分析测试百科网 > 行业资讯 > 焦点事件

干湿一体化实验室获多笔融资或将成为AI制药企业的下一个宠儿

2023.10.27

　　生物医药行业历经多年发展，药品种类丰富，但针对的药物靶点仍然十分有限。在人类蛋白质组中，超过75%的靶点尚未成为成药目标，而像PD-1、GLP-1等已验证有效的靶点则面临着激烈的竞争。许多肿瘤疾病、神经性疾病以及遗传疾病仍然缺乏有效的治疗方法或药物。

　　随着人工智能（AI）技术的飞速发展，AI已经渗透到新药研发的多个环节中，从全新的目标蛋白发现，到计算结构预测、实验结构测定以及专用模拟算法的开发，再到药物设计。然而，药物发现始终是一个不断试错的过程，需要基于实验数据的多轮分析迭代，筛选出最优的药物分子。当前，AI制药主要集中在早期药物发现阶段，而在后续的临床试验和商业化阶段的应用动力尚显不足。

　　更重要的是，AI制药企业正面临着数据困境。大量的高质量数据对AI制药至关重要。为了弥补数据质量和体量的不足，许多AI药企开始建立自己的实验室，寻求干湿实验闭环以积累高质量标准化的数据。

　　随着生物体系越来越复杂，尺度越来越多样化，信号越来越模糊，数据越来越庞大，生物研究对计算方法的依赖将变得越来越强，计算生物学的重要性也将日益凸显。在新药开发过程中，传统方法往往需要漫长的周期。2023年，随着ChatGPT重新引燃人工智能热潮，研究人员意识到利用AI筛选新药的可能性，这使得算力尚未达到真正的上限，AI制药在资本市场上的热度似乎又被重燃。

　　2023年上半年，国内有超过20家AI制药企业获得新一轮融资，融资总额超过20亿人民币。这些AI药物研发公司多数处于较早期的发展阶段，仅有少数融资是在B+轮及C轮，而多数为A轮或更早期的融资。

企业	成立时间	地区	资轮次	融资金额	投资机构	干湿结合路径
腾讯健康	2016年	深圳	/	/	/	腾讯AI药物发现平台，赋能药物研发临床前研究的所有步骤，病形成一体化端到端的AIDD服务
百图生科	2020年	北京	A轮	1亿美元	GGV纪源资本、百度、君高联资本、蓝驰创投及其他机构	高通量干湿一体的实验化技术引擎和高质量数据生态体系的复合型战略，建立干湿一体化闭环
晶泰科技	2015年	深圳	D轮	4亿美元	中国生物、红杉资本中国基金、五源资本、奥博资本	智能药物研发平台，建立一整套量子物理干实验室与现金湿实验室紧密结合的研发迭代流程
英矽智能	2014年	香港	D+轮	3500万美元	Prosperity7 Ventures、华平资本、启明创投及其他机构	全自动化的智能机器人药物研发实验室和机器人生物数据工厂
剂泰医药	2020年	杭州	未公开	1.5亿美元	人保股权、国寿大健康基金、红杉中国及其他机构	AI驱动药物递送和发现，整合Al、量子模拟和高通量试验平台，搭建AiLNP、AiRNA、AiTEM核心技术平台
埃格林医药	2019年	深圳	战略融资	/	天星跃动	将建立一个2000平米的干湿结合服务平台,提高其" 妙悟AI"平台的研发效能和迭代速度
珞米生命科技	2021年	杭州	Pre-A轮	近千万美元	碧桂园创投、Taihill、Venture、线性资本	专注AI蛋白质组学的高通量自动化技术平台，已开启干湿实验室搭建
天鹜科技	2021年	上海	种子轮	数千万人民币	耀途资本、小苗朗程、商汤科技	AI赋能表型筛选和分子设计,打造高频迭代的" A(AI)-B(Biology)-C(Chemistry)"干湿实验闭环
耀速科技	2021年	美国	天使轮	一千万美元	君联资本、真格基金、雅亿投资发展	致力于高通量器官芯片湿实验平台与人工智能三维细胞图像分析平台的搭建
智峪生科	2021年	上海	A轮	1亿人民币	宏沣资本、惠每资本、青岛清池创投基金、钱塘创投	AI与合成生物学深度融合，将干湿实验闭环落地在酶法绿色制造管线
碳硅智慧	2021年	杭州	天使轮	5千万人民币	联想之星、联想创投	将新药研发各环节数字化和智能化，形成干湿试验数据闭环，解决新药研发难题
分子之心	2022年	北京	战略融资	超亿元	凯赛生物、联想创投、红杉资本中国基金	AI大分子优化与设计平台"Molecule0S",高通量、干湿一体化的生物计算引擎
新合生物	2017年	深圳	A+轮	5亿元人民币	佳银基金、鼎晖投资中股集团顺禧基金、人保股权	创新性RNA药物研究，开发干湿结合的新抗原识别技术RADNIT，推进肿瘤新抗原疫苗研究
合木千行科技	2020年	深圳	Pre-A轮	未公开	险峰长青	融合BT+IT+AT三大技术体系,以软件数据平台打通干湿实验,打造新一代生命科学智能实验室
腾迈生物	2021年	上海	A轮	3500万美元	启明创投，奥博资本斯道资本，F-PrimeCapital	基于量子力学及AI驱动的高性能计算平台与规模化高效湿实验室无缝衔接
红云生物	2018年	南京	B+轮	近亿人民币	荷塘创投、泰州华银金投、夏尔巴投资及其他机构	引入分子动力学模拟等最新算法，对靶点与先导化合物分子结合过程进行动态模拟
呈元科技	2022年	广州	Pre-A轮	数千万美元	联想创投、格力产投	Al+合成肤药物研发平台
溪砾科技	2021年	深圳	Pre-A轮	数千万美元	鼎晖VGC、五源资本、顺为资本、云九资本、天图资本	结合AI平台VoyageR进行小分子靶向RNA疗法研究
力文所	2021年	杭州	天使轮	数千万人民币	凯泰资本、磐霖资本真格基金、红什资本	AI蛋白质设计平台，专注于以“人工智能算法+湿实验流程”驱动赋能蛋白质设计研究

