去年12月，一個生物學家會議在墨西哥坎昆召開，回顧了一個令人震驚的發(fā)現。Alphabet的人工智能實驗室DeepMind擊敗了一屋子生物學家，贏得了一場基于基因密碼預測蛋白質形狀的比賽。

這聽起來可能不具有里程碑式的意義，但理解蛋白質折疊成三維形狀的方式對協助制作藥物至關重要。藥物通常通過附著在蛋白質上并改變它們在體內的運作方式來對抗疾病。DeepMind能夠預測這些蛋白質的形狀，其準確性遠遠高于許多受人尊敬的學者和專業(yè)人士在會議上的預測。

參加此次比賽的哈佛大學生物學家兼研究員Mohammed AlQuraishi在接受外媒采訪時說：“這是一個人們已經從事了幾十年的領域。但是一個新團隊能夠如此迅速地進入并取得如此好的成績，讓我對學術界的結構性低效倍感失望�！�

對于藥物研發(fā)行業(yè)來說，這是一個令人震驚的時刻：一個幾乎沒有生物學經驗的局外人真的能比專家們更擅長科學？！

DeepMind的發(fā)現引發(fā)了人們的疑問：如果大型制藥公司不得不與Alphabet競爭，它們能否在自己的行業(yè)保持主導地位呢？儼然，Alphabet作為一家人工智能巨擘，已穩(wěn)步建立起行業(yè)可信度。

但這不僅僅只是取代而已。現實情況是，許多新公司正競相改變藥物的生產方式，利用人工智能作為研究的加速器。

今天的制藥巨頭比任何人都更清楚這一前景。他們正在投資自建的人工智能實驗室，并與風險投資家一道，將大量資金投入有人工智能傾向的藥物研發(fā)初創(chuàng)企業(yè)。根據Pitchbook的數據顯示，2018年，美國藥物研發(fā)公司共融資94億美元，而今年截至目前，這些企業(yè)融資金額已達44億美元。

無論是誰贏得了這場藥物研發(fā)競賽，人工智能都將永遠影響藥物的生產方式。

大型制藥公司保住龍頭地位的戰(zhàn)略

早在DeepMind獲勝之前，大型制藥公司就開始使用人工智能。但面對DeepMind和一大批后起之秀日益激烈的競爭，許多制藥公司都在向初創(chuàng)企業(yè)進行外部投資，即使這可能意味著為它們最終將與之競爭的公司提供資金。

例如，強生是BlackThorn的投資者之一，這家研發(fā)治療精神疾病藥物的公司今年早些時候融資7500萬美元。該公司使用大腦圖像來更好地了解潛在藥物將如何影響精神狀態(tài)。BlackThorn將于今年年底開始對一種治療重度抑郁癥的潛在藥物進行第二階段臨床試驗，如果最終獲得批準，這種藥物將直接與強生公司制藥部門最近推出的一種藥物競爭。

強生還與另一家名為BenevolentAI的公司簽署了協議，這家公司主要使用科學文獻訓練算法，以便在人體中找到正確的目標。這些相互競爭的投資組合顯示，強生的投資戰(zhàn)略是全面撒網。不僅如此，諾華（Novartis，瑞士制藥公司）、阿斯利康（AstraZeneca）和葛蘭素史克（GlaxoSmithKline，英國制藥公司）等制藥公司都與人工智能新貴簽署了協議。如果這些公司中有任何一家提出開創(chuàng)性的配方，傳統(tǒng)制藥公司已經準備好從中受益。

雖然所有的創(chuàng)業(yè)公司都不缺技術，但是大型制藥公司有足夠的財力和規(guī)模來推進其研發(fā)藥物的商業(yè)化，從實驗室走向臨床。通過這樣的形式，他們將會通力協作來擊敗類似于DeepMind的潛在威脅。

從頭開始重建制藥公司

這個領域的初創(chuàng)企業(yè)有自己的特權。一些年輕的公司希望成為研發(fā)的新力量，把臨床測試留給大公司。其他創(chuàng)業(yè)公司目前正在與大型制藥公司合作，但他們希望最終能夠完全取代大型藥物研發(fā)公司。

新手藥物獵人Insilico是一家專注于長壽的生物技術公司。今年9月，該公司披露曾在21天內使用人工智能設計出一種潛在的藥物。這個過程只花費了15萬美元，在藥物發(fā)現領域是一個小數目，而且用了幾天而不是幾年的時間來證明使用機器學習算法創(chuàng)造新藥的前景。到目前為止，它已經在老鼠身上顯示出成效。隨后，該公司融資3700萬美元，并計劃與制藥公司合作進行人體試驗。

Insilico在現存的研究和科研學習中訓練其機器學習系統(tǒng)，然后由其合作伙伴來進行臨床研究。這一戰(zhàn)略是為了擴大現有的制藥業(yè)，利用工具可以更快地使?jié)撛诜肿语@露。然后，它依靠這些公司來驗證潛在的藥物是否真的有效。

一些研究人員正在討論Insilico究竟有多大突破性進展�！艾F實是……這不是一個飛躍�！比斯ぶ悄芩幬镅邪l(fā)初創(chuàng)公司Recursion （Insilicon的直接競爭對手之一）的首席執(zhí)行官Chris Gibson表示，“盡管Insilico的發(fā)現很重大，發(fā)現了一個未曾被人類所知的新分子，但這仍然是一個漸進的突破，因為新的分子只是和科學家已經發(fā)現的抑制劑略有不同�！逼渌�批評者指出，人類研究人員或許能夠在類似的時間框架內找到這種分子。

Gibson認為DeepMind的蛋白質折疊預測存在問題，該領域的其他研究人員也對此表示贊同。他說，雖然這令人印象深刻，但它只是整個藥物發(fā)現方程式的一部分。 Gibson對僅靠人工智能就能取得多大成就持懷疑態(tài)度，盡管他看好這項技術。

他認為，要想在藥物發(fā)現方面取得真正的進展，就需要從頭開始改造制藥公司。與制藥巨頭將研發(fā)外包給人工智能初創(chuàng)企業(yè)不同，科學家在尋找新藥時應該與人工智能合作。

他相信這種方法的部分原因是，他認為要獲得最佳結果，就需要生成并消化為人工智能量身定制的數據。他認為，利用現有信息訓練算法的藥物研發(fā)公司可能會發(fā)現，從長期來看，他們的結果可能不夠理想，因為他們使用的數據是在沒有考慮機器學習的情況下編寫的。

即使人工智能的前景無可限量，創(chuàng)造一種新藥仍然是一項艱巨的任務。Gibson說：“對我們這個行業(yè)來說，十多年來真正的挑戰(zhàn)是，我們投入臨床的90％的藥物都失敗了，這意味著我們有九成的幾率是錯誤的。為了讓人工智能證明它作為一種工具的價值，它不能僅僅滿足它必須達到的10％的成功率。人工智能已經改變了制藥過程，但如果DeepMind要取代生物學家，那也不是近期就能速成的�！