由万怡医学发起举办的2021第四届中国生物医药创新合作大会将于6月25-26日在苏州金鸡湖凯宾斯基酒店盛大召开，晶泰科技将参与此次盛会，展位号：B01。在大会开幕前，大会组委特别邀请到晶泰科技首席科学家张佩宇博士进行了个人专访。

张佩宇博士：新药研发耗时长、投入大、风险高是整个行业的共识。国内目前处于创新药的黄金发展期，如何把握时代机遇，在激烈竞争下脱颖而出是当前制药企业普遍关注的问题。AI作为一项创新技术，在提高药物研发的效率，降低研发成本上被寄予厚望。晶泰科技作为代表企业，一直秉持“以终为始”的理念，为全球创新药企开发优质的临床前候选化合物和稳定晶型。

目前，晶泰科技采用创新的药物研发模式，充分发挥人工智能及高精度计算化学在算法的新颖性、全面性和提高研发效率方面的优势，结合智能化合成和测试等实验方法，及资深的生物和药化专家经验，打造了算法、实验、专家经验相结合的一体化解决方案。

传统First-in-class药物发现平均耗时4-6年，过程中需要合成数千个分子。基于现有模式，晶泰科技可以把研发时间缩短至1-2年，合成不超过200个分子。Fast-follow管线研发时间则更短，且通过计算推荐的分子具有很好的多样性，能够解决化合物专利新颖性问题。

晶泰科技的技术在帮助药企打造差异化管线方面有独到的优势。构建差异化管线有两种方式。其一，获得性质优于当前已进入临床阶段药物的新药物分子。其二，进行基于全新靶点全新机制的first-in-class药物开发。针对较成熟靶点，晶泰科技有能力开发新的候选药物，以提升选择性、解决耐药性等问题。针对全新靶点、全新生物学机制、难成药的靶点，晶泰科技的技术也能帮助合作方快速获得苗头化合物并优化至临床前候选化合物阶段。

张佩宇博士：晶泰科技的优势主要体现在核心技术、复合型团队和平台已通过大量管线验证三方面。

核心技术方面，量子化学计算是自下而上的基于第一性原理的算法，不需要实验就能精确描述确定的相互作用。人工智能是自上而下的基于知识/数据的算法，结合数据建立模型。这两种方法有很多互补性，共同构成晶泰科技认知药物研发领域的理论基石。另外，实验数据的来源和标准化一直是药物研发的瓶颈。因此晶泰科技也正通过打造智能化实验室，提升实验的效率和数据标准化，实现dry-lab和wet-lab两手抓，构建理论与实践的强映射关系，实现技术的持续优化迭代。

团队方面，晶泰科技目前拥有一支结合药物研发工业界经验和量子物理、人工智能、云计算等各技术领域领域的复合型专家团队，同时还建立了完整的药物合成和生物测试实验团队。公司目前有300多位员工，其中包括来自Pfizer、Sanofi、GSK、BMS、Amgen等国际大药企的资深生物学家和药化专家。同时，还拥有一个由四十多位博士组成的基础科学研发团队，聚焦于人工智能和量子物理等底层技术研究。另外，还拥有由六十多位IT工程师组成的云计算团队，为专家团队提供强大的算法平台，加速管线达到里程碑。

平台验证方面，目前包括美国的Pfizer等大型企业及数家Biotech、英国的PhoreMost、国内的数十家药企和Biotech都是晶泰科技的商业合作伙伴。晶泰科技创新的AI药物研发模式已经在数十个管线中得到验证。合作类型包括难成药靶点的First-in-class药物发现、解决耐药突变的下一代Best-in-class药物发现和专利规避的Fast-follow药物发现等，合作靶点类型包括蛋白激酶、GPCR、离子通道等。

张佩宇博士：药物研发投入回报率逐年降低，根源是边际效应递减。大家都在有限的靶点上耕耘，很容易走进We-too式的内卷。新的计算技术将帮助药企在更前沿的或难成药的靶点和解决临床需求方面，发现上行的空间。同时也可以和PROTAC、靶向RNA等新策略结合，发现差异化的药物。一个最新的例子是Amgen刚上市的靶向KRAS的药物。KRAS是最重要的原癌基因之一，但在过去几十年都没有研究者找到合适的靶向药物分子。新兴的分子出现后，一下就打开了一个全新的领域，目前整个信号通路的多个靶点都有人在研究。

