当谷歌在2021年通过AlphaFold震撼了生物技术界时，似乎药物开发领域的人工智能革命即将来临。然而，谷歌用于蛋白质折叠的丰富数据集却是一个例外，而不是规则。
在今天波士顿举行的BIO 2025会议上，制药和生物技术领域的领导者们讨论了人工智能在药物开发生命周期中的现状以及当前的一些减速和挑战。
“为什么我们在蛋白质领域首先看到了AlphaFold的重大突破？因为我们有几十年的数据可以应用人工智能。”Lila Biosciences未来科学部门的联合创始人兼总裁莫莉·吉布森在BIO的人工智能峰会上表示，“我们现在看到的是一个遇到数据壁垒的时刻。在我们拥有数据、已经整理好数据的地方，我们看到了很好的表现。而在我们没有数据的地方，比如临床试验、人体试验，以及需要进入现实世界的地方，我们要么必须找到获取数据的方法，要么必须以新的方式创新。”
这个挑战，即找到或构建好的、可用的数据集，也是在日益拥挤的生物技术AI市场中最大的差异化因素之一，演讲者们一致认为。
“就人工智能的本质而言，最终归结于训练模型的数据。这些数据来自哪里？数据的质量如何？模型的性能如何？你如何定义性能？”Valspring Capital的合伙人迈克·奥布莱恩说，“有很多大型玩家在AI领域，但如果你能通过非常细分的领域并拥有支持它的数据来区分自己，这将非常吸引投资者。实际上，你所在领域的大型玩家会更多地将你看作是一项大的投资或收购目标，而不是一个明天就会把你挤出去的竞争对手。”
健康投资者兼Gallop Oncology首席执行官卢巴·格林伍德建议，这种数据稀缺也是一个机会——如果不是一种责任的话——对于大型制药公司来说。
“我认为这是制药公司可以引领潮流的地方，”她说，“你们用那些临床数据在做什么？”
价值链中的AI
随着AI在所有行业中变得越来越重要，制药和生物技术公司正在寻求在整个组织中使用它，以最大化其效率收益。
“如果你看看整个研发价值链，有很多步骤涉及数据管理、协议生成、信息搜索等，所有这些都导致IND申请。一旦过了IND申请阶段，进入临床试验设置，就需要查看大量数据，”NVIDIA医疗保健和生命科学部门的产品营销主管维加·沙阿说，“我们确实看到大语言模型在这方面有所帮助。”
默克公司的数据、AI和基因组科学副总裁伊亚·哈利尔观察到，在许多不同领域使用AI需要拥有多支具有特定技能的AI团队。
“专注于靶点识别的AI团队可能与你需要引入的化学和分子设计AI团队不同，也不同于专注于临床试验优化的团队，”她说，“这就是你必须思考的方式。设计你的组织，让AI嵌入到关系的每个部分，这样从头到尾你都能获得加速。我们看到项目从几个月的分子设计缩短到几周，这是一个很大的进展。”
然而，如果不能将许多离散的AI工具协调成一个工作流，它们也可能成为一个问题。
“我们看到很多一次性AI工具，但在实践中将它们串联起来非常困难，使它们成为运营AI系统仍然是我们每天面临的挑战，”礼来的模型驱动药物发现副总裁韦伯斯特说，“因此，在礼来，我们从另一个方向着手。如何为整个分子生命周期优化AI解决方案，而不仅仅是结合亲和力？投资者真正寻找的是伪装成AI公司的运营转型公司。”
合作方式的转变
随着AI对制药公司越来越重要，它正在推动他们与其技术合作伙伴合作方式的变化。
“我看到在我们如何看待合作方面有一个根本性的转变，”韦伯斯特说，“我们不再将AI公司视为服务提供商，而是将其视为紧密的合作伙伴。我们希望他们融入我们的药物发现团队。……这导致了一种挫败感。仍然有很多公司试图销售多功能工具。我正在寻找一家能够很好地解决一个非常狭窄问题的公司，而不是试图解决所有问题。”
对于生物技术公司来说，也有机会成为更紧密的合作伙伴——但再一次，关键是数据。
“生物技术和初创公司是创新的发源地，”赛诺菲mRNA卓越中心的科学战略和情报主管阿肖卡·马杜里说，“我认为大型制药公司正在超越单纯的许可交易，转向更加集成的长期合作，以站在创新的前沿，真正成为将这些技术带给患者的合作伙伴。对于药物发现公司来说，关键是要有比较数据。”
慢慢来，不要急
尽管AI对话的很多焦点都在节省时间和提高效率上，但过于关注速度是很重要的。
“对于那些从事机器学习的人来说，当你用这些计算工具处理生物或化学数据时，事情是这样的：AI很懒。它会给你一个答案。它知道你想要一个答案，它会给你。我们的工作是确保有流程来确保这些答案是真实的，”Insitro首席财务官玛丽·罗岑曼说。
“你需要继续保持谨慎，继续严谨，因为这些最终还是治疗项目。这是我们行业的一个错误，过度关注速度。认为AI应该使事情更快，那么让我们尽可能快地跑。不——我们应该推进最高质量的项目，这才是最终会产生阶跃变化的关键。”
(全文结束)