　　AI药物研发描绘了人类试图驯服疾病的远大蓝图，但目前AI是否会给行业带来颠覆性改变仍存在疑问。不少行业人士认为，AI只是加速了新药筛选的过程，虽然在此环节提高了效率，但新药开发除了早期筛选阶段，还有后续的临床试验、上市审批、商业化漫长路要走。

　　同时，AI制药企业还面临着许多障碍和难以避免的亏损问题。AI制药公司的盈利模式主要为CRO和生物科技公司两种类别。由于CRO行业进入门槛高，因此能够争取到足够多药企的青睐与合作也很难。最好的情况是生物科技公司自身具有AI能力，利用自己的技术平台不断发现新药，储备大量管线、药物资产，从中评估选择最有潜力的进行开发。

　　因此，如今行业谈及AI制药时，除了算法、数据之外，开始更加偏重实验室里的开创性研究。AI模型的主要制约在于没有通过足够实验数据校正和检验，与现实有差距，不能取代真实数据的验证。没有高通量多轮湿实验的闭环验证和数据补充很难让AI模型发挥关键价值。只有将AI模型和湿实验有机结合才能真正解决问题。

　　搭建干湿结合闭环平台将实验室仪器都连入一个操作系统通过AI模型进行规划有选择性地做实验形成干湿实验闭环验证。未来通过AI大脑控制实现全自动实验室将是整个行业未来发展的趋势。随着国内AI技术和生物技术不断取得突破AI制药不断走向新的高峰在新药研发的各个环节带来了突破。可狂奔之后AI制药的发展也显出疲态。

　　首先AI技术在新药研发方面中作用主要在临床前阶段在靶点发现环节虽然有突破但对许多难成药靶点也无能为力。其次在临床试验阶段AI究竟能多大程度提高研发成功率降低成本目前也依然无法取得行业信任。最重要的是数据问题是限制当前AI制药行业发展的最大壁垒AI制药行业的数据面临质和量的双重问题。

　　数据质量、数据结构和数据生成速度对于AI的应用来说极为关键。如果想获取更多一手的药物研发信息尤其是将药物分子的数据与药动学数据药效学数据临床数据结合到一起除了通过与药企合作干湿实验室是一大重要途径。

