凤凰网健康：官宣你加入角井已有一个月，这一个月的工作和感受如何?迟颖：这一个多月，我从AI的角度规划技术路线，更加密切接触湿实验的需求。同时也有多名同事到岗，目前AI团队的成员都是海外名校的研究生学历背景，比如美国的卡耐基梅隆、加拿大的多伦多大学、日本的京都大学等。加入角井以后我的感受颇多。刘军教授和周一鸣博士带领的团队拥有强大的科学基因，团队配置完整，能够以组合拳的方式攻坚克难。最重要的一点是，我发现以前药学AI方面的业务积累都会在现在的应用场景中发挥不小的作用，这和我来之前的预期很符合。从蛋白质结构预测/建模、结构和拓扑基础上的亲和力/活性计算、到新冠肺炎及肿瘤免疫相关大分子的设计分析、再到单细胞基因方面的探索，都可以在现在的抗体设计任务中有很重要的角色，配合公司现有的业界领先的高通量、Cell-line设计分析等特色技术，让管线迅速地降本提效，并且有望以更高的精准度实现以前高难度的设计。还有一个感受是作为一家创新技术公司，角井的技术氛围很浓厚，每周都会有至少三、四次跨部门技术分享会，业界专家分享观点，技术小伙伴们相互交流和促进，能够感受到公司的文化血脉中对技术的热爱。再就是公司的团队执行力非常强，项目推进很快，有两个项目预计年底能够得到PCC、开始做IND申报工作。最后，公司从上到下都比较喜欢运动，公司还专门配备了健身房和乒乓球台，大家整体的状态都非常积极向上。凤凰网健康:角井一直专注于应用人工智能（Artificial Intelligence，AI）和组学大数据(Omics Big Data，OBD)等创新技术加速新药发现和验证，也在全力打造AI赋能的NeoOne®药物发现平台，这个已经在去年投入使用。公司的创始人周一鸣博士也提到你的加入“保障了角井生物的平台项目更加稳健高效地推进”。对于很多人来说，AI和药物平台的关系还是比较抽象的，能否给大家介绍一下，在这个平台搭建中你的工作角色？以及期待在角井做到哪些？迟颖：我的工作角色是全面负责AI。期待在角井做到，可以与公司现在已有的业界领先的高通量生信实验与计算、最大且增长速度最快的抗体库、还有经验最为丰富的抗体湿实验cell-line无缝衔接，为NeoOne®药物发现平台迅速降本提效，保障平台具备高精准、高效率，挑战有难度的抗体设计问题的实力。具体地说，全球专注于抗体药物发现的公司近一年来在AI的层面上受到结构技术的冲击都挺大的。角井一方面继续提升以前的基于序列的高效研究，一方面在结构方面迅速突破。我在阿里达摩院的时候主办了上一届蛋白质结构建模天池大赛，目前也形成了自己基于结构和序列融合的独特的思路，正在理论技术路线上展开实践。凤凰网健康：AI辅助研发药物的优势是什么？迟颖：我们都知道传统药物研发的周期长，成本高，AI辅助可以迅速在关键环节降本提效，扩大到人力很难企及的超高容量搜索空间，在前沿攻克技术难题，提升管线研发的精准度，解决以前不敢想的复杂问题。具体的，我们做了一个对比，如下：
凤凰网健康：从AI首次应用于制药到现在已经过去六年了，但AI制药领域却没有一款药物上市。AI制药领域的独角兽不断登陆美股，一级市场融资额突破历史新高。与此同时，外界也不断有质疑声：AI制药赛道像是技术伪装下的泡沫。你有着15年人工智能领域的技术积累，也一直在药物开发领域深耕，你觉得现阶段的AI辅助药物开发到了一个什么阶段？对于外界的质疑声，您怎么看？迟颖：制药周期本身是比较长的过程，AI已经加速早期发现过程，目前也已经有公司推进到临床阶段了。但是目前进入临床的四个药物都是小分子药物，基于AI的大分子药物目前还没有产品进入临床，希望角井能开发出第一个。目前AI对制药领域的推动主要体现在对一些关键点的优化和增效。必须承认，由于药物研发的很多环节计算量过于复杂和庞大，可获取的真实实验数据过少，AI还无法做到高还原度的模拟，因此目前还没有从头到尾的“AI管线”这样的说法，比如药物研发中耗时最久的临床阶段，虽然也有一些初创公司在探索通过AI技术优化，但是起到的作用还比较小，即使通过AI快速筛选得到的分子，也需要经历比较久的临床试验才能最终上市，这也是到目前为止，通过AI筛选的药物还没有上市的重要原因。