来自BCG的最新研究，首次对此做了初步的剖析，结果创造：

AI天生的药物分子在I期临床试验中，成功率高达80%-90%，而历史均匀水平约为50%。

这项研究已揭橥在爱思唯尔《Drug Discovery Today》六月刊上。

原文地址：https://doi.org/10.1016/j.drudis.2024.104009

详细来说，研究职员对100+家「AI原生」生物技能公司临床管线进行首次剖析。

除了I期，在II期临床试验中，AI创造药物分子的成功率为40%。

结果表明，AI在设计或识别具有药物特性的分子方面，具有很强的能力，愈加证明了AI创造分子的临床潜力。

而AI在刚刚在不到一年的韶光里，已经预测了2亿个蛋白质的构造宇宙。

上周重磅发布的AlphaFold 3，更因此前所未有的「原子精度」，预测出所有的生物分子构造和相互浸染。

谷歌DeepMind联合创始人，CEO Demis Hassabis在采访中激动地表示，「AI能为人类做的第一件事，便是治愈数百种疾病」。

乃至有网友称，「谷歌用AI自动化了十亿年的博士韶光。
传统的药物创造过程是一场马拉松，从观点到临床须要12-18年韶光。
而借助像AlphaFold这样的AI技能，只需5年或更短的韶光实现」。

未来，或许人工智能可以帮助人类摘下药物创造的圣杯。

而下一个关键问题是，AI创造的药物，详细在临床试验中表现如何？

让我们从BCG的研究中，一探究竟。

AI药物创造，深入医疗革命

传统上，药物创造一贯是一个既费时又昂贵的过程，并充满了不愿定性。

只管利用了前沿的实验技能，但许多科研项目仍旧步履维艰。
即便终极成功，它们常日也须要耗时多年才能完成。

特殊是新型小分子药物，常日须要4-6年韶光才能创造。

而其他类型的药物（如生物制品和疫苗）虽然可能创造速率更快、成功率更高，但其创造过程依然繁芜且风险较大。

人工智能的涌现，有望彻底改造药物创造。

它可以在打算机中，仿照实行许多耗时、重复且本钱高昂的过程，并极大地扩展了探索规模。

目前，在药物创造中，用到的有影响力的AI技能有：

用知识图谱挖掘OMICs数据及其他信息，帮助理解疾病生物学、确定药物靶点和生物标记物；利用天生式AI设计小分子药物；利用AI驱动的构造预测算法，如AlphaFold，优化抗体及其他蛋白质的设计；AI重新利用药物分子，以及许多其他运用。

过去十年里，随着这些技能的运用，由AI创造的药物和疫苗分子数量显著增加。

2022年的数据显示，AI创造的小分子数量呈「指数」增长，并已开始与传统方法创造的小分子数量相匹配。

原文地址：https://www.nature.com/articles/d41573-022-00025-1

这一趋势，从那时起一贯在连续。
与此同时，AI创造的「生物制剂」也显示出类似的增长趋势，只管其数量仍较少。

其余，Nature宣布中，还不雅观察到了AI开始加速药物创造的韶光线。

如下，是24家AI本土药物创造公司，显示了AI驱动药物创造的增长趋势。

左图a是专注于利用人工智能进行药物创造的公司，右图b是，排名前20的制药公司。

显然，制药行业已经在研发中广泛采取了AI。

到2024年初，环球TOP 20大型制药公司均已入局AI的科研中。
并且，这些科研活动，很大一部分都是通过与专门形式「AI原生」生物技能公司互助开展。

因此，在过去5年中，人工智能创造了越来越多的药物和疫苗。

只管这一领域已经取得了很大的进展，但依然存在许多待办理的问题。

个中最关键的问题之一便是，关于AI创造的分子的质量问题，尤其是它们在临床试验中的安全性和有效性。

为理解答这些问题，BCG对全体行业中AI创造的药物和疫苗进行了首次剖析，特殊是它们的临床成功率。

不过研究职员同时指出，由于这些分子在临床试验中的数量有限，且该领域正在迅速发展，因此目前的剖析还很初步。

但鉴于这一议题对全体行业的主要性，他们认为，有必要报告这些早期的证据，并磋商它们可能带来的影响。

首次探索AI天生药物，在临床试验表现

为了对全体行业进行具有代表性的调查，这项研究利用了超过100家AI原生的生物技能公司公开拓表的研发管线数据，并进行了应时更新与交叉验证。

AI技能在创造药物分子方面的运用紧张有以下几种模式：

含有AI创造的药物靶点的分子AI创造的小分子AI创造的生物制剂AI创造的疫苗AI改造已知分子

由于每种创造模式可能会导致截然不同的临床试验成功率，因此论文中对不同创造模式的分子进行了分类统计。

自2015年以来，「AI原生」生物技能公司及其互助的制药公司已经将75种分子引入临床试验，个中67种分子至2023年仍在进行试验。

过去十年里，每年利用AI创造的分子数呈指数级增长，年复合增长率超过60%，这表明AI在药物创造阶段已经取得显著进展，而且这种趋势正扩展到临床试验阶段。

这些药物分子涵盖了多个治疗领域，个中肿瘤治疗尤为突出，占比约50%。

AI主导的生物技能公司创造并进入临床试验的分子数量（包括与制药公司互助创造的分子，打消了与COVID-19干系的分子） (a) 按临床阶段分类 (b) 按创造模式

