0
作為藥物發現階段的研究核心，先導結構的發現和優化往往需要花費數年時間，投入數億美元，長期被視為藥物研發的關鍵技術瓶頸。
從20世紀70年代以來，計算機輔助藥物設計（CADD）作為一個日趨完善的藥物發現手段，主要包括虛擬篩選和藥物從頭設計兩種策略，曾極大提升新藥設計和開發的效率。
“我們即將迎來生物醫學大爆發的時刻，但這一成果的取得，不僅取決于生物學家與醫學家的努力，甚至更大程度上取決于數學、物理學、化學、計算機技術等的發展以及與生物醫學的結合。”
“隨著AI技術的成熟，蛋白質、基因組學數據的積累，AI制藥平臺化勢必成為醫藥行業的一股革命性力量，從根本上改變傳統藥物設計試錯流程，未來AI大模型技術又將引發新的期待。”
近日，由雷峰網GAIR Live&《醫健AI掘金志》舉辦的《「人機協同」模式下的新藥研發》線上圓桌論壇落幕，五位具有投資、企業、藥物實驗、AI制藥背景的專家表達出這樣的愿景。
本次論壇，由浙江大學藥學院教授謝昌諭主持，北京大學藥學院研究員劉振明、騰訊醫療健康AIDD技術負責人劉偉、浙江工業大學智能制藥研究院院長段宏亮、清華大學智能產業研究院戰略發展與合作部主任張煜參與討論。
在上篇中，他們共同辨析了人機協同模式下的藥物研發歷程、近幾年AI制藥領域的算法和模型突破、以及與傳統藥物研發手段相比AIDD的優劣性。
在下篇中，則探討了我國創新藥研發的痛點、AI制藥的數據之困，以及新一輪AI浪潮下藥物研發的可能性。近期AI大模型爆火，歡迎添加作者微信（微信號：qiaoyw186），互通有無。
“全球人工智能與機器人大會”（GAIR）始于2016年雷峰網與中國計算機學會（CCF）合作創立的CCF-GAIR大會，旨在打造人工智能浪潮下，連接學術界、產業界、投資界的新平臺，而雷峰網“連接三界”的全新定位也在此大會上得以確立。
經過幾年發展，GAIR大會已成為行業標桿，是目前為止粵港澳大灣區人工智能領域規模最大、規格最高、跨界最廣的學術、工業和投資領域盛會。
GAIR Live作為雷峰網(公眾號：雷峰網)旗下視頻直播品牌，旨在輸出新鮮、深度、原創的大咖訪談與對話內容，打造輻射產、學、研、投的特色線上平臺。
以下是主題論壇的現場內容，雷峰網《醫健AI掘金志》做了不改變原意的編輯和整理。
張煜：從歷史來看，我們國家的西藥研發確實跟隨著歐美的步伐在前進，歐美國家很早就有了相關的行業標準和規定，使新藥研發有規律可循，并且在發展的過程中培養了大量的行業人才。在行業標準性、規范性以及人才培養上，我們都還有很長的路要走。
過去那套新藥研發的機制，包括前期的研發、IND（Investigational New Drug，新藥臨床研究審批）、臨床實驗等環節在內，都需要很長的時間和資金的積累。在國外，已經有了很成熟的新藥研發體系，不論資本、人才還是機制都非常成熟。
而國內還處于起步階段，雖然國家正在大力推動國產藥物創新，但是在新藥研發機制上，我們還有很多的課要補。
在技術積累、人才培養、實驗機制等方面，我們前段時間去了幾家國際知名的大藥廠進行學習，發現他們的流程化做得非常好，國內的企業目前也在學習中，但整體上看還是跟隨著歐美的腳步，其中存在很多痛點。
與國外的AI制藥技術相比，我國的相關技術仍舊存在著代際差異，并且是系統性的差異，而非某一兩個因素。在追趕的過程中，國家要發揮更大的作用。
新藥研發的投入是巨大的，雖然如今行業內已經劃分出CDMO（ Contract Development Manufacture Organization，合同研發生產組織）、CRO(Clinical Research Organization，臨床試驗業務）等不同的研發階段，但仍舊是一件費時、費力、費錢的事情。
對國外已經發展成熟的大藥廠來說，他們有成型的平臺和多年的資源積累，探索AI輔助新藥研發的成本會更低一些，而國內目前還處于摸索階段，試錯的時間和金錢成本要更高，標準成本也更高，還需要國家的支持。
