被看作“造药新势力”的生物计算行业,是无人区还是聚宝盘?| 投中网

投中网
2021-07-27
分享到

计算进入生物科技的历史其实并不短,但被投资圈关注,也不过是近5年内的事。 

上世纪末,以IBM为首的巨头就提出过用超级计算机来预测蛋白质的三维结构,在当时的条件下,这个实验所需要的计算量可以说是天文数字。 

近几年来,随着AI、人工智能、机器学习等技术的不断发展,叠加医疗领域新知识和数据的快速增长,“生物X计算”得以在越来越多的方向落地来帮助医学创造更大的价值。 

当然,当我们在这篇文章里提到计算时,更多是指宏观的生物计算,而不是基于公式的单纯计算方式。这在某方面类似于将原先研究室里试管+电镜式的研发过程搬到了电脑机房。 

在投中近期举办的,由金浦健康基金支持的2½沙龙上,我们邀请了16位企业端以及资本端的嘉宾在上海黄浦江畔畅聊“生物X计算的未来想象”。关于这一话题,他们的共识和分歧来自于哪里?对于行业未来实际应用的探索和想象,又做到了哪一步?

“生物X计算”的当下和未来是什么样的? 

在高特佳投资执行合伙人张鹏看来,无论是何种形式的干涉,再加工,合作还是颠覆,计算技术正在逐一改变我们身边所有的产业形态。目前在医疗领域比较早落地的,应该是互联网医疗、AI医疗语音识别及结构化、AI影像及文本智能辅助诊断、AI药物研发等行业。 

深创投江苏大区副总经理吴萍更关注AI作为工具在医药领域的应用。她认为,生物科技和数字计算的结合是循序渐进的,着力于生物医药研发的团队如果能把AI作为工具很好的运用起来,拓展深度和广度,随着认知进步和仪器创新,取得更充分更全面的数据,在这个基础上谈计算的反馈和指导才更有意义。在当前医药领域测序环节和影像筛查领域,AI都是医生必不可少的辅助工具。 

润迈德医疗副总经理、董事会秘书刘康健前期也一直从事投资工作,对AI在医疗里的应用也给出了理性而谨慎的判断。他认为,AI肯定是未来的方向,但是在医疗行业里,不管是智能分析还是辅助诊断,目前还在研究试用阶段,还没有体现出特别好的临床场景和研究证据,很多还都是为了应用而应用。医学讲求循证医学证据,很多AI应用现在还在探阶段,需要长时间的跟踪和大量的证明。另外,全球最前沿的计算技术、通信技术、AI算法等等还没有广泛应用到医疗领域,这也正是医疗行业严谨高冷的属性决定的,未来也蕴含着巨大的机遇。因此,从事科技研发的科学家和医学届也需要更多的交流、更多的理解、更多的合作。 

润迈德医疗一直在推动流体力学、自动控制等在医疗中的应用,为心血管诊疗打开了一个全新的局面。此外,还有不少创业公司在“生物X计算”这条大道上进行了各个方向的探索。胜泽泰是一家致力于多肽新药研发、多肽原料药生产的科技公司,其创始人何润泽表示,公司最初的业务模型诞生于博士期间导师在瑞士的Camera Space研究组。 

已经有不少创业公司在“生物X计算”这条大道上进行了各个方向的探索。胜普泽泰(Space Peptides)是一家致力于以AI及大数据驱动多肽新药研发、多肽原料药CDMO的科技公司,创始人何润泽表示公司最初的业务模型诞生于其在瑞士博士期间导师Jean-Louis Reymond的研究组。 

胜普泽泰使用的Chemical Space在2010年就形成了全球的公开数据库,里面一共有1664亿个分子,其中绝大多数是小分子。2016年后才开始切入大分子领域。目前Chemical Space不仅包含靶点的药物设计,药物多维度成药性的生成算法,以及AI的循环神经网络学习,而且最后能生成3D指纹图谱可视化地图。通过这样的技术,胜普泽泰目前不仅能预测药物的活性,而且能预测药物毒性,例如能做抗生素溶血性实验。下一步有希望做到药物动力学的一部分预测。