当然计算驱动创新不是一帆风顺的，存在两个难题。第一个难题是实验数据的数据量和标准化问题。算力、算法和数据是人工智能的三要素。基于云计算的算力和高精度的计算化学算法我们可以产生海量的计算数据。但是在药物研发领域，体内的实验数据难以批量生成，不同研发机构产生同类型的数据的实验条件不一样等都是影响数据质量的重要因素。晶泰目前正在进行相关的工作以解决该难题。第二个难题是生物学或转化医学太复杂。一个顶级的生物学家可能在某个靶点或疾病通路上耕耘数十年，仍不能完全理解其中的机理。计算科学即使在复杂的人体环境中找到生物学线索，也需要专家反复验证才能确认可能性。

张佩宇博士：选择什么样的分子来做链接片段是一个化合物空间探索的过程。化学空间巨大(10^60)而复杂。药物设计是一个从苗头化合物发现迭代优化到临床前候选化合物的过程。其中关键的环节包括探索化学空间、多属性优化、实验和数据分析。

1）探索化学空间。通过人工智能分子生成算法，可以在1天内产生百万到千万量级的合理分子，探索更广阔的化学空间。同时根据不同的设计阶段产生想要的分子。比如说在先导化合物产生阶段，我们可以指定人工智能去探索各种新骨架。而在先导化合物优化阶段，更多是在确定的骨架上结合多属性优化来选择分子。

2）多属性优化。临床前候选化合物需要在活性、成药性、毒性等多个属性上达到一定的标准。基于物理方法精确评估分子的活性、选择性和耐药性，基于人工智能方法精确评估分子的成药性。因此打破药物研发的线性局限，在合成前就评估一些要到较晚期才能通过实验筛选和研究的关键性质，这对后期的成功率有显著帮助。

3）实验和数据分析。不管是人工智能还是药物化学家，都需要基于合成和测试的实验数据去分析迭代。合成实验一直是小分子药物研发的瓶颈。基于智能化的实验室，高效的合成和测试，迅速收集实验数据并反馈给药物化学家和人工智能进行分析迭代。

张佩宇博士：除了小分子药物研发，我们也看到PROTAC、单抗、双抗、融合蛋白和mRNA等领域的蓬勃发展。每一个领域都有一些关键的瓶颈有待通过新的技术去解决。同时，新技术也在逐渐蔓延到药物研发的整个流程中。在这里我仅简单介绍几个刚才没有涉及的方面：

1） 蛋白结构预测。我们都知道序列决定结构、结构决定功能。所以蛋白的结构非常重要。有了准确的结构，我们可以更好地预测药物分子和蛋白的相互作用，从源头上提高药物发现与设计的准确度。人工智能AlphaFold2在蛋白结构预测上已经能部分取代实验，在其他更复杂的蛋白上也能帮助实验提高分辨率。

2） 晶体结构预测。AlphaFold2的成功在2020年给生物医药领域带来了巨大的惊喜。其实五年前，晶泰科技就有能力预测小分子所有可能的晶体结构。相当于通过晶型预测给出一个晶型研究战略地图，避免仅通过传统的、经验式的实验试错方式进行晶型筛选导致的各种问题。根据晶型预测结果，晶泰科技可以有效评估药物晶体的纯度、稳定性、溶解度、晶习等，选择最有临床优势的晶型进行开发，支持项目管理者进行决策和风险评估。

3） 临床开发。一个First-in-class的新药临床平均花费15-20亿美元。临床失败不光让临床上的投资打水漂，同时药物发现和临床前研究的投入也变成了沉没成本。通过AI来指导临床入组、个性化医疗等，增加临床成功率，缩短时间也是一个很好的应用方向。

基于新技术，不管选择合适的靶点，还是找到好的分子，还是在临床阶段选择合适的病人，都有数字化模式创新的可能。人工智能将是我们所有制药人可以拥抱的大机遇。