AI制藥是否能成為國產藥的創新彎道超車的機會，我認為這是一定的。新的技術要素造就新的格局，每一次產業革命都是由新技術的變革所帶來的，AI制藥正是我們國家趕超歐美的一個新機會。
幾位老師在前面的討論中也講到，AI制藥不能僅僅停留在計算的階段，最終還是要落實到實際的藥物療效上，所以必須要和干濕實驗結合起來，從過往的經驗來看，濕實驗更多的是正向實驗。
如今很多企業，特別是新的AI制藥企業都引入了干濕實驗實驗，從正反兩方面進行驗證，使算法收斂的速度和優化的效率都得以大幅提高。
所以，我們的AI制藥技術和國際上差距在不斷縮短，但是從創新程度上來看，歐美如今還是創新的源頭，我們仍處于跟隨和學習的階段。
段宏亮：創新藥的研究國內起步比較晚，距今還不過十余年時間，在此之前一直以仿制藥為主。當然，這也和我們國家所處的發展階段相關，很多研究都要從零開始發展，創新藥也是如此。
在人才培養、新藥研發流程方面的欠缺，導致我們和美國、歐洲、日本等國家之間，存在著非常大的差距。
但是從最近十年國內從零開始做創新藥開始，能夠看到國內以恒瑞、百濟神州等為代表的公司，已經有一些產品在國際上具備了一定的競爭力和影響力，比如百濟神州開發的BTK抑制劑，這表明我們國家的藥物行業有很強的學習能力，尤其是在一些相對較新的藥物研發細分領域。
比如ADC抗體偶聯藥物，最近一兩年間，國內的制藥公司向國外制藥巨頭轉讓了數個金額達幾十億美金的ADC藥物。
在類似的新興細分領域中，歐美國家也沒有太多的積累。AI制藥也是類似于ADC領域的新興賽道，相比我們國家，歐美國家的技術積累也不太多。
雖然國內的制藥行業相比國際上還落后一些，但我們的AI技術在全世界是非常一流的，我們國內憑借先進的AI技術水平，和相對落后的創新藥研發進行結合，形成AI制藥這樣的新行業形態雖然只發展了短短幾年的時間，但整個資本市場這個行業的反響都非常熱烈，甚至比歐美國家的投入還要大得多。在大量資源的扶持之下，我們或許能在短時間內取得一定的成果。
在新藥研發領域，我們和歐美依然存在著代際差異，尤其是小分子這一板塊，我們幾乎沒有做First In Class的新藥開發能力，國內的First In Class屈指可數，更多的是Fast Follow或者Me-too、Me-better的項目。
但是在AI 制藥領域差距卻沒有那么大，國外這方面發展得也并不順利，以薛定諤、Recursion等為代表的各大AI制藥公司，在資本市場的表現并不算好，一些研發項目進展緩慢。
這就為我們贏得了很多時間和機會，如果國內能夠繼續保持研發的勁頭，在這樣一個全新的賽道中，完全可以彎道超車。
劉振明：這個問題很值得討論，在許多公開的報告、討論中，我曾經反復提過一件事情：中國的創新藥被迫起航。從這句話當中，我們可以感受到切膚之痛。
就在去年和前年，國內的一家知名藥企裁員一千人，因為這些員工做的是仿制藥業務，而非創新藥；另一家藥企自斷臂膀，將自己所謂的創新藥項目砍掉了八十多個。
這就是他們的切膚之痛，他們做的藥物，放在五年前可能都是寶貝，但是在創新藥時代就變成了累贅。
為什么會出現這種局面？我從一個從事藥學研究的工作人員的角度來分析，首先，2021年國家藥監局藥審中心發布了第46號文《以臨床價值為導向的抗腫瘤藥物臨床研發指導原則》，做腫瘤藥物的熱潮一下子就熄火了。
標準是人家制定的，要和他們競爭你的能耐在哪里？監管部門要考慮這些問題，這些都是長痛，而非短痛。
其次，大家都在講AI，我們在研究中關注適應癥更多一些，比如PD和AD對市場來說是很好的適應癥，為什么大家不做？
以往基于Aβ蛋白，基于乙酰膽堿酯酶抑制劑研究積累的數據，對我們建模、做PD和AD的藥物研究，究竟是助力還是阻礙？這些問題都需要思考。
2021年，國家正式啟動科技創新2030“腦科學與類腦研究”項目，在目前的研究水平之下，我們對一些腦部疾病的認知還太膚淺，甚至于前期研發的相關藥物使用的都是“假”數據。
雖然現在大模型的概念玩的很嗨，但是到了真正練兵的時候估計作用有限。我個人感受，AI目前炒的太熱了，我們科技組的很多學生，水平都還未達到培養要求的標準，就已經被企業爭搶得一塌糊涂，人才更是這個行業的痛點。我擔心繁華過后留下的是一地雞毛。