与胜普泽泰不同,星亢原目前主要聚焦于蛋白降解药物、抗体药物、T细胞治疗等领域。不过,将计算和生物药结合做药物研发同样是星亢原的特点之一。 

星亢原CEO陈航提到,AI制药是未来药物研发的重要趋势。和生物医药过去传统的筛选工具相比,AI制药一是能有效提升效率,做出有差异化的成果。二是能利用计算驱动的价值,做出源头创新的创新药。第三是在细胞治疗等方向,基于个性化的治疗方案。目前星亢原也是朝着这样的方向在做包括基因治疗领域的一些拓展,全面构建管线优势。 

劲方医药CEO兰炯表示,人工智能深入药物设计领域,已大大提升研发效率和化合物成药性。但业界更期待重磅的跨界技术成果和真实世界数据,证明AI靶标筛选及分子设计能够沟通早期发现和转化科学,甚至超越传统开发模式的疗效和安全性。劲方自成立以来,持续关注前沿跨界创新成果并积极打造CADD平台,近期与业界领先的AI药物开发企业和结构生物学平台分别达成战略合作,加速开发全新高选择性抑制剂,以及有望破解耐药机制的新一代靶向药物。 

对于计算技术在生物领域的效率提升作用,领星生物CEO许强表示认同。在计算和生物两大领域,领星生物更偏向于前者,不过,许强觉得,数据的质量和相关性同样是计算技术无法忽略的重要因素。过去五年领星生物一直专注于肿瘤领域的数据积累,值得注意的是,肿瘤领域中西方患者情况,临床方式都有很大不同,因此很多研究不能照搬国外的模式和研究结果。

相比已经投身生物计算的创业公司,瑞石生物更偏向于传统制药企业。不过,观望技术发展之余,瑞石生物早期研发负责人周玲同样表示“非常有焦虑感”。在她看来,在AI技术开始涌入医疗领域方方面面时,不知道,不学习,不跟AI合作,企业可能很快面临淘汰。在传统生物研发环节的确有很多痛点可以利用AI技术来解决,例如靶点寻找,AI技术可以增加很大的成功率。当然,目前AI和药企之间的融合还存在一定的认知错位问题。 

来凯医药CEO吕向阳提出了一个很有趣的观点,他表示,目前计算更多是在帮助人类在能做到的事情上提高效率,而不是做人类做不到的事情。现在生物计算的方向还是人在指导计算,但生物学太复杂了,人类自身都知之甚少,你很有可能把计算教坏了,未来像AlphaGo这种不需要人去教导的计算方式,也许会在生物计算领域有新的突破。 

仁东医学生信副总裁、转化医学研究院执行院长朱瑞新认为AI从被动学习已进入主动学习,其实已经能干很多人类极限以外的事情,但是要真正要像人一样会独立思考,则需要学会“因果推理”。而这是当下AI的瓶颈和最前沿方向。 

“生物X计算”的共识和分歧来自于哪里?

在医疗领域,理论和模型可能走在行业前面,但应用落地确确实实是企业和投资机构关注的重要一环。落实到产业本身,计算能发挥多大的作用,形式是什么样的,又有谁会来买单呢?

朱瑞新对此有自己的看法。朱瑞新提到,大家对计算的印象还停留在早期阶段,觉得计算主要起辅助作用。其实计算早就不是这个阶段了,计算不仅可以提高研发的各个环节的效率,包括使得原本实验“不可能”完成的工作成为“可能”,这点在药物研发过程早已被证实;更为要紧的是,计算模拟能独立于实验和“形式理论”的产生新洞见。1953年著名的Fermi-Pasta-Ulam的计算机实验,研究了动力学体系非线性项的微扰是如何改变单一的周期振动行为。结果出人意外,竟然恢复初始状态的时间远远比想象的Poincare回复时间短得多。这个计算机实验不仅开创了“计算物理”这门新学科,更为重要的是,从此人们明白除了实验、形式理论这两条能够创造、发现新的科学概念的途径之外,还存在第三条途径——计算模拟。