目前，随着研发数据的快速积累，以及近几年以Transformer为代表的深度学习算法的突破性进展，AI正在逐步取代制药领域早期基于分子动力学（MD）、自由能力场等微观层面的很难精简的计算，在准确率、效率、和搜索空间方面都取得了前所未有的进展。这也是为什么“AI制药领域的独角兽不断登陆美股，一级市场融资额突破历史新高”，说明AI的进展已经为业界注入了强大的信心。“AI制药赛道像是技术伪装下的泡沫”的质疑声，我们也经常反思 AI 这个词是不是已经被滥用，不具备前沿创新特质的技术是不是也应该这样称呼，直接去掉“AI”这个光环，阐述技术的内容是不是更加脚踏实地一些？这是一个普遍的社会问题，我留给大众们和我们一起思考吧。凤凰网健康：在AI辅助药物研发方面，国内外的区别在哪里？我们的突破点是什么？迟颖：国外辅助药物研发的AI技术起步较早，自从2012～2015年第三次神经网络兴起后，AI就立刻进入制药领域。以抗体药领域为例，全球抗体药物市场连续8年保持10%以上的增速，2021年总规模已经突破2000亿美元，这样巨大且又快速增长的市场，AI肯定是不会缺席，并且向来是物尽其用。在AI层面，有一些具有划时代意义的发明，比如预测蛋白质结构的AlphaFold2，就以超大影响力席卷全球，我们相信它的落地应用很快也会改变原有的抗体药物研发范式，推动行业发展。国内AI药物研发起步稍晚，但积累的数据也基本能达到训练神经网络模型的规模，整个行业上升势头强劲，而且技术研发进展并不慢。大量创业公司浮出水面，在蛋白质结构预测领域，好几家创业公司都发新闻讲自己的模型已经赶超了AF2的精准度，并且其中不乏从头设计的模型，也就是不是以AF2基础上的增量设计出来的。对比国外，我感觉国内的AI药物研发团队更加敢打敢拼，在已经证明的重要方向上争分夺秒、快速赶超，但是应该是受限于总体科研经费、原研药研发经验上与国外的差距，在探索价值链条、开辟全新的高价值前沿方向上还不是引领的角色。同时单纯AI的层面、应用场景的研发，远远多过底层框架语言的搭建。国内有我们自己特色的发展方式，因地制宜，倒不是样样都一定要走在前面，也非常难做到，但是一些关系算法存亡的基础性的框架，还是应该在有限资源的规划中，引起国内AI从业人员的关注的，我们中也许应该有一部分人集中攻关，至少研发出一套既便利、高效、又普遍通用的语言体系。总体上看，数据积累和AI技术的迅速推进，让国内AI创新药有了一个发展的窗口期，也吸引了更多的人才在这片蓝海掀起了研究热潮，聚力对行业有强有力的推动，也为国内AI制药形成了一个弯道超车的机会。凤凰网健康：之前有媒体发布中国AI制药企业版图，里面很大一部分公司都是由高校或研究所转化而来。以至于有行业人士说“中国的博导都不够用了”。你自己也是博导，也带学生。这个领域的人才培养，难点在哪里？迟颖：这是特别好的问题。国内的普遍现象是，博士之前的教育课程里极少有“AI制药”这样的交叉学科，制药专业基本上全部都是做湿实验，本身制药领域知识比较艰深，以至于AI专业也极少花时间来让学生了解制药行业。我也一直苦恼于招不到对口的博士之前的毕业生。能在博士期间积累相关经验的学生，都是各位博导的宝，很少出现流动。但是我也比较幸运，所在机构要么可以培养博士、要么就是非常重视技术研发，这样可以吸引有研发自驱力的博士或硕士在读生或毕业生，我们来培养。这几年，我先后和浙江大学、新加坡南洋理工大学开展博士生的联合培养，发现越来越多制药专业高校实验室和教授领衔的高校孵化的公司，在大量吸引有AI从业经验的学生，投入到制药领域来边学习边创新。他们自己也在努力地吸收着AI知识的营养，让自己在新技术辅助经典研发的方向把控和决策上更有判断力。作为业内人士，我也呼吁国家的教育体制，可以看到“AI制药”在人们生活/生命质量改善方面的巨大价值和潜力，把“AI制药”纳入到更早期的教学安排中，让更多的学生从在校开始就可以选择有更多积累这门交叉学科的时间，让我国在这个富有前景的方向可以走得更前沿，以更加丰厚的产出实现社会价值。 文中配图均由受访者提供
为好文打赏 支持药时代 共创新未来！ 