當然，我們希望大模型的發展不會像當年的互聯網泡沫破裂一樣經歷漫長的寒冬，但前提是從業者能夠腳踏實地地為人才儲備做一些扎實的工作，才能讓這個行業經歷過現在的短痛以后，不再經歷未來的長痛。
關于國內的AI 技術與國外相比是否存在代際，我的觀點與其他幾位老師相同，是不存在的。但中國目前的創新藥研發能力和國外存在代際差異。
為什么我們一直在強調基礎原創研究？很多研究藥學領域的老師都明確講過，我們的很多藥效模型和國外相差至少二十年，比如幾年前的IDO抑制劑藥物，國外的研究項目下線后，國內的相關項目也全部下馬，因為核心的原創研究不在我們手里。此外，在藥劑和遞送技術、藥物研發環境等方面，我們和國外都存在代際差距。
至于AI制藥能否成為國產藥創新、彎道超車的機會，AI一定能讓創新藥的研發起步姿態非常美，但是能不能跑到終點，目前還不知道。彎道超車要有一個前提條件，它得有道。
我們做藥的人常常講，當一款藥物成功以后，我們講出來的故事往往都是完美的。但如果回過頭重新走一遍這條路，也許最終得到的結果卻很不一樣。
簡而言之，做藥這件事情除了實力以外，還需要一點點的運氣。因此，我只認可AI技術能夠讓藥物研發的起跑姿態更美，能否超車仍是未知數。
謝昌諭：整體而言，這一階段新藥研發存在的痛點比較多，不論是整體的大生態還是人才、數據或其他方面，各位老師剛剛已經講過很多，我就不再重復了。但如果就聚焦在AI制藥的領域，尤其是聚焦在算法模型的層面，我認為不存在代際差異。
當前的AI技術以及整個社區，相對來說比較開源、透明，世界各國的研究者們不入歐有新的研究成果或進展，大家都可以快速地通過發表的論文，開源的代碼以及各種線上講座等方式來相互了解和學習。
但由于基礎設施的差距，在新藥研發過程中藥企之間反而很難像AI技術一樣迅速實現技術的學習和共享。彎道超車少不了AI技術的支持，但僅僅依靠AI技術可能還是無法實現。
謝昌諭：ChatGPT做的RLHF依賴專家標注的數據量還是比較大的。RLHF應用在藥學領域的挑戰在于，人類專家很多時候沒法“一拍腦袋”就輕易地對大模型輸出的不同答案進行評價和排序，判斷好壞。
在藥學領域，研究者還要對大模型輸出的結果進行更多的計算或實驗，才能確認哪個選擇是更好的。
如果說大模型輸出的結果非常容易分辨，比如設計出的新分子與口袋靶點是否能形成關鍵的相互作用，或者較為簡單的物理化性質的評估等等，專家一看就能分辨，那么這個大模型學習到的相關知識可能還還是十分有限。
這也是ChatGPT與新藥研發在使用上的底層邏輯不同的需求。ChatGPT 更多的時候只要做到人類專家的水平即可，然而AI制藥往往期望 AI 可以做的比專家和之前的CADD 都更為準確的判斷。
當然，正如剛剛劉偉老師講到的，目前已有不少優秀的分子生成模型是通過強化學習來進行調試的，所以這項技術肯定還是有用的。
但是具體在什么樣的場景下才能將這項技術用得更好，真正在一定程度上可以降低對龐大數據量的依賴，還有待我們去挖掘。
劉振明：我們特別看好大模型未來對AI制藥行業的賦能。目前，大模型更多的應用場景是在社交領域，而在AI制藥領域，大模型的商業價值的實現會更加緩慢，未來五到十年內大模型應用場景會發生切換，對AI制藥產生一定的影響。
以我們關注的化學制藥為例，化學制藥的合成實際上就是速控步，需要基于經驗來完成，否則就要依靠外包。SCIFinder這類知識庫也許很快就會被大模型取代。
在未來，即便一個經驗怎么不豐富的合成學家，借助大模型這個“軍師”也能完成合成工作，只要向大模型提問合成反應的結構式、不同反應條件的選擇等等，大模型都能夠給出指導。
在優化環節，使用者哪怕只是給出“這個結果不太對”的回應，大模型都能夠據此對結果進行優化。
最近幾年，我和國內做創新藥的投資人接觸比較多，感覺他們特別不容易，一方面帶著興奮，堅信生物醫藥絕對是一個創新的朝陽行業；另一方面帶著迷茫，沒有深厚醫藥背景的他們很難看懂這個行業。
