干湿一体化实验室半年拿到 20 多笔融资，AI 制药企业纷纷押注的下一站风口

 

传统制药行业发展多年，虽然药品种类繁多，但具体到药物靶点上其实十分局限。在人类蛋白质组中，难成药靶点占据 75% 以上。目前已验证有效的靶点如 PD-1、GLP-1 等则竞争激烈。许多肿瘤疾病、神经性疾病或是遗传疾病到今天还是无药可治，或者药效不够好。

AI 技术的发展在一定程度上改变了生物医药的发展格局。随着 AI 技术的突飞猛进，从全新目标蛋白发现，计算结构预测、实验结构测定、专用模拟算法开发到药物设计，AI 已经渗透到新药研发的多个环节当中。

然而药物发现始终是一个不断试错的过程，需要在实验数据基础上进行多轮分析迭代，筛选出最优药物分子。如今，AI 制药多集中于早期药物发现阶段，在后续的临床试验和 商业 化阶段缺乏动力。

更重要的是，AI 制药企业仍面临数据之困，大量的高质量数据对 AI 制药至关重要。为弥补数据体量和质量上的不足，许多 AI 药企开始自建实验室，寻求干湿实验闭环，以积累高质量标准化数据。

半年融资 21 起，干湿实验室成为 AI 制药押注的下一站

当生物体系越来越复杂，尺度越来越纷繁，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便会越来越强，计算生物学将变得越来越重要。

在以往的新药开发过程中，长周期的特性，开发出一款新药，仅在数量庞大的类药物分子中，找出一个有开发潜力的就是漫长的过程。2023 年，随着 ChatGPT 重新引燃人工智能热潮后，研究人员意识到 AI 筛选新药，算力还没到达真正的上限，AI 制药在资本市场的热度似乎又被重燃。

据不完全统计，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 20 亿人民币。这些 AI 药物研发公司多数集中在较早期的发展阶段，仅有少数融资是在 B+ 轮及 C 轮，多数均为 A 轮或更早期融资。

AI 药物研发，描绘的是人类试图驯服疾病的远大蓝图。但就目前来看，AI 真的会给行业带来颠覆性改变吗？

据动脉网此前采访，不少行业人士认为，AI 只是加速了新药筛选的过程，虽然在此环节提升了效率，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、商业化漫漫长路。

与此同时，AI 制药企业还面临着许多障碍以及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，能争取到足够多药企的青睐与合作也很难，最好的情况便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。

也正因此，如今行业谈及 AI 制药，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，跟现实有差距，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。只有把 AI 模型和湿实验有机结合，才能真正解决这个问题。

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。

干湿实验室兴起的背后， 是 AI 制药的数据匮乏

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。

动脉网对国内开展干湿结合实验并逐步实现闭环迭代的企业路径进行了不完全统计。接下来，动脉网也将持续报道国内 AI 制药企业在干湿实验室搭建方面的进程，如您有最新干湿实验室项目进展，欢迎联系我们进行报道。

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，选择性和毒性分析，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。

干湿实验闭环的底层逻辑， 是回归药物研发本质

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。

AI 技术也可以用来实现分子生成，通过对海量的化合物或者药物分子的学习，获得化合物分子结构和成药性方面的规律，进而根据这些规律生成很多自然界从未存在过的化合物作为候选药物分子，有效构建拥有一定规模且高质量的分子库。

此外，AI 技术还被用来完成化学反应设计和化合物筛选。目前，AI 正在取得进展的化学领域之一是对化学反应和合成路线进行建模和预测。基于 AI 技术，将分子结构映射为可以由机器学习算法处理的形式，根据已知化合物的结构，形成多条合成路线，并推荐最佳合成路线。反过来，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结果。AI 技术甚至还可用来探索新的化学反应。在化合物筛选中，AI 技术被用来对化合物的化学结构与生物活性之间的关系进行建模，预测化合物的作用机制。

