AI制药行业专题报告——打开AI制药黑匣子

打开 AI 制药黑匣子，CB Insights 深度剖析 AI 制药领域商业机会 AI 制药行业专题报告 2021 目录 资本市场热度不减 ................................................. 1 技术确定性探讨 ..................................................... 3 AI 技术赋能生物医药 ............................................ 7 生物制药企业与 AI 企业的合作 ............................. 8 AI 制药初创企业的商业化探索 ............................ 14 AI 制药行业重点公司介绍 ................................... 16 1 近年来各方对 AI 制药领域的关注度明显上升，资本持续注入，药企研发力度逐步增强，AI 制药相关技术的迭代速度也明显加快。可以预见人工智能技术正逐步从多方面渗透到生物制药领域，并有机会为行业带来重大变革。针对这些趋势，CB Insights 中国对 AI 制药领域进行了全面梳理。 资本市场热度不减 AI 制药行业受到广泛关注，资本市场保持火热。2020 年, AI 制药领域在资本市场获得了很高的关注度，对于 AI 技术在药物研发中的真正作用也引发了一系列讨论。从供给端看，随着基因检测技术的进步，各种药物研发数据的不断积累以及计算机硬件设备与人工智能算法的改良使得 AI 技术在生物制药领域的发展获得了良好的条件。而在需求端，传统生物制药企业在进行新药研发时长期存在的研发周期长、失败率高、成本高等痛点也给 AI 制药行业带来了巨大的增量。这些来自供需两端的驱动力也正式助推了这场资本热潮。 图 | 融资金额及数量 （来源：CB Insights 中国） 2 在生命大健康领域，与 AI 技术相关的应用融资逐步上升。据 CB Insights 数据统计，2015 年到 2020 年期间，AI 技术在生命大健康领域的应用融资逐步攀升。自 2020 年 3 月以来，受益于投资机构对于人工智能技术应用于药物研发赛道的关注，共有 11 家 AI 制药公司完成了 1 亿美元以上的融资。 图 | 融资地区分布（来源：CB Insights 中国） 美国是 AI 制药领域融资交易的主要地区，中国紧随其后。从地区分布上看，美国仍然占据了融资交易的主要份额，近 5 年来在 AI 制药领域有 50.6% 的融资交易发生在美国。中国以 9.4% 的比例紧随其后，成为了除美国外最大的新兴市场，超越了英国、韩国、以色列等传统科技强国。这也展现了中国市场在新兴科技领域发展的巨大的潜力。在 AI 制药这类新兴赛道上越来越多中国企业的身影涌现。 3 图 | 融资轮次统计（来源：CB Insights 中国） 在融资轮次上，AI 在医疗领域各阶段的融资轮次比例正在发生改变，种子轮企业占比逐年降低。CB Insights 统计在 2015 年融资轮次为种子轮的企业占比为 51% 而 2020 年这一比例下降到了 30%。目前这一领域的绝大多数公司仍然处于早期阶段，但仍有少数头部公司已经初露锋芒。根据美国 FDA 的统计数据，目前经过 FDA 审批通过的 AI 产品共计 41 款。中国也有 6 款 AI 产品获得国家医疗器械三类证。同样在 AI 制药这一细分领域也不乏 Schrodinger、 Insilico Medicine 、BenevolentAI、晶泰科技等明星公司的身影。 技术确定性探讨 AI 制药行业是人工智能技术和生物制药领域的深度交叉。由于需要信息技术人才与生物制药人才的协同创新，这无疑增加了 AI 制药领域的创新门槛。在人才储备上，AI 制药企业一方面会储备计算所需要的计算生物学、计算化学、AI 算法设计 4 等背景的人才，另一方面也会广泛引入药剂学、药物临床试验和临床医学等方面的人才。同时，拥有算法和药物研发复合背景的人才更是成为市场上的稀缺资源。 在技术层面，如何理解 AI 制药结果的确定性正成为判断 AI 制药公司成长潜力的关键部分。人工智能技术本身更像一个”黑箱“，许多技术细节难以解释，这与生物制药这一具有高严谨性高确定性要求的领域产生了矛盾。对于 AI 制药技术来说，要判断其确定性，除了要追踪其前期模型结果产出环节的历史精准度，后期对于决策证据的可靠性论证以及对结果的确定性验证是更为关键的部分。目前人工智能的各种细分技术例如监督学习、无监督学习、增强学习等已经深入到药物研发的各个环节。针对不同方向的各类模型准确性判定方式也略有差异。 图 | AI 制药技术分类（来源：CB Insights 中国） 一般而言，用于 AI 制药的深度神经网络通常含有输入层、隐含层和输出层三层结构。生物数据首先需要转换为输入值数组，然后这些值被输入隐藏层运算。深度神经网络的其中一个挑战便是定义网络的深度和宽度即隐藏层和每层节点的数量。一 5 层中的每个节点从前一层的所有节点获取输入信息，然后对输入信息进行数学变换，之后再进行正向反馈。最终在输出层输出输入数据的最终演算结果。其中所涉及的非线性转换的数量越多，对最高级别层的解释也就变的越困难。此类网络目前主要是通过不断迭代输入值数组，根据输入和输出结果之间的关系来评估模型特征和权重。通过归因分数、相关性系数或权重共享系数等方法给出特征重要性评分。 图 | 两类深度学习网络结构（来源：Cancer Cell，CB Insights 中国整理） 另外一种深度神经网络模型则选择用可见层取代隐藏层。这类算法主要基于统计学和生物信息学的知识图谱，利用生物学底层逻辑将运算串联起来，使得每一层的数据产生 机理 得到 解释 。这一 类型 的可 见层 中往 往采用 基因 本体 论（ Gene Ontology）等生物信息学相关网络结构来定义输入层和输出层的连接方式，因此输出层的计算可以通过网络回溯。2020 年 Kuenzi 等人便使用从基因本体论衍生的层次结构的深度神经网络对肿瘤对药物的敏感性进行了建模，取得了重大突破。 6 这两种类别的深度神经网络模型在确定性判断上是有差异的。对于许多基础的生物问题，第一类深度神经网络通常可以实现很高的预测精度，但很难将预测的方式和原因结合起来，而第二类模型则可以有效改善这一问题。同样，受限于现阶段理论研究的边界，第二类模型往往在模型深度上受限，或者需要极高的算力支撑。在确定性上，第二类模型理论上可以通过数理逻辑自证，而对于第一类深度神经网络模型，由于隐藏层的内部运算是相对未知的所以很难进行数据溯源，模型输出结果的确定性通常采用后期实验验证的方式来证明。整体来说目前 AI 制药验证的链条相对较长，因此在未来建立高通量高效的实验评价体系对 AI 制药企业来说尤为重要。 数据、算力和算法是