在旧金山举行的摩根大通医疗保健会议上，AI药物发现的宣传内容已司空见惯：缩短研发周期、自动化瓶颈环节、将原本耗时十余年且耗费数十亿美元的流程大幅压缩。多年来，行业一直将速度和成本作为首要衡量指标。
然而，数据仍指向错误方向。根据德勤2025年分析报告，2024年每项药物资产的开发成本升至22.3亿美元，高于前一年的21.2亿美元。
Aqemia首席执行官兼联合创始人马克西米利安·勒韦斯克（Maximilien Levesque）认为他明白原因所在。"人们观察到[AI]提升了效率，但这种效率仅体现在制造与以往相同的分子上……在化学领域，我们称之为'仿制药物'（me-toos）"，他在摩根大通会议期间接受采访时说道，"如果你的[AI]只用法语训练，它永远无法发明英语。"这意味着基于现有分子数据训练的AI模型虽能加速已知化学反应，但在缺乏先例的情况下难以生成真正创新的化学物质。
勒韦斯克进一步指出，即使AI确实提升了药物发现效率，它也抬高了全行业的竞争门槛。"以中国为例，其竞争力正日益增强。如果[AI]带来效率提升，那么它同样惠及中国生态系统，"他表示。AI驱动的速度增益具有对称性：所有掌握相同工具的竞争对手都能平等获益。
成立于2019年的Aqemia同样押注AI技术，但提出了差异化价值主张：创新优先于效率。当前多数AI药物发现平台仅从已合成测试的分子中学习模式，勒韦斯克认为这种方法存在结构性局限。Aqemia则采用基于物理的计算评估原子级相互作用，再通过生成式方法优化结果。
"我们正在探索其他AI公司不敢涉足的化学空间：那些完全超出其训练集范围的新分子，"勒韦斯克强调，"它们的模型根本无法发明和预测这些分子。"
登月计划
Aqemia将其策略称为"登月计划"，但并非孤注一掷。公司针对单一适应症同时运行多个并行项目，将药物发现视为投资组合问题。
以胰腺癌为例——这种最致命的实体肿瘤之一。Aqemia没有仅推进单一候选药物并寄望其通过90%以上的临床淘汰率，而是通过不同生物策略规划了约20个独立研究项目。勒韦斯克透露，目前有五个胰腺癌项目正在推进，涵盖命中优化、早期先导化合物到后期优化全流程，其中多个项目已进入动物模型疗效验证阶段。
"即使单个项目的成功概率仅百分之几，但通过并行运行20个项目，我们终将取得突破，"勒韦斯克解释道，"这不是试图战胜概率，而是运用统计学原理。"
该策略依赖于低成本生成与测试候选药物的能力。勒韦斯克宣称，Aqemia的物理计算方法能以极低算力筛选数十亿分子，而依赖暴力计算的竞争对手仅能处理数百个。"我们的计算效率极高，这使我们成为唯一能用物理驱动生成式AI的公司。我们的物理学方法既高效又不依赖算力密集型操作，"他补充道。
勒韦斯克指出关键瓶颈：传统基于物理的评分速度过慢，难以支撑生成平台运行。竞争对手"需动用超级计算机暴力破解"分子Ornstein-Zernike（MOZ）方程，而Aqemia掌握解析密钥。"如同他们暴力破解方程，而我们知晓密码，"他比喻道，"当对手最多测试数百分子时，我们能完成数十亿分子的计算机筛选。"
与大型制药公司的合作
除内部研发管线外，Aqemia已与多家制药巨头建立合作。2023年底宣布的与赛诺菲（Sanofi）的多年期合作价值高达1.4亿美元，覆盖多个治疗领域。公司还与强生（Johnson & Johnson）和赛诺维（Servier）达成研发协议。勒韦斯克说明合作模式："他们提名靶点，凭借对疾病生物学的深刻理解，我们共同推进研发。"
就内部开发而言，勒韦斯克表示目标是在未来12个月内将至少一个内部项目推进至临床阶段。
长远来看，Aqemia致力于将"登月计划"发展为标准化运营模式。"我们聚焦最高未满足医疗需求，确保问题真实存在，"勒韦斯克强调，"并用20个差异化方案同时攻坚。"公司会及时终止数据表现不佳的项目，"目前针对胰腺癌的五个项目均已达到动物模型疗效验证阶段，"他补充道。
【全文结束】
