AI制药又火了？巨头入场，但临床试验瓶颈仍在

两家行业巨头先后投入了人工智能制药这一领域, 其中一家企业建立了自己的湿式实验室, 直接去测试大模型指挥生物实验的实际能力, 另一家则与诺和诺德、百时美施贵宝进行了合作, 并且把Bio公司也收入了自己的旗下, 由字节跳动分拆出来的新实验室也已经完成了第一轮融资, 这显示出这个赛道正在明显升温, 但是真正能够消耗资金又花费时间的临床试验环节, 依然是目前最大的阻塞点。

巨头入局各有打法

有一方选择了亲手建立湿实验室这种方式, 他们把大模型直接放进去, 把它放进生物实验的流程中去运行, 从而让整个过程形成了一个完整的闭环, 这样一来, 所有的研发数据就都内化并且沉淀下来了, 从此以后, 就不再需要依赖外部合作去获取那些关键性的实验信息了。

另一方的做法是采用并购与合作这样的路线, 具体来说就是和诺和诺德、百时美施贵宝建立牵手关系, 而且还将Bio收入了自己的囊中, 其最终的目的就是通过借用外部的成熟数据以及在研管线的力量来实现快速补齐自身能力短板这一目的。

字节分拆实验室融资落地

字节跳动分拆出来建立的那个全新的实验室, 它已经顺利地完成了第一回合的资金筹集工作。这个实验室的定位是一个非常通用的科学计算工作台。它的核心目标是要使用一个单一的基础模型。然后配合一系列的垂直领域专用工具链。这样一来就可以系统性地减少每次研发过程所需要的耗时。

该路线在各个方面格外看重数据基础设施, 这些基础设施支持跨靶点工作, 并且允许跨任务流转。把主要的研发预算投入模型训练之中, 而不是压在某个单独开发的自研管线上。因此, 整体策略走的道路是平台化发展模式。

专注型公司死磕单一环节

现在, 一些做制药的初创公司, 它们的重点是把精力放在药物研发里面的那些具体的任务上。它们要让那个AI模型能够精准地服务于非常明确的问题现场。在这种模式下, 如果是自有的管线数据, 那就是这类公司在算身价时, 最核心的那个依据了。

现在的整个大市场都在死死盯着英矽智能那个候用药物的第三阶段临床试验的结果, 在场的所有人都在等着一组实打实的宝贵数据出来, 好让大家都能看清这条特别专注的研究路线到底靠不靠谱。

药厂数据多却缺统一底座

传统的大型药企业务手中掌握着数量非常多的实验数据以及临床数据, 可是这种情况却往往导致缺少一套统一的数据基础支撑体系, 数据被分散存储在多个不同的系统里面还有不同部门之中, 因此很难被模型进行高效地调用与使用。

那么大模型公司方面呢, 它们的做法就是把研发预算大量地砸进去，专门用来进行模型训练, 同时靠自建实验室还有通过外部合作的方式去补齐那些最稀缺的失败实验数据, 而它们收集到的这些失败的样本和那些成功的样本一样, 都被直接拿来当作硬通货继续喂养模型。

商业化路径分野清晰

现在的人都能直接看懂的这个情况是, AI制药公司大多采用由人工智能合同研究外包加软件工具加自主研发管线组成的这套组合打法, 这三样东西协同推进工作, 其中的自主研发管线的这一种模式最容易把商业价值真正落袋为安。

目前这些大模型公司, 它们眼下更侧重临床前研究, 也侧重研发基础设施搭建。也有部分团队在悄悄推进自有管线, 但是这尚未成为其估值的主要支撑。

临床数据是最终定价标尺

目前人工智能主要的作用是帮助新药早期的研发工作转得更快。它可以用来压缩候选分子的搜索空间, 并且也能缩短实验的迭代周期。可是烧钱又耗时的临床试验环节却无法同步得到压缩。

把早期的命中率给提上去, 这个动作完成之后，并不就意味着临床的成功率就会随着去上涨。不管那个市场故事被讲述得有多么漂亮动人, 第三期的临床数据才是最终用来进行定价的唯一标准, 这里是没有任何例外的情况存在的。

在关于AI制药这一话题中, 大家可能会去思考一个事情, 那就是下一轮对于整个行业的估值锚点, 会到底是落在那些企业自己研发的产品管线上, 还是说会落在平台的底层能力上面呢, 如果你心中有了自己的判断和看法的话, 不妨就在评论区里面把你想说的留下来, 顺便点赞并分享给更多的人看。