数据科技|有关AI制药的4问4答


原标题:数据科技|有关AI制药的4问4答 来源:中信证券研究

文丨张若海  陈竹  刘泽序

全球产业资本近三年重金押注AI制药科技公司,助力解决新药研发成功率低、成本高、研发周期长等问题。相对开放和全面的文献数据,有助于初期行业的蓬勃发展和算法的快速迭代,商业化全面提速。同时核心的临床研发数据的稀缺特性,也给行业中期的护城河确立了明确的门槛。但作为一个新兴行业,市场仍然存在很多困惑,本篇报告聚焦几个热点问题,进行全面数据梳理并解答。

▍Q1:如何从高管背景、技术平台架构、商业化进展等维度评价国内的AI制药公司?

新药研发涉及环节多、周期长,不同场景的领域知识差异很大,所需要的技术架构和专业知识也千差万别。所以大多数初创型AI制药企业更多从中选择一两个细分环节或领域切入,构建自身的差异化壁垒,这种模式在发展初期较为明智。例如,晶泰科技是典型的从一个环节入手的公司,主要聚焦于药物固态研发环节,包括晶型预测、固态筛选、结构确定等;未知君是典型的从一个细分领域入手的公司,主要聚焦于肠道微生物AI制药公司,产品包括全菌和配方菌胶囊等。

▍Q2:有哪些AI参与的管线,推进到临床试验环节?

目前尚未有一个主要通过AI方法筛出的药物,获得FDA批准实现上市。但目前有些AI制药公司通过AI的方法已经获得多个可以做临床实验的PDC的化合物,或者是接近到临床实验的阶段。2020年1月是AI制药临床元年,英国AI制药企业Exscientia与日本药企Sumitomo Dainippon由AI人工智能研发的新药候补化合物进入第一阶段临床,这是世界首次使用人工智能AI开发药物的临床试验。据我们对海外部分AI制药公司官网披露管线的不完全统计,目前全球范围内,AI主导的管线进入临床阶段的已超过20余项。

▍Q3:如何评价两种不同的AI制药技术路径?

物理计算和AI计算各有所长,相辅相成。AI更适合存量数据多的环节以及高通量环节。比如虚拟分子产生、批量的性质预测,包括可合成性评价、自动化合成等领域。物理计算精度非常高,同时对于算力的要求也非常高。所以,物理计算更适合确定靶点之后,更精准地挖掘。而AI的方法则是在数据条件允许的情况下,能够快速探索,找到更多用于后期精准计算和实验测试的源头。

▍Q4:药学专家在AI制药中承担什么角色?

药学专家在AI制药的多个环节参与重要工作,包括但不限于以下场景:

1)数据标注:数据库中已有的数据本身就可以理解为经过专家标注的数据。在数据不足的情况下,也需要医药专家做培训,雇佣一般人员进行标注。

2)模型选择:在这一环节,医药专家也扮演了对将药学问题抽象成计算机问题的“产品经理”的角色。

3)模型训练:选择合适的训练trick需要较强的专业经验。准确的设置训练目标阈值,既要提升效果又需要防止过拟合和节约时间成本,也需要较强的专业经验。

4)模型测试:在模型完成训练后,在推理阶段,医药专家对模型推理的结果是否合理的判断。

▍风险提示:

一级市场投资热情降温;AI算法应用效果不及预期。

▍投资建议:

头部产业资本持续加码AI新药研发科技公司,行业蓬勃快速发展。在新兴公司方面,我们建议关注在技术背景雄厚,大药企客户开拓方面领先的晶泰科技,在新药研发流程实现全覆盖的深度智耀。对于二级市场生物医药领域方面,我们重点推荐临床研发数据积累最为雄厚的平台型药企,如恒瑞医药复星医药,和引入AI新药研发技术较为领先的药明康德(维权)、关注美迪西丽珠集团等。