近日，一支国际团队在 Nature Biotechnology 发表了一篇论文，这篇论文的主角是 AI 药物 INS018_055。

（来源：Nature Biotechnology）

研究中，研究人员将课题重点瞄准在纤维化。原因在于，纤维化是很多衰老相关疾病所共有的生物过程（或曰症状）。

瞄准之后，他们使用 PandaOmics 靶点发现平台，对比了纤维化病人和健康人的组学数据，结合公开的文献、科研项目、临床试验等文本数据，列出了可能的候选靶点，并根据新颖性、成药性等特征对靶点进行排序。

最终，该团队确定了综合多个维度排名最靠前的靶点 TNIK，以此为起点进入分子生成和设计的阶段。

同时，他们在生成式 AI 平台 Chemistry42 的帮助之下，融合了药物研发科学家们的专业反馈，并进行了多轮的虚拟分子生成和优化筛选。

这样一来，就能让优秀的特征保留下来，包括更安全的代谢特性和更理想的溶解性特性等，最终获得了候选药物分子 INS018_055。

目前，该项目已经在中国和美国同步进入 2 期临床试验。那么，距离最终的药物上市还需要多长时间？

对此，研究人员表示人体临床试验是检验药物安全性、疗效等特性的“金标准”，需要大量严谨的测试和评估。

“另外，在实现 AI 制药的提速赋能上，目前主要聚焦于在早期研发阶段发力，因为至少在眼下监管部门并不会给 AI 药物特殊的‘优待’，比如减小样本量、缩短临床研究时间之类。”研究人员表示。

所以，目前很难给出准确的药物上市时间。但是，根据传统临床试验来看，一款药物从研发到上市一般需要 5-7 年。

由此可以猜测，AI 制药要想获得概念性的 2 期临床验证，至少还需要 3 年的时间，要想实现商业化还需要更长的时间。

对于研究过程，研究人员表示：“融入 AI 的药物研发很有意思，因为人工智能没有人类的思维定势，经常会给出一些让研发团队眼前一亮的分子结构，包括 TNIK 靶点和纤维化的关系也是学界之前没有关注到的，大多数人还是认为它是抗癌靶点。”

研发过程中，所有人的心情都被试验结果牵着走，符合预期就是欢呼雀跃，不如人意就会心情低落。

“站在 2 期临床的这个节点往回看，让人非常感慨，毕竟这个项目倾注了大家的热情和心血，在人工智能的帮助下齐心协力高效攻克的难题就是最难忘的经历。”研究人员表示。

总的来说，本次工作为全球第一个“AI 药物”的诞生做了注解。对于本次成果，2013 年诺贝尔化学奖得主迈克尔·莱维特（Michael Levitt）博士表示：“虽然很多公司都在研究利用 AI 改进药物发现的某些步骤，但研究团队正试图将其 AI 应用于早期药物发现和设计的全流程。

AI 可以采用特定技术很好地应对海量数据，同时结合巧妙的筛选技术，从不确定性中获得确定性和潜在选择。”

日前，相关论文以《用于治疗纤维化的 TNIK 小分子抑制剂在临床前和临床阶段的开发》（A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models）为题发在 Nature Biotechnology[1]。

英矽智能联席 CEO 兼 CSO 任峰博士是第一，英矽智能 CEO 兼创始人 Alex Zhavoronkov 博士担任通讯。

图 | 相关论文（来源：Nature Biotechnology）

那么，相比于传统的药物开发，AI 制药能将时间缩短多少？据了解，传统药物研发面临高成本低产出的瓶颈，这也加重了部分患者“无药可医”甚至“无药可用”的困境。

仅仅特发性肺纤维化这一疾病，全球就有 500 万患者，而他们的平均中位生存期只有 3-5 年。一款药物“十年十亿美金”的研发投入，对于患者来说太过于缓慢而昂贵了。

而本次项目从确定 TNIK 为治疗特发性肺纤维化的靶点、到 INS018_055 被正式提名为临床前候选化合物，只用了 18 个月，这个时间大概是传统流程的三分之一左右。

