出品 | CSDN（ID:CSDNnews）

医药研发行业有一个“三个十”的说法，即一种药物的创造须要投入十年以上的韶光，花费十多亿美元，末了得到10%的成功率。
也便是说，医药研发须要花费很永劫光，投入大量资金才能成功研发出一种药物。

不过，AI等新技能的不断呈现，让科学性极强的医药研发行业也有机会追求大幅“提速降费”。

“把原来可能须要三到五年的药物创造过程，显著地缩短至一到两年，同时还帮助人们跳脱出药物研发专家个人履历和能力的限定，全面加速药物研发。
”致力于以打算驱动药物研发的晶泰科技联合创始人、AI卖力人赖力鹏见告CSDN。

抗疫，筛选出38种潜在药物分子

目前AI在医药研发的运用覆盖多个研发环节，包括靶点创造到苗头化合物、先导化合物的创造，然后到药物开拓和临床实验。

以新冠病毒的靶点创造为例，首先须要找到病毒上与转录、复制、传染等关键性能干系的蛋白质，然后剖析其与药物结合、抑制这些性能实现的位点。
通过找到能有效、稳定地与这些靶点结合的分子，就可以阻挡病毒的传染和传播，患者由此得到治疗。

探求候选药物分子并非易事。
传统的方法是通过药归天学家的参与，从百万到千万潜在化合物层层进行筛选，去做实验验证对抑制病毒活性有效的化合物。
而通过AI天生模型、强化学习和迁移学习，可以根据对应靶点去设计出更加多样化的分子构造，这样扩大了找到相应分子的可能性，将搜索的最大范围从现有的10^23个化合物分子的搜索空间扩大到10^60。

这样就可以从百万、千万个潜在有效的类药分子中，利用AI算法，对其生物活性、溶解性、毒性、稳定性、合成难度，以及与人体内接管、分布、代谢、渗出关联的关键性子进行快速、准确的层层筛选与综合打分评估。

综合表现最空想的一百多个分子，通过高精度的量子物理打算进一步精准预测其关键性子，随后结合药归天学家的专家挑选，就可以确定几十个最有希望能够成功研发的药物侯选分子，进入针对性实验验证。

晶泰科技AI定向天生的分子库。
个中蓝色为演习集分子，赤色是AI随机天生的分子，黄色为经由强化学习后天生的性子更加空想的类药分子。

1月20日，晶泰科技成立了一个新冠肺炎攻关小组，并基于随后发布的病毒基因序列进行同源建模，对得到的关键蛋白质模型进行了分享。
他们还通过打算的办法验证了新冠病毒比较SARS病毒具有更强的人际传播能力，并且做了病毒可能涌现的变异的扫描，以帮助后续的疫苗、抗体等药物的研发。

很快，基于几个关键的靶点，他们在美国药监局上市的3000种药物以及10000多种中药身分分子中筛选出183种潜在的活性药物分子，后来经由更高精度的量子物理、打算化学方法，进一步将范围缩小到38种活性比较空想的药物分子，推进到细胞实验阶段，以验证其对新冠病毒的抑制浸染。

氯喹已在细胞实验和临床治疗中展现出新冠病毒有比较好的抑制效果，晶泰科技也与广东的众生药业公司互助，研究氯喹抑制新冠病毒的分子浸染机理，并进行实验验证。

值得一提的是，他们还在人工智能药物研发平台上面搭载了生物药研发干系算法，目前正通过研究病毒表面的一些蛋白，帮助新冠抗体和亚单位疫苗做根本研究。

切入晶型预测，确定医药行业的“钉子”

晶泰科技不是一家以AI技能在医药研发行业起身的AI创业公司。

6年前开始创业，三位创始人考虑的是先找到医药行业的“钉子”，而不是拿着AI的锤子去找钉子。
“先确定问题，再探求办理问题的最佳路径。
”赖力鹏称。

这与晶泰科技三位创始人的技能背景不无关系。
生归天学领域等待更快速、精确的研究方法运用于工业界，而他们多年从事量子物理、量子化学领域的科学研究，专注于如何更精确地理解、打算原子、分子间的浸染关系，这些科学算法正是新材料、生归天学等领域科研方法创新的源头。
终极，他们确定以药物开拓环节的晶型预测问题为切入点。

什么是晶型？从化学构造上看，虽然石墨和金刚大相径庭，但实质上是碳原子由不同的空间排列而产生的“晶型”。
同样的，一个药物分子的各个原子在空间构造上由于旋转角度、排列办法的细微差异，可能产生上千万种晶型，而真正稳定的晶型也会有几种乃至几十种之多，它们的药物性子也不尽相同。
传统研究方法依赖实验试错，一旦有遗漏就会给药企带来潜在的专利诉讼、临床失落败，乃至药品召回的风险，遭受巨大的经济丢失。

晶型预测技能则可以用准确的预测结果辅导实验，从而加速研发、提高成功率。

其一大难点在于，须要预测分子在结晶形成固体构造的所有可能性。
赖力鹏阐明，要办理这个问题，要尽可能准确地皮算原子间的相互浸染，再从上千万种可能性中锁定最适宜药物开拓的晶型。
精确度、速率与本钱如何实现最优化是另一大难题。
打算中会产生百亿级乃至千亿级的高精度构造数据，而药企研发争分夺秒，对打算精度和打算速率都有很高的需求，并且须要在本钱可控的范围内尽可能快地完成打算，否则就无法在药物研发中的实现广泛运用。