　　因此自建干湿一体化实验室不仅是当前AI制药企业解决数据问题的一种重要解决方案也是未来AI制药行业发展的必然趋势。

　　目前已有众多AI制药企业搭建干湿实验室试图打造“干湿结合”闭环以此获取高质量数据加速药物研发。

　　湿实验指的是在实验室里采用分子、细胞、生理学试验方法进行研究也就是传统的药物研发实验室。干实验是通过计算机模拟及生物信息学方法来进行研究也就是AI平台做的事情。事实上干湿实验室这一概念并不新许多行业头部企业在发展早期就配备了湿实验室来自主产生数据比如百图生科自成立起便着力于打造干湿一体化实验平台晶泰在2018年开始自建大规模实验室等等。

　　通常情况下完成靶点验证与确定开发和筛选大概需要12个月接下来经过18个月的DMTA（Design-Make-Test-Analyse）循环才能将化合物优化为先导化合物而先导化合物又需要12个月的持续进化才能生成临床前候选药物（PCC）。这里面涉及连续不断的制造、纯化、定量和鉴定所需的化合物以及后续的效力选择性毒性分析每个循环都需要科学家3-6周的时间。

　　干湿实验室可以将干湿实验平台相互结合在一起一方面通过湿实验室平台生产大量现实环境中的湿实验数据另一方面在干实验平台通过分子模拟及人工智能模型预测药物的物理及动力学性质最后通过机器学习来连接微观相互作用和宏观的物理现象从而不断根据干湿实验室中产生的数据迭代算法。

　　一方面能节省多轮实验的时间另一方面也能干湿相互验证因此目前“干湿结合”被行业内普遍认为是对AI技术最好的使用自动化与AI的结合使用也是行业未来的趋势。

　　通常人们对于AI技术赋能药物研发的描述为AI可以深入药物开发的各个环节进行深度赋能然而回归到现实AI制药最常用的场景是用于发现新靶点和筛选化合物这是新药开发中极为繁琐却也极为关键的环节。

　　AI技术可用于简化药物筛选合成降低成本对于筛选出来的化合物往往还需要进行溶解度、活性/选择性、毒性、代谢、药代动力/药效以及可合成性等维度条件这些高度重复性的工作拔高了临床前研究阶段的成本涉及多次大量计算这些正是AI所擅长的部分。

　　此外，AI技术还被广泛运用于化学反应设计和化合物筛选。当前，AI在化学领域的一项重要进展是对化学反应和合成路线进行建模和预测。通过将分子结构转化为机器学习算法可以处理的形式，AI技术可以根据已知化合物的结构生成多条合成路线，并推荐最佳合成路线。反之，在给定反应物的情况下，深度学习、迁移学习可以预测化学反应的结果。AI技术甚至还可用于探索新的化学反应。在化合物筛选过程中，AI技术有助于建立化合物的化学结构与生物活性之间的关系模型，进而预测化合物的作用机制。

　　尽管AI在药物开发的各个独立节点上都取得了显著突破，但从本质上来说，AI制药更加注重效率，通过缩短开发时间来体现其价值。然而，制药的本质逻辑需要进行反复论证，确保经过多个阶段的严格测试和验证。为了更好地推动AI制药的发展，或许需要转变思路，将AI模型与实验平台统一规划，协同工作，实现“干湿结合”。在此过程中，生物人员与算法人员应加强合作，以便更好地判断现有算法的能力和限制。同时，算法人员也可以从生物人员那里了解到如何针对现有问题调整或创建新的模型，从而更好地解决问题。

　　新药研发产生的数据规模极大，类型和结构也相当复杂。因此，构建干湿实验室平台可以更高效地完成设计、验证的闭环。一方面，传统的药物研发以实验科学为主导，数据的记录、管理和储存都以实验为核心，而数据对于AI的重要性是不容置疑的。这就要求药物公司在药物研发过程中对数据的格式、标准、质量、数量等方面进行严格规范。另一方面，AI制药企业的算法模型也需要针对性地优化。为了深度融入制药行业的核心业务，AI制药企业需要具备发掘和提炼实时实验数据的能力，并根据数据反馈优化模型、迭代算法。