此后，研发团队在一年时间里完成了 0 期微剂量人体试验，并开启了 1 期试验，现在两个 1 期试验也已经完成，该候选药物已经进入到关键的 2 期临床验证阶段。

从一定程度上来讲，药物研发流程的降本增效必然会传导到终端患者，然而除开研发成本，竞争态势、监管法规、供需关系都会影响到一线消费者实际感受到的价格。

不过有一点是肯定的：不管有没有 AI 驱动，药物研发从业者的最终目的都是做新药、做好药，真正帮助到全球各地的患者。

那么，利用 AI 进行制药，是否仍有需要克服的难题？

尽管计算机和人工智能辅助制药已经不是新鲜事物，但一项新技术的应用和落地必然面临挑战和质疑，尤其是在真正带来范式转变的初期。

人工智能以数据、算法和算力为底层支撑，其中数据是很多 AI 制药公司面临的难题：在越来越多公司意识到数据重要性、逐渐加强管控壁垒的现在，如何持续获取大量的公开数据？数据质量又如何保证？

在这一方面，2016 年之前较早入局 AI 制药的玩家有足够的时间整理和搭建自有数据库，会有一些优势。

另外，考虑到算法爆炸式发展对数据的 quantity 和 quality（质和量）的高需求，持续获取高质量、机器可学习数据的能力可能是未来行业竞争的关键。

尽管 AI 可以简化早期药物发现的进程，但是打造 AI 平台也需要成本。那么，对于药物开发来说，是不是只是成本的转移而已？

针对这一问题，研究人员表示在 AI 技术应用的早期，他们确实面对过类似的质疑，比如 AI 做出来的药是不是人类也能做，甚至人类要做得更好？AI 赋能的药物管线是不是难以复现的个案？

但其实，不管是 2016 年 AlphaGo 战胜李世石的轰动消息，还是 2023 年以来 ChatGPT 引爆的生成式 AI 浪潮，都说明 AI 平台在处理大量数据、快速迭代学习等方面的极大优势，而这是对人类来说比较难的地方。

只要找对了应用场景，可以说 AI 的能力是不断指数级增长的。另外，研究团队现在有 30 多条 AI 管线，其中 5 个领先项目已经进入临床阶段， AI 平台的能力也得到了反复验证。

未来，本次论文中崭露头角的药物研发平台也能针对不同的疾病开发药物。

该公司的 Pharma.AI 下属的 PandaOmics 平台，支持多种药物开发思路。

包括从疾病出发的靶点发现、从确定靶点出发的老药新用和适应症扩展等，用户都可以自行选择感兴趣的疾病领域和细分类进一步深入研究。

而在 2023 年 6 月，该团队已经完成了 2 期临床试验的首批患者给药，目前正在中美两地 40 个研究中心对这款抗纤维化 TNIK 抑制剂进行患者体内安全性、耐受性、初步疗效的一些检验，一共包括 4 个平行队列。

另据悉，大概半个月之前，PandaOmics 驱动老药新用研究、从靶点识别到临床开发，全程由 AI 赋能的福贝生物 FB1006 完成临床试验 64 位患者的招募，验证了 AI 赋能罕见病药物发现的潜力。

“期待这款药物能有好的表现，为行业带来更有力的验证，也为全球 500 万受纤维化影响的人带来新的选择。”研究人员最后表示。

参考资料：

1.Ren, F., Aliper, A., Chen, J.et al. A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nat Biotechnol (2024). https://doi.org/10.1038/s41587-024-02143-0

运营/排版：何晨龙

本文是一篇关于AI药物INS018_055的研究论文。该研究的目标是找到一个合适的靶点来对抗纤维化。研究者使用PandaOmics平台对比了纤维化病人的组学数据和公开的文献、科研项目、临床试验等文本数据，发现了一个可能的候选靶点TNIK。最终，他们确定了综合多个维度排名最靠前的TNIK作为起点，进入了分子生成和设计的阶段。
目前，该项目已经进入中国和美国同步进行的2期临床试验。尽管如此，距离最终的药物上市还有一段时间。至于何时能够上市，目前很难给出确切的时间。但是，AI技术在早期药物发现和设计中的重要性已经被证明，这使得研发人员有了信心。未来，这项研究可能会为全球第一个“AI药物”的诞生做出贡献。
总的来说，本次工作的意义重大，它标志着AI技术在药物研发中的一个重要应用。此外，该研究还展示了AI可以在早期药物发现和设计的全流程中发挥作用，这对于推动整个行业的进步具有重要的意义。虽然AI技术的发展仍然面临着一些挑战，但是其在药物研发中的巨大潜力使其值得我们继续探索和发展。