圆壹智慧创始人兼CEO 潘麓蓉：AI制药工业落地的痛点与前进方向

摘要：2022 年 8 月 5 日，2022 阿里云生命科学与智能计算峰会在北京望京昆泰酒店举行，圆壹智慧创始人兼首席执行官潘麓蓉博士，带来了题为《The Challenges and Future Directions of AI in pharmaceutical industry》的分享，以下是她的演讲内容整理，供大家阅览：

圆壹智慧创始人兼 CEO 潘麓蓉

美国 NIH 的 4D map 是全球制药行业的行业金标准。以小分子为例，从靶点的识别到先导化合物的发现、优化，从 early discovery 到 development 再到最终的 clinical trial，中间的每一步都已经有非常成熟的方法论、实验平台、理论指导以及监管标准。

然而，该系统的数字化程度非常低，制药行业也是所有行业中数字化程度相对较低的行业。

转化医学、生物标志化合物相关的数据、临床数据、监管数据、医保数据以及临床采样和体外采样的信号数据，都需要由不同的机构和科研人员负责。基于此，制药工业想要在系统上提效，只有两个方法：第一，将整个系统进行重新定义；第二，从过去的历史数据中去掉杂音、找到信号，并用最先进的方法论取代过时的方法论。

上图为药筛流程。从第一步到最后一步需要进行的实验数量决定了最终的系统效率。传统流程基本需要从 2 万个分子筛至一个分子，盲筛则基本需要 200 万个分子作为起点。而如果能实现以 100 个分子作为起点，则整个行业的投入和耗时将得到 80%以上的节省。

以上筛选流程已经沿用多年，但过去 10 年的投入产出比在逐年下降。因此我们需要考虑：如何突破现有的筛选流程？能否通过 AI 帮助提升效率？

严格意义上来说，AI 并不是一种工具，因为工具需要人来使用，而 AI 可以进行自优化，不需要人类帮助也能实现目的。在 AI 的学科定义里，它需要具备像人一样的思考和行为能力，最后还需经过图灵测试等方式的确认。

但将 AI 应用于制药行业，最大的难点在于如何为 AI 定义目标。比如制药问题上，目标可以是优化选择性，也可以是优化整体的体内药效，还可以是优化最终的适用病人群体。如果给予 AI 足够的数据，实际上它可以通过自己的办法实现目标。

因此，人需要做两件事：首先明确目标，其次明确需要喂给 AI 什么样的数据和规则，最终由 AI 负责实现目标。

人工智能本身是一个交叉学科，而制药也是涉及到生物化学、细胞生物学、生理学等多维度信息的学科。如何将众多庞大的学科体系进行高效地融合，是我们面临的最大挑战。

上图涵盖的数据基本涵盖了制药行业所有计算的输入。QM（量子力