可以说，在药物开发的独立节点上，AI 制药都取得了很大的突破。但从本质上来说，AI 制药更追求效率，通过压缩开发时间来验证自身价值，然而制药的本质逻辑是反复论证。AI 制药或许需要停下单点突破的尝试，融入新药研发的闭环思路，回归药物研发的本质。

当前，主流药企其实都配备了生信、统计、数据分析的人员，但存在大量湿实验团队和 AI 团队独立开展工作的情况。事实上，将 AI 模型和实验平台统一规划，协同工作，才能更好推进干湿结合。在这个过程中，生物人员可以通过和算法人员的合作，更好地判断现有算法能够提供什么。算法人员可以从生物人员处了解到基于现有问题，如何去适配或者创造一个新的模型，从而更好解决问题。

干湿闭环一体化验证， 推动 AI 制药走出数据困顿

新药研发的数据规模极大，类型、结构也颇为复杂，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，数据的记录、治理和储存方式都以实验为核心，数据只是实验的副产品。而数据对于 AI 的重要性毋庸置疑，这就要求药企在药物研发中，严格规范数据的格式、标准、质量、数量等。

另一方面，AI 制药企业的算法模型也得针对性地优化。AI 与制药行业的核心业务深度融合，需要对药物研发有深刻的理解，具备充分发掘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 家大药厂与亚马逊、以色列生物科技基金（IBF）共同推出了一个创新实验室 AION Labs。该实验室旨在创造和采用突破性的新型 AI 技术，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，加速潜在新疗法的发现和开发。

AION Labs 的云 /AI+ 湿实验方式基于 AI 与精确预测算法打开创新源头，再利用针对性的实验进行快速验证，然后以资本驱动持续创新。这一模式可以进一步加速 AI 制药技术落地的速度，也能筛选出真正有实力的创新团队，给予他们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 的商业发展模式或许可以为行业的发展注入一剂 " 强心针 "。

在国内，晶泰科技、英矽智能、百图生科等 AI 制药公司，纷纷建立了 " 全自动化的智能机器人实验室 "，可以 24 小时不间断产生数据，服务于新药研发的最前端的部分。

2022 年下半年，英矽智能已经将 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。

根据英矽智能招股书，公司将推进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的建设，以不断补充英矽智能庞大的数据资源。招股书表示，一款药物从项目启动到筹备临床需要 4.5 年的时间，利用英矽智能的 Pharma.AI 研发平台，则只需要 12 个月。Pharma.AI 平台有发现新靶点、生成候选药物，预测候选药物的临床成功可能性等功能。

晶泰科技已建立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，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，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 药物发现平台做了一个分布外研究框架 DrugOOD，在框架下对现有的数据库进行了分门别类，划分了非常多的实际场景，并利用 AI 评分体系评价 AI 在不同靶点之间生成结果的可靠性，在后续研究中及早发现模型与靶点不适配的问题，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，使筛选速度和筛选的化学结构空间获得数量级提升。

百图生科依托百度多年的 AI 技术积累，以生物计算引擎为核心，构建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，提高 AI 对大分子药物设计问题的预测能力，并基于高通量湿实验平台，围绕具体的管线研发问题产生大量的实验数据，干湿闭环，帮助模型的迭代优化，最终提高抗体工程效率。

干湿实验室的搭建门槛较高，首先需要有交叉领域的团队，既有能够做实验、对生物信息、对制药、对前沿生物技术有理解的人才，也要有经验丰富的系统工程人才，以及 AI 算法人才。其次需要强大的硬件支持，包括实验设备以及计算资源，以及把这两种资源整合在一起的能力。最重要的是，要回归做药的本质，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。

生成式 AI 的飞速发展为药物发现带来了新的惊喜，但距离真正落地还有一段时间。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或将成为药物研发的标配，引领 AI 制药的新范式到来。

来源：vb动脉网