　　2022年，阿斯利康、德国默克等6家大型药厂与亚马逊、以色列生物科技基金（IBF）共同推出一个创新实验室AION Labs。该实验室旨在创造和采用突破性的新型AI技术，以改变药物发现和开发的过程。它包括一个进行生物医学研究的湿实验室和一个基于云计算的干实验室，专注于新算法和计算方法的开发，以加速潜在新疗法的发现和开发。AION Labs的云/AI+湿实验方法结合了AI与精确预测算法来开启创新源头，再利用针对性的实验进行快速验证。随后通过资本驱动持续创新这一模式进一步加速AI制药技术落地的速度，同时筛选出真正有实力的创新团队并为他们提供更好的发展资源与机会。当前AI制药行业仍处于早期发展阶段，AION Labs的商业发展模式可能会为该行业注入一剂“强心针”。

　　在国内，晶泰科技、英矽智能、百图生科等AI制药公司已纷纷建立了“全自动化的智能机器人实验室”，可实现24小时不间断的数据产生服务于新药研发的最前端部分。2022年下半年开始，英矽智能已成功将ChatGPT接入到生物学平台Biology42中并通过二次训练实现关于分子生物学和新颖靶点发现的即时专业问答。2023年6月英矽智能又基于GPT-4的底层技术多模态Transformer算法推出了有望赋能抗衰老和疾病的双效靶点发现的多模态衰老时钟Precious1GPT。

　　根据英矽智能的招股书显示公司计划推进全自动化的智能机器人药物研发实验室以及机器人生物数据工厂的建设以不断扩充英矽智能庞大的数据资源。招股书还提到一款药物从项目启动到临床准备需要4.5年的时间利用英矽智能的Pharma.AI研发平台则仅需12个月Pharma.AI平台拥有发现新靶点生成候选药物预测候选药物的临床成功可能性等功能。

　　晶泰科技目前已经构建起一整套量子物理干实验室与先进湿实验室紧密结合的研发迭代流程这有助于挑战传统研发的效率瓶颈赋能新药研发实现创新速度与规模的突破晶泰科技的智能药物研发平台将基于云端超算数字化研发工具与先进的实验能力进行整合进而形成高精度预测与针对性实验相互印证相互指导的研发系统。

　　腾讯AI药物发现平台开发了一个分布外研究框架DrugOOD在此框架下对现有的数据库进行了分类并划分了多个实际场景同时利用AI评分体系评价AI在不同靶点之间生成结果的可靠性以便在后续研究中尽早发现模型与靶点不适配的问题并优化研发效率。目前腾讯AI药物发现平台已与多家药企达成合作模型预测精度在多项实际研发场景的湿试验中得到验证；基于药物筛选云服务的超强算力筛选速度和筛选的化学结构空间都获得了数量级的提升。

　　百图生科凭借百度多年的AI技术积累，以生物计算引擎为核心，打造了高通量干湿一体的实验化技术引擎和高质量数据生态体系的复合型战略。百图生科通过大规模的蛋白预训练，增强AI对大分子药物设计问题的预测能力，同时利用高通量湿实验平台，围绕具体的研发项目生成大量实验数据，实现干湿闭环，优化模型迭代，最终提高抗体工程效率。

　　建立干湿实验室的门槛较高，首先需要具备跨学科团队，包括能够进行实验、具备生物信息学、制药和前沿生物技术背景的人才，以及经验丰富的系统工程人才和AI算法人才。其次，需要强大的硬件支持，包括实验设备、计算资源以及将这些资源整合在一起的能力。最重要的是，要回归药物研发的本质，以湿实验数据作为补充支撑，通过AI进行反复多轮验证，最终实现干湿闭环一体化。

　　尽管生成式AI的飞速发展为药物发现带来了新的可能性，但真正落地还需要时间。随着新化学方法与新计算工具的不断深入结合，干湿实验闭环的模式构建可能会成为药物研发的标配，引领AI制药的新范式到来。

实验室 ai制药干湿一体

分析测试百科网

喜欢作者我要约稿