidoLanza博士:作為一個剛剛創(chuàng)業(yè)的企業(yè)家，很容易認為解決技術(shù)障礙是最難的部分，比如在我們這個領(lǐng)域如何生成算法和平臺。我們很快就認識到，數(shù)據(jù)科學和商業(yè)問題同樣不容易。首先，你必須真正了解你的算法正在應(yīng)用的數(shù)據(jù)。我們花費了數(shù)十年的時間來解決計算化學方面稱為“訓練/測試悖論”的問題，就是在實驗室應(yīng)用前景很好的模型在實際中表現(xiàn)不佳，盡管它們的回顧性很好。為了解決這些問題，了解數(shù)據(jù)、解決生物學（及其帶來的噪音）的混亂以及化學的挑戰(zhàn)（以及它們帶來的偏見）至關(guān)重要。

　　商業(yè)方面，關(guān)鍵在于確保產(chǎn)品從科學和商業(yè)的角度來看真正具有價值。畢竟，向已知藥物中加入甲基可能會產(chǎn)生另一種活性化合物，但其價值幾乎為零。為了做到這一點，至關(guān)重要的是要有一個新藥研發(fā)團隊，真正了解對我們最終客戶——制藥公司而言，什么東西才有價值。

　　藥明康德：AI與以前的計算生物學熱潮有什么不同？

　　GuidoLanza博士:廣泛來說，AI廣泛影響了很多行業(yè)。計算機和數(shù)據(jù)存儲終于足夠便宜，以至于我們可以用正確的AI算法解決藥物研發(fā)的問題。這使得大型企業(yè)（IBM/GE）能夠開始影響醫(yī)藥行業(yè)，對目前封閉在制藥公司內(nèi)部數(shù)據(jù)庫中的數(shù)據(jù)做點什么。數(shù)十年來，醫(yī)藥行業(yè)一直努力解決研發(fā)生產(chǎn)率低的問題。過去十多年來，人們開始建立虛擬藥物發(fā)現(xiàn)初創(chuàng)公司。我們發(fā)展了Numerate的業(yè)務(wù)，專注于產(chǎn)品（化學和程序），卻把AI放在幕后，也很少談及我們的方法。如今，很高興我們的方法有機會對大型和小型公司更加開放。事實上，這個領(lǐng)域的初創(chuàng)企業(yè)正在蓬勃發(fā)展，部分原因是公共的數(shù)據(jù)量不斷增加，以及制藥公司越來越愿意分享他們的數(shù)據(jù)。

　　另外，競爭環(huán)境也與10到15年前的計算生物學熱潮不一樣。我認為AI公司的創(chuàng)始人正在意識到，我們在大多數(shù)情況下并不是在相互競爭。首先，沒有人擁有向制藥銷售打包軟件/座位的模式。相反，我們專注于自己的產(chǎn)品管線或研發(fā)合作，這些合作不太可能直接相互競爭。因此，真正意義上的社區(qū)正在形成，從分享聯(lián)系，提供參考和合作組織會議，這在五年前是聞所未聞的。