清華大學開年即王炸！要用AI把新藥成本打下來，醫藥巨頭要慌了！

抓住風口

本期要點：當AI能快速發現新藥，會帶來什么改變？

你好，我是王煜全，這里是王煜全要聞評論。

為什么有的救命藥，一瓶的價格卻能買下一套房？

常見的解釋是，一款新藥的平均研發成本約26億美元，從啟動到上市通常超過十年，而成功率卻低于10%。

今天，AI技術正在重塑許多行業，不少大公司甚至因為AI帶來的效率提升而開始大裁員。可是醫藥這個關乎人類健康的核心產業，卻陷在所謂“反摩爾定律”的詛咒中，由于藥物研發的傳統范式依賴于隨機搜索與試錯，效率并沒有顯著提升，研發成本與藥價也似乎只會越來越貴。

但就在最近，清華大學在《Science》上發表的一項研究得到了廣泛的關注，只因他們提供了打破這一舊范式的新路徑。

該研究在二十四小時內，完成了約一萬個蛋白質靶點與五億個類藥小分子之間的十萬億次虛擬匹配，并構建了公開數據庫GenomeScreenDB。

更為關鍵的是，僅通過計算推薦，研究團隊就為一個此前沒有已知抑制劑、被視為“無藥可治”的靶點，找到了多個高活性化合物，后續實驗驗證命中率達到17.5%，遠超常規的篩查方法。

我們認為，如果說ChatGPT將獲得建議的邊際成本降至電費水平，那么清華大學的這項研究就在讓以往藥物發現中的最困難環節——初篩，變成了一個和檢索一樣簡單的工作。這將導致醫藥產業的縱向分裂，那些靠著壟斷藥物篩選躺賺了半個世紀的跨國藥企們還能睡得著嗎？

AI篩藥

首先，我們想指出的是，清華大學的這項研究具有里程碑意義，或許可以被稱為醫藥產業的“ChatGPT時刻”。

他們采用了雙塔對比學習架構，將蛋白質和分子的結構信息，分別通過兩個深度神經網絡，映射為高維數學空間中的向量。訓練完成后，評估一個分子與蛋白的結合潛力，就簡化為計算兩個對應向量之間的夾角余弦值。

這意味著，他們把以往耗時又耗算力的藥物篩選工作，變成了可以在幾塊GPU上批量完成的計算任務。原本需要幾小時甚至數天的物理模擬，被壓縮成了微秒級的矩陣運算。

正因如此，他們才能在24小時內完成十萬億次計算，系統性地為大量靶點匹配出潛在的藥物分子。

當然，與ChatGPT一樣，這項成果并非憑空出現。

一方面，它離不開OpenAI在2021年提出的CLIP范式。基于此，此前學術界已經有了類似嘗試。另一方面，AlphaFold解決了靶點蛋白質長什么樣的問題，大幅擴展了可獲得蛋白質結構信息的范圍，使得清華團隊能夠在更大規模的靶點集合上構建和分析蛋白結合口袋。

不過，在此之前，大家在進行大規模、系統性的蛋白–分子關系建模時，長期受限于實驗數據覆蓋不足的問題。清華大學的團隊則通過基于蛋白質結構的深度學習建模方法，從結構信息中學習到可泛化的蛋白和分子的結合規律。