每种AI创造模式有不同的发展节奏，而且在实际运用中呈现日益多样化的趋势。

2020年以前，AI改造已知分子是主导模式，之后占比逐渐低落并趋于平稳，2023年时达到15%旁边。

比较之下，其他创造模式都在快速发展。
目前，AI创造小分子的模式占比最大，2023年超过了30%。
而且AI创造靶点的分子也在加速进入临床试验，个中很多也属于小分子。

接下来，文章将AI创造的分子进入临床试验后的成功率进行了比较和剖析。

一期临床试验，成功率80-90%

截至2023年12月，有24种AI创造的分子完成了第一阶段临床试验，个中21种取得了成功（图2a），成功率介于80%~90%，明显高于行业历史均匀水平的40%~65%。

失落败的3个分子中，只有1个是由于没有达到评估标准，其他2个是由于公司的业务决策和研发管线的调度而被终止试验。

在第一阶段的数据中，不同创造模式的临床成功率基本持平（图2b）。

图2. 迄今为止AI创造的分子在临床试验中的成功率 (a) 根据临床试验阶段划分 (b) 根据创造模式划分，已完成第一阶段临床试验的分子

在第二阶段，有10种AI创造的分子完成了试验，个中4种取得了成功，成功率为40%，与过去行业均匀水平30-40%持平。

停息或终止试验的6种分子中，个中只有2种是由于数据结果不理想，其他4种均是公司的商业缘故原由导致退出试验。

AI创造的分子在第一阶段的临床试验中的成功率如此之高，背后可能有多种缘故原由。
其一是AI方向于给出经由充分验证的生物靶点或通路，这减少了目标分子存在毒性的风险。

这个成分有一定影响，但不是绝对的。
文章创造，通过第一阶段的分子中至少有3种含有创新的靶点。

第二个可能的缘故原由是作者提出的一种假设，即AI算法已经在成熟分子的数据上经由演习，因此可以对分子构造进行有效的微调与优化。

但这种说法也并没有足够的证据支撑，而且之前的研究曾表明，AI算法可以被用于探索新的化学构造，而不仅仅是对已知构造的微调。

或许我们可以将第一阶段的高成功率理解为，AI算法已经非常有能力设计或选择药物分子，包括有精良ADME性能和安全特色的新型分子，尤其是考虑到每一种创造模式的成功率都比较均衡。

只管现在断言AI已经办理了一样平常意义上的分子设计问题还为时尚早，但这份结果可以供应给我们一个初步的观点，一种可能性的思考——用于药物创造的AI算法究竟可以达到什么程度的造诣。

第二阶段的数据表明AI创造分子的成功率约为40%，与过去的行业均匀水平基本同等。

由于第二阶段常日涉及生物或机制观点的验证，AI算法成功率的低落表明，虽然有能力识别与疾病干系的靶点和通路，但仍存在改进空间。
此外，药物创造领域的难关——实现临床疗效，依旧具有寻衅性。

然而，这项剖析存在一些数据方面的限定和不敷，首先是样本量较小，其次是没有包括很多大型制药公司独立用AI创造的药物分子。
未来随着更多数据的涌现，临床成功率可能会发生比较显著的变革。

药物研发效率翻倍

BGC最新报告，首次揭示了AI创造的分子在临床试验中的潜力，并为未来AI驱动的研发供应关键一瞥。

而要探索这些创造在全体行业中的影响，还须要做一个「思维实验」。

如果按研究职员不雅观察到的，AI创造的分子在第一和第二阶段的成功率，并假设这些在未来仍将持续。

再结合历史上第三阶段的成功率，可以看到：

一个分子从临床首期到终期试验的成功率，可能从5-10%增加到约9-18%。

这相称于，AI将药物研发效率，提高了2倍。

也就意味着，生物技能公司能够以更少的资源、本钱实现相同的产出，或在相同的资源下增加新药的上市数量。

除了已经不雅观察到的结果，还有情由相信AI能进一步提升临床表现，特殊是在II期和III期阶段的实验中。

理解疾病的致命成分，识别和验证药物靶点，是许多AI生物技能公司、制药公司和学术机构正在积极投资的领域。

尤其是，包括OMICs和表型数据天生、反向翻译（reverse translation）、新患者衍生模型，以及利用LLM以更好挖掘疾病数据。

以上技能，都将有助于弥合分子设计与临床疗效之间的差距，进一步提升临床试验成功率，以超越历史水平。

用AI创造药物，终极的目的是更快、更好、更经济地为患者带来更具创新性的药物。

BGC报告已经看到了，这些技能在临床前事情流中对速率和本钱的影响。

在未来几年，随着更多AI创造分子的临床结果的涌现，看到AI如何改变整体研发生产力将是非常令人愉快的。