而以打算预测的方法改进，加速晶型研发，就可以提高药物安全性，帮助有效的新药分子成功开拓为药物产品，更早到达患者身边。

确定了晶型这一痛点问题后，2014年晶泰科技正式成立。
彼时，他们手中的“锤子”以量子物理和量子化学技能为主，深度学习还没有像在2016年那样被业内所熟知。

不久，如何思考在这一领域持续创新，将现有的技能积累与AI、机器学习、搜索技能和其他底层的打算方法结合，进一步打破精确度、效率与本钱的边界，并拓展新的工业运用，成为他们的研究重点。

拥有业界领先的晶型研究算法的同时，晶泰科技将研发方向聚焦在药物创造和药物开拓阶段，前者指从药物的靶点出发，找到可能与靶点产生浸染的分子，后者紧张在药物固相和后续制剂方面进行研究。

AI打赞助，量子物理打算是杀手锏

基于量子物理和量子化学的打算技能与AI相结合是晶泰科技最核心的杀手锏。

赖力鹏先容，打算赞助药物研发的科学根源是分子和分子之间的相互浸染，不管是药物结晶，还是药物制剂过程，药物和辅料的选配，它们在量子力学层面上实在都可以理解为处理不同原子间的相互浸染。

以是在他看来，当打算物质之间的相互浸染时，基于量子力学的打算方法是最准确的。
但问题是，在真实的项目中用量子力学去打算的时候，一个体系中可能存在大量原子，现在的算力无法支撑这样弘大的打算量。

工业界的处理方法是，在量子力学的方程中引入一些基于履历的估计参数，去简化打算的过程，核心是基于专业领域的知识和履历，去选择精确的参数来对量子力学打算的方程进行简化。

幸运的是，以深度学习为核心的AI方法可以对参数做出更好的估计，以进行药物设计和筛选。

晶泰科技ID4平台的AI药物创造流程

在药物筛选阶段，由于分子是不同的原子通过化学键建立连接，从算法的角度来说，可以算作一个有节点和边的图构造，而在分子表示方法上，由于分子的构造无法直接输入一个神经网络进行演习和学习，以是须要投射到一个矢量化空间，如何做适量化很大程度上会影响到模型表现。

赖力鹏进一步先容，当处理蛋白和小分子相互浸染的时候，如何选择精确的表示办法(embedding)很主要，涉及的建模方法也是多样的，包括NLP里的sequential模型以及图卷积模型，他们会把不同的网络架构进行整合，以适应须要办理的问题。

在他看来，AI与量子打算相辅相成。
目前，在生物和化学领域的运用，只利用AI技能本身的精度并不敷够，而纯挚用量子物理打算的方法效率也不足，这就须要把两个方法结合到一起，让AI可以在一个非常大的样本范围内去做快速筛选，同时提高量子力学打算技能的精度。

繁芜打算离不开算力支撑。
他们能够通过工程能力去调度大量的打算资源，可以同时调度不同的云打算平台，在很短韶光内支配百万核级的CPU打算资源。

上述三大底层技能结合构成了晶泰科技最根本的打算，快和准是基本技能能力表示。
尤其在晶型打算上，赖力鹏表示，他们在环球范围内可能没有竞争对手。

为打算能力供应根本保障的还有数据。
晶泰科技会尽可能去整合来自不同数据库的公开数据，包括详细项目中互助方的实验数据，目前已积累千亿规模的数据。
同时，他们也会调用大量的打算资源去做高精度的打算，积累上百万到上千万的高精度打算数据来演习AI模型，从而提高模型预测精度。
不过，由于他们利用的量子物理化学等算法可以更好的描述问题，以是对数据的依赖性相对更低。

赖力鹏再一次强调该当从底层问题出发，考虑利用不同方法的上风进行组合，以办理问题。

办理问题是根本，现在已不是观点的风口

近几年算力、数据和各种机器学习框架和算法的涌现，带动了AI在不同行业的场景落地和发展，药企开始重视新技能在医药行业中运用的可能性。

面向未来，晶泰科技会在技能层面加深方法上的研究，在量子打算、AI方法以及云打算资源三方面技能优点做更紧密的衔接。
其余，他们也操持将分子设计技能拓展到高能材料等新领域进行探索。

赖力鹏说，AI的技能一定要和已有的根本打算技能相结合：通过AI的学习能力和创造能力，为药物创造供应更多可考虑的化合物分子，其次，在药物筛选的早期利用多种打算方法做综合评估，优先各方面性子更空想、研发风险低的分子，就可以降落那些后期的失落败风险和韶光本钱，而仅凭实验无法做到这一点。

业务层面，不同于很多企业扎根在一、两个领域去做一些项目，他们希望做成一个赋能药物研发的综合平台，看重办理一些底层共性问题，对详细医药项目的类型没有限定。

晶泰的平台架构已初步成型，他们操持进一步扩大包括与大型跨国药企和创新型生物科技公司在内的互助。
目前，晶泰科技已与包括辉瑞在内的40多家药企互助，尤其在晶型研究环节改变药企的新药研发流程。
而他们的人工智能医药研发平台与创新药企互助所创造的药物分子，已经进入临床前研究阶段。

从行业角度，他认为在AI的浪潮之下，初创公司和药企会更重视数据的构造化和数据网络，以是未来在企业内部和公开领域，数据的数量和质量都会有很大提升，这将为AI的进一步落地和运用供应更好的机会。

但无论技能如何推陈出新，赖力鹏认为行业归根结底都该当从问题出发，“要看重技能是不是真实办理了药企在研发中的需求，评判标准便是付费互助，现在实在已经不是处在观点的风口，大家现在更该当积极的把技能转化成能够真实办理研发需求的办理方案。
”