AI制藥難以逾越的堵點 | 人人能懂的產業報告
提到“AI制藥”，很多人的期待就是能通過人工智能縮短新藥研發周期，并降低成本。資本市場上，相關企業近年來也備受投資者關注。
但現實是，直到今天也沒有一款純AI研發的藥物上市。有幾個堵點是AI制藥難以跨越的，且絕非靠資本之力便能輕易突圍。
今天這份報告，用直白的語言拆解這些堵點，以供參考。
一、第一關：數據饑荒雜又亂，沒飯吃還吃錯飯
眾所周知，AI要發揮作用，就得學習人類經驗，而經驗的呈現形式就是數據。
對AI制藥來說，需要的數據是藥物分子結構、蛋白質作用機制、臨床試驗結果等精準的數據。問題是，這些數據要么是不夠，要么是不咋準。
1.1首先是數據孤島導致的短缺問題
制藥行業的核心數據位于很多地方，比如醫院的病歷數據、藥企的實驗數據、監管部門的審批數據等等。這些數據中的很多都是不互通的，各組織、機構、單位都把數據看作自己的機密。
那么從產業角度來看，AI就沒法充分學習產業內的各類數據。
1.2 其次是數據雜亂導致的“吃錯飯”
在不同的實驗室里，被使用的儀器、試劑可能是不一樣的，記錄數據的方式也有區別。
就好像有人用中文記菜譜，有人用西班牙語記，還有人喜歡用俚語和方言。
這對AI而言是很大的麻煩，沒法統一解讀。
1.3 但更麻煩的，是成功偏見所引發的數據不完整問題。
無論是學界還是工業界，都喜歡公布成功的實驗結果，而失敗的數據卻常被束之高閣。
比如某種分子無效、某個靶點沒作用之類的記錄，幾乎是不會對外公開的。
這就像啥呢，就像只給AI看成功的菜譜，卻不告訴它哪些食材搭配會失敗，那么AI學完后就會不停推薦它學到的“成功配方”，從而在錯誤的方向上越走越遠……
二、第二關：算法“黑盒”難解釋，監管審批難過關
如果說數據是AI的糧食，那算法就是它的大腦瓜。只不過，這個大腦瓜有個大問題：它具體是怎么思考、怎么得出結論的，沒人能講清楚。這就是所謂“黑盒”問題。
對制藥領域而言，“黑盒”可能會是致命的。因為一款藥要上市，必須向監管部門說清為啥這個分子能治病、怎么保證安全。
但AI在給出藥物分子或靶點時，說不出具體為啥得出這個結論，只告訴你模型就是這么算的，沒法很科學、精確地解釋清楚潛在風險。
譬如說，AI可能因為數據里的某個偏差，優先推薦有隱藏毒性的分子，人類卻因為“黑盒”問題發現不了。
所以這就給監管部門帶來了麻煩。就好比老師改卷子，肯定不能只看考生最后的答案，還得看推演步驟。
這個“沒步驟”的問題，讓AI制藥過不了監管審批這道關。
除此之外，算法還容易過時。
藥物研發中，患者人群的特征、疾病定義、診療指南等要素都可能時常變化，這些變化會讓AI模型的預測結果越來越不準，即所謂“數據漂移”是也。
比方說，AI原本是基于老的患者數據訓練，那么當變異病種出現，AI就可能一臉懵，給的治療方案是老的、錯的，這對制藥來說是巨大的風險。
三、第三關：臨床轉化掉鏈子，實驗病床差距大
退一步講，即便AI在實驗室里算出了優秀的候選藥物，也不代表其能成功走到患者面前。
因為需要臨床試驗。
傳統的臨床試驗本身就是高淘汰區，AI雖然能提高早期實驗的成功率，但臨床階段是另一回事。
一方面，AI很難模擬復雜的人體環境。
實驗室里的細胞、動物實驗數據，和真實人體差距很大。
AI即便能算出藥物分子和靶蛋白的結合模式，也無法確認藥物進入人體后會被如何吸收和代謝，以及是否會和其他器官發生反應。
另一方面，AI在臨床試驗中的輔助作用也受限制。
比如患者招募。
AI需要通過精準的畫像來找合適的患者，但因為數據不互通，很難跨醫院整合患者信息，那招募效率就提不上來。
再比如臨床試驗中的數據監測，需要實時處理海量數據、及時調整方案，對AI的算力和實時響應能力要求極高，目前的技術還很難完全滿足。
四、第四關：算力成本高，中小企業玩不起
AI制藥是個燒錢的活，除了研發投入，算力成本也是一大負擔。要處理海量的分子數據、模擬復雜的生物反應，需要超強的計算能力。對大型藥企來說，這都是一筆不小的開支；對中小企業而言，更是玩不起的門檻。
這就導致“馬太效應”的浮現：只有少數有資金、有資源的大企業能持續投入，中小企業要么靠融資勉強維持，要么只能在細分領域撲騰。
創新往往來自多元化的探索，而算力門檻讓很多中小團隊難以將自己的愿景落地，間接也就延緩了整個行業的前進步伐。
五、總結：AI制藥是場漫長的馬拉松
AI制藥的潛力毋庸置疑，它有助于人類應對腫瘤、自免疾病、代謝疾病等未被滿足的醫療需求，給醫學界帶來了新的曙光。但要把潛力完全兌現，還有包括而不限于上述幾大門檻需要跨越：
有專家預測，2030年可能是AI制藥的關鍵時間點。但研發藥物從來都是一件需要耐心和嚴謹的事，AI或許能加速進度，但不能跳過必要的“闖關”步驟。
END
原文標題 : AI制藥難以逾越的堵點 | 人人能懂的產業報告
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
圖片新聞