未來大模型的發展，也許能夠讓這批投資人更好地理解創新藥的研發，對行業的影響反而更大。
投資人雖然不做藥，但是他們在大模型的支持下，他們能夠與做創新藥的人更好地對話，省去了進行底層教育的時間。
我遇到的很多投資人都不敢投創新藥行業，大模型更像一個軍師，我們也特別希望它未來能成為投資界的一個強有力的助手，使創新藥的投資門檻更低一些。
劉偉：預訓練AI大模型出來之后，我們這些做AI的人歸納起來，認為它帶給了我們兩個比較震撼的改變過去認知的東西，一是改變了AI的范式，二是改變我們對效果的認知。
過去我們做AI通常是基于監督學習，或是規模不大的預訓練的模型加微調，比如BERT+finetune。現在的大模型在應用場景中不依賴微調，只需要用海量的無標簽數據進行預訓練，再用提示學習等方法小規模數據進行優化，這跟以前的預訓練的大模型加微調是非常不一樣的。
這是一種新的范式，反映到AI制藥行業也是存在的。比如基因，蛋白質序列，各種大規模化合物分子的數據庫等等，數據量可能達到幾十億到幾百萬億的量級，并且其中絕大多數都沒有標簽，這與自然語言的情況是比較類似的。
這種情況下，如果我們能夠將這些數據拿過來對模型進行訓練，這些數據庫中所涵蓋專家知識的量是人類專家很難企及的。 這些數據全都拿來，并且能夠進行有效的表示和學習，能夠帶來的想象空間是非常大的。
當大模型學習了大量的基因數據、蛋白質數據或者分子數據后，也許就能夠發現新的分子生物學的機理，甚至是發現一種新的治療方法，這在不久的將來都是能夠想象得到的。
另一點對效果認知的改變也十分顯著，過去我們認為多輪對話并且具有一定的邏輯推理能力的AI非常難以實現，也許需要三五十年才能打造這樣一個通用的人工智能，當下的大模型所展現的智能涌現的現象，是以前從未出現過的。
智能涌現叫做emergence，來源于凝聚態物理和復雜系統的研究中，即復雜系統中的較低層次的子系統通過相互聚集、相互作用構筑較高層次的系統，會在較高層次的系統層面誕生一些子系統所不具備的新屬性或新規律。
比如凝聚態物理中的超導、超流等相變現象，就是物理學中的典型涌現現象。
在以前的AI模型訓練中，從未出現過涌現的現象，即模型參數量以及訓練的數據量跨過一個坎后，出現大幅度的性能提升，也就是出現相變。在以往的普遍認知中，增加數據量后，模型的效果會出現一定的提升，但只是線性或亞線性的增長，而非涌現的那種突變。
以前的很多研究工作由于性能提升緩慢沒能再繼續下去，在大模型的背景下，這些工作可能又值得繼續研究下去。
大模型也為AI制藥的研究提供了源頭活水，如果我們有一個以分子化合物為基座的大模型，利用數十億量級的數據庫對大模型進行預訓練，其中少量帶有標簽的數據可以來自濕實驗，或是來自專業領域的知識、人類專家的反饋，然后對基座的大模型進行微調與強化。
行業內已經有很多公司在進行相關的研究工作，訓練蛋白質、基因或分子的大模型，將這套范式搬到藥物AI的場景下，這是一個非常值得投入的研發方向。
至于大模型在藥物AI領域能否像自然語言處理領域一樣，出現智能涌現的現象，達到一定的訓練量和參數量后，效果實現顯著提升，目前還是一個開放性的問題，有待我們進行進一步的研究。
段宏亮：專業領域的大模型與ChatGPT等常識性大模型相比不同的地方在于，對于ChatGPT來說，來自全球的幾十億人都可以作為數據的生成人員與ChatGPT進行人機互動，但如果我們研發一個藥學大模型，能夠生成數據的人相對而言比較有限，可能只有幾十萬或是幾百萬的量級。
從大模型要處理的工作來看，藥物研發的難度比ChatGPT中自然語言處理的問題難得多，所以，藥學的大模型的研發和訓練顯得更加困難。
藥學領域的很多數據都依賴于實驗，或許幾周、幾個月的時間才能產生幾個數據反饋給計算機模型，無法像ChatGPT一樣從互動聊天中即時獲得大量的信息，迅速迭代。
當數據量或是產生數據的人較少時，藥學大模型是否還能像ChatGPT一樣，迅速地根據人類反饋優化，使模型的智商在訓練中增長，還是一個未知數。