更重要的是，他們在極短時間內完成了對人類約1萬個蛋白靶點和2萬個結合口袋的虛擬篩選，堪稱一次全景式的掃描。

變革

由于相關內容過于硬核，我們就不做過深探討了。但今天，我們更想討論一個現實問題，面對如雨后春筍般涌現的新技術，該如何理性判斷其影響呢？

例如AI篩藥技術來了，有人可能就會樂觀地預言，癌癥就要被破解了，人類平均壽命將輕松突破百歲。

長期看，這種說法可能成立，但具體的時間點仍然還是個未知數。

其實，這類技術最確定的貢獻，是顯著提升藥物發現早期階段的效率與成功率。而且可以確定的是，整個藥物研發的價值鏈將因此發生結構性的變化。

這次清華團隊的研究最直接的影響就是，靶點發現的初始價值會被極大稀釋。

過去，識別一個新的疾病相關靶點，是一個生物科技公司的核心壁壘。

然而，現在所有對人類蛋白質有作用的分子都已經被預先計算并公開地放在了GenomeScreenDB數據庫中，生物科技公司所掌握的信息也就不再那么稀缺了。

這就相當于，本來以前各家藥企還各自拿著標有金礦的地圖，別人要找到金礦就得花高價買。可是如今，這些金礦都被AI標在了通用的地圖軟件上，誰想用，直接搜索就行了。

這意味著，早期藥物研發的壁壘與價值重心將向兩頭擴散。

一端是更前沿的疾病機理研究。因為更精確地理解疾病在分子層面的運作機制，將提升尋找靶點的準確性，從而減少候選藥物分子的數量。

另一端是后續漫長的開發與驗證工作。雖然AI找到了有結合潛力的分子，但通過臨床實驗驗證其安全性、有效性以及大規模生產工藝的摸索，依然需要投入大量資源，且失敗風險依然不小。

更關鍵的是，整個醫藥產業可能會因此出現縱向分工。

基礎層將逐漸由提供核心工具與數據的AI公司或大型科研機構主導。例如，AlphaFold提供蛋白質結構，而清華的研究提供相互作用圖譜，兩者共同構成了生物醫藥的數字化基礎設施。

在中間層，可能會出現專業化的計算篩選服務平臺。它們不自己賣藥，但為下游企業提供高確定性的候選分子名單。

最后，傳統的醫藥企業可能被壓縮到了應用層，因為研發起點被延后到了臨床前和臨床階段。

其中的原因也不復雜，AI能告訴你A分子能和B蛋白反應，但無法告訴你A分子是否安全有效。這恰恰是藥企憑借其數十年積累的臨床開發經驗、監管知識體系所能發揮決定性作用的環節。

基于這樣更加高效的分工，未來整個研發周期被極大壓縮，總成本也將大幅下降。那種一款藥研發十余年、花個幾十億美元的情況或將一去不復返。

不過，可能你也要問了，既然技術這么牛，為什么我還沒看到醫藥產業的爆發呢？藥也沒變多啊！

因為制藥不是訓練大模型，無法一鍵完成部署。未來，我們即將進入一個管線密集生成的靜默積累期。

各類AI工具正在全球實驗室中瘋狂運行，每天生成海量的候選化合物。但這些分子必須經歷合成、細胞實驗、動物實驗等一系列驗證步驟，才能進入臨床申報，才能被公眾了解，這個時間沒法靠AI來壓縮。

不過，樂觀估計，這批由AI篩出的候選化合物，將在兩到三年后密集完成臨床前研究，并開始成規模地進入臨床試驗階段。屆時，全球在研藥物管線數量可能出現顯著增長，整個醫藥產業也才會真正爆發。

回顧歷史，從神農嘗百草，到靠人力在實驗室篩選抗生素，再到AI大規模虛擬篩選藥物，人類對抗疾病的方式，也終于要從碰運氣和高人力投入的狩獵采集模式，進入到可預測、高產出的工業化和智能化模式。

這一轉變是否也讓你興奮呢？又給你帶來了什么思考？歡迎在評論區留下你的看法。

以上就是今天的內容，有關醫藥產業的更多前沿分析與趨勢洞察，我將在科技特訓營中持續分享，如果你也感興趣，歡迎加入，和我一起，先人一步，領先一路！

此外，也向各位家長推薦前哨AI冬令營。最好的學習是親手實踐，我們將通過高強度的集訓，讓孩子能親自上手完成一個真實的AI項目，從理解AI到駕馭AI，快快點擊鏈接了解詳情吧。

王煜全要聞評論，我們明天見。

本文僅作為交流使用，不構成任何投資建議。

↓長按圖片掃碼報名，先人一步，領先一路

最后， 鑒于公眾 號推送機制的改變，你未來刷 到要聞評論的機會可能沒那么多了，建議你加入粉絲群，第一時間 得到我的獨家前沿分析，而且我們還會每天在粉絲群里發布獨家資料，快快掃碼加入吧！

此外，我們還為您準備了一個思維導圖，掃描加群即可領取

“CES觀展分享”

↓點擊學習王煜全老師最新大師課，掌握馬斯克的賺錢底層邏輯！