华道生物董事长兼总经理余学军既是医生也是企业家,在他看来,目前人类对于生物医药领域连1%的了解都没有,现阶段使用AI技术设计出一个治疗某种疾病的东西,为时过早。 

我们国家智能识别公司、算法公司的临床影像学系统、核磁共振技术都不差,差的是软件识别系统。国产设备和国外设备的区别最终是算法,这是最大的区别。华道生物目前做CAR-T细胞,数据非常重要。目前公司有20多个软件开发工程师,生产管理数据分析以及生产运营管理的工程师。但现阶段能帮公司做CAR-T的地方还很少。 

弘晖资本高级副总裁严竞然先生在讨论中表示,在其看来,计算是一个手段,但是生物才是最终的目的。只有企业的某个技术或者平台能在某个应用领域产生明确的价值时,客户才会愿意为之买单。如果这个应用领域还不清晰,或者产生价值的路径还不明确,大部分还停留在理论上,那公司本身就难以获得较高的资本市场价值。 

金浦健康业务董事魏峻在讨论中同样提到,如果要被企业或者资方所认可,创新药企业的AI实力需要能够表现出替代企业在技术创新、逻辑创新方面非常在行的人才的作用,从某个角度来说,解决了driving还是driven的问题。 

业内曾有“未来得生物计算者得天下”的说法。但在生物计算前景和方向尚不那么明朗的当下,机构对企业又有哪些建议? 

中金资本董事总经理刘森林强调,基于传统的靶点和疾病的关系,过去有很多经验的积累。但人类产业发展的历史证明,一个新的技术拐点出现的时候,都是年轻人的天下,绝对不是按照过去的路径来发展。 

刘森林表示,当未来确定,现在不确定时,那你要找一个赚钱的方式活下去。过去很多人比较AI+制药和AI+影像,这两个领域不一样,AI+制药,至少有一个付费方。 

对于生物计算企业的发展,毅达资本大健康投资事业部孟晓英在现场表达了自己的部分疑虑。 

人才是每个行业发展的基石。孟晓英提到,目前行业从业者一部分是之前做生物医药的创业者,对计算的理解有限,另一部分可能专精计算,对生物医药行业的背景环境不够了解,这两者之间的壁垒难以打通,企业很难实现领域融合和跨界。除此之外,计算的前提是高质量的数据集合。数据从哪里来,如何高效率的采集和研究,都是影响研发端效率和成果的现实因素。 

松禾资本董事总经理周潇薇同样表达了相似的疑问。在她看来,对一家生物计算企业来说,机构考虑的问题主要有三点。第一,企业的数据来源是哪里,是循证医学、临床、后期还是基因数据,亦或者是传统的小分子高通量筛选?这一问题首先是机构关心的重点。其次,公司如何验证自己的机器学习路径,是自身有验证能力还是要和其他制药公司合作?第三,如果一家企业数据和验证方式都有了,那他的速度有多快? 

对于生物计算这块新兴领域,什么发展阶段才是机构投资的最佳时间点呢? 

在同创伟业董事总经理吴迪看来,当企业有希望出现一个新的算法,对机构来说就是一个好的投资时点。这个算法可以是因果关系,也可以是相关性,也可以是存量数据,也可以是预测的数据,这都不重要。而且这个算法也有可能失败,也有可能没有商业化前景,但是作为VC来说,至少当企业有希望出现算法,不要考虑太多后端的商业化,当然这只是一家之言。 

吴迪表示,对于生物医药未来的落地形式,也许机构和创业者都只是一个模糊的概念。但是如果现在不尝试的话,可能这个概念一直不会落地。不需要太去束缚企业说现在数字化一定要怎么做,也许五年之后会有很多新的做法冒出来。五年前谁都没想到生物计算企业的产品可以作用于临床,但实际上行业发展日新月异,进展迅猛。