AI制药，一个被称作明星赛道的行业。

不仅融资消息隔三差五传出，更被认为是计算生物最有希望落地的领域。

据量子位智库预测，AI制药行业国内市场保守估计将达到2040亿元规模。

在这样的前景下，不仅国内外高校博士生和教授纷纷投身创业，就连互联网大厂们也争相入资角逐。

如今AI制药步入热度高峰后的瓶颈突破期，各玩家的差异性也逐步显现。

作为国内互联网巨头的腾讯，相比间接投资，三年前选择直接成立AI制药平台，成为赛道上角逐玩家之一。

现在，腾讯AI制药平台成果进展如何？相比同赛道玩家，其竞争优势是否得以体现？

在MEET 2023大会上，腾讯医疗健康AIDD技术负责人刘伟，从腾讯制药AI算法实践的角度探讨了这一行业当前的现状。

图片

为了完整体现刘伟的分享及思考，在不改变原意的基础上，量子位对他的演讲内容进行了编辑整理。

关于MEET智能未来大会：MEET大会是由量子位主办的智能科技领域顶级商业峰会，致力于探讨前沿科技技术的落地与行业应用。今年共有数十家主流媒体及直播平台报道直播了MEET2023大会，吸引了超过300万行业用户线上参会，全网总曝光量累积超过2000万。

演讲要点

  • 在AlphaFold和AlphaFold2驱动下，AI药物行业发展速度非常快，而腾讯在蛋白质结构预测上的工作从2019年初就开始了。

  • 骨架跃迁分子生成算法能在保证原有化合物活性的基础上，突破原有分子专利的保护，或者优化分子的ADMET性质。

  • 只靠数据驱动的AI缺乏可解释性，要与领域知识相结合；药物AI是AI算法和领域知识相互发现，相互提升的过程。

  • AI辅助药物发现存在一个难题就是泛化性，即在A靶点中训练的AI模型，通常难以应用到B靶点上做预测。这个问题的解决对技术的突破至关重要。

（以下为刘伟演讲分享全文）

腾讯云深智药是一个怎样的平台？

我分享的题目为“腾讯制药AI算法实践”，会对腾讯过去3年积累的AI制药技术进行一个展示。

我叫刘伟，是腾讯AI药物发现这一块的技术负责人。今天我要讲的内容，主要包括三个部分：

第一部分是腾讯云深平台介绍，它实际上是沉淀了腾讯AI制药技术的一个平台；第二部分是平台的案例分享；第三部分总结平台的技术优势。

我们先介绍一下腾讯云深平台的两大功能模块，一个是小分子药物发现，另一个是大分子药物发现，这里主要指抗体药物发现。

其中，小分子模块包括蛋白质结构预测、分子生成等6个模块，大分子模块则由抗体结构预测、抗体亲和力、以及抗体人源化改造等几大模块组成。

图片

时间有限，我们不会详细介绍每一个模块，主要会讲案例以及部分底层技术的实现。

腾讯云深平台四大案例分享

第一个案例是蛋白质结构预测，这块腾讯在国内可能是做得最早的。

最近在AlphaFold和AlphaFold2的驱动下，行业发展速度非常快，而腾讯从2019年初就开始做相关技术工作。

大家应该比较清楚，蛋白质是生命及其活动中非常重要的组成部分，蛋白质结构预测则是指给定一个氨基酸序列，来预测蛋白质的三维结构。

我们在2019年打造的一个预测pipeline，当时是基于分子动力学模拟和AI预测相结合的方法，构建了一个叫tFold的蛋白质结构预测平台。

在2020年比赛的时候，这个pipeline连续八周在评测平台排名第一。

图片

随后我们还参加了CASP竞赛，在国内获得了第一名，颜宁教授在她的论文中还引用了tFold平台，这是对我们在蛋白质结构预测上的成果的重要肯定。

第二个案例是结合物理学特征和本地数据训练，我们做了ADMET性质预测系列模型。

也是从2019年开始的工作，想跟大家分享两点：第一点是效果提升，以水溶性模块为例，我们做的ADMET相比头部商业软件效果平均会有20%的提升；第二点是ADMET预测成熟度，在与某药企合作上，我们会提供一个可以说是非常基础的模型，在药企拿到这样的模型之后，会基于具体项目的管线生成的很多内部数据，即项目和靶点相关的特定数据。

用这些数据对基础模型进行重新训练（retrain）、或者说做微调（finetune）后，它会有一个更好的提升。

比如我们与某个药企合作分析某系列化合物的心脏毒性，发现在项目中后期阶段，基本上与实验结果相关性达95%以上，后来药企就不太需要去做实验了，而是直接使用模型预测结果去做分析了。

所以我们在ADMET预测这块已经做到非常成熟，目前模型包含60多个属性预测模块，在腾讯云深平台上可以直接使用。

图片

第三个案例是骨架跃迁分子生成算法，这也是针对国内药企或者国内科研机构的一些实际需求打造的，目前同样已经做得比较成熟。

通过骨架跃迁分子生成算法，就能在保证原有化合物活性的基础上，突破原有分子专利的保护，或者优化分子的ADMET性质。

我们自研了骨架跃迁算法，与药企做了一些合作，这些合作不仅帮助到药企发现了纳摩尔级别的多个化合物系列，也很好地验证了我们这个流程的健壮性，在不同的靶点、不同的复合物上都实现了比较好的效果，目前部分研究成果已经发表在期刊上。

图片

第四个案例是将强化学习引入药物小分子的生成。

在生成分子的时候，我们不仅要考虑分子活性，还要考虑ADMET的属性，所以我们把这些流程做了一个打通，你可以定制这些ADMET属性的要求。

在生成过程当中，我们用上强化学习，使得生成出来的分子符合定制的属性要求，两个不同的模块能够相互提升和强化，最终建设一个非常完整的pipeline，这可以用在各种分子生成的场景中。

例如这个例子中，生成有两个要求，包括不能通过血脑屏障、以及logP的属性：

图片

可以看到，在没有经过强化学习时，它的分布是比较弥散的，生成出来的化合物不太满足实际应用需求。但经过几轮强化迭代后，97%的分子都会满足生成的要求。