但是從數據的角度來說，藥學大模型，或許可以成為收集藥學數據的方式。正如劉老師剛才所講，用聯邦學習平臺收集數據是不可行的，藥企的戒備心很重，無法放心地將數據放到聯邦學習平臺之中，擔心數據會泄露。
但藥物研發人員在與大模型的交流互動過程中，會以一種隱蔽的方式將數據傳輸給大模型。大模型可以將這些零散的數據收集起來，將時間線拉長，在幾年、幾十年后，數據積累到一定程度，也許某一天藥學大模型就會豁然開朗。
張煜：蛋白質結構預測技術的突破，讓大家看到了更多的可能性，也讓人們開始暢想這個行業未來的模樣。
不僅僅是AI制藥領域，整個社會，包括專業的學術領域、技術領域、企業界和資本界，都對制藥產生了更多的關注和期望，所以即使沒有技術的突破，相關應用的發展也會進入快車道。
至于相關應用突破和爆發的可能性，從技術角度來看可能的發展方向有以下幾個。
首先是藥物設計，肯定會更快、更精準、成本更低，這本來也是AIDD要實現的目標，在技術驅動下會向著這樣的方向發展。
在具體應用的層面，病癥的治療會更加個性化和精準化。過去在治療普通病癥時，需要服用的藥物劑量都是一片、兩片，兒童減半，但治療一些特殊病癥時藥物的劑量需要非常精準，沒辦法用傳統的方法來定量，但AI可以解決這一問題，通過計算給出精準的藥物配比和劑量。
其次是在一些特殊方向上的應用，比如抗衰老藥物的研發。干細胞的研究與個體相關，要進行很多的實驗，成本非常高，如果用AI技術來輔助進行研究，或許能夠大幅降低成本。
罕見病的相關研究。藥物研發以數據為基礎，通常需要大量數據。但罕見病的稀有性則注定無法取得大規模的病例數據。如果使用AI技術，或許能夠使這些小樣本或小數據量的藥物設計成為可能，這也是未來可能的突破方向。
迅速反應和預測。當年SARS病毒出現時，研究機構花了很長時間才確認毒株，而四年前的新型冠狀病毒出現后，僅僅花了一周時間就確認了毒株的整體結構，從而快速找到應對措施。在AI的輔助下，我們對大規模傳染性疾病的防治或許會取得更好的效果，甚至在AI的支持下，可以預測病毒的變異和進化，從而提前研發面向未來的疫苗和抗體。不借助AI手段這些是無法實現的。
復合療法。目前的單抗、雙抗或是其他療法，通常相關性很強。在未來，某些疾病可能需要相關性不太強的療法，比數字療法加藥物療法，或是其他不同的療法綜合進行疾病治療，其理論基礎和實驗都非常難，以我們目前的手段幾乎無法實現，AI技術或許能夠使綜合性的療法成為可能。
藥物遞送。藥物遞送與藥物設計、靶點發現同為藥物研發中的三大難題，就目前的技術手段來看，藥物遞送還存在很多問題，也許只有AI技術能夠解決。
中藥。中藥研發過程中涉及到的機理和各種要素比較復雜，規律性比較差，用傳統的研究方法很難實現，用AI技術進行研究或許能取得比較好的效果。
段宏亮：隨著蛋白質結構預測技術和大模型這兩個跨時代的新技術的應用，對新藥研發工作的改變會非常大。
在小分子藥物的研發上，如果要做小分子藥物和蛋白藥物的相互作用，本身就需要蛋白質結構，蛋白質結構預測技術剛好可以解決這個問題，
當然，更大的影響或許在蛋白藥物的開發以及多肽藥物的開發這些領域。
AlphaFold2做的主要是單體的蛋白結構預測，而蛋白質復合物、以及蛋白和多肽復合物的預測，和蛋白質藥物、多肽藥物等的研發相關性會更高，DeepMind后來開發的AlphaFold Multimer就做了很多這方面的工作，本質上與AlphaFold2一樣，都是氨基酸的相互作用。
如果能夠沿著這條路走下去，在蛋白質復合物的研究上投入更多精力，把精度做得更加準確，那么在抗體藥物、蛋白質藥物、合成生物學等方向，或許會出現一些顛覆性的應用，這會是未來幾年中我們可能看到的重大突破。
劉偉：從AlphaFold2出現以后，蛋白質結構預測做得越來越多了，但是目前仍然沒有將這項技術非常好地應用落地在藥物臨床前的各個研究階段，并且取得比較大的提升，我覺得這一塊在未來是一個很重要的突破口。
剛才段老師提到，可以用蛋白質結構預測用在抗體的研究上，可以實現很多以前沒有做過的工作。
我們曾參加過CASP14競賽，自研了tFold，近年也在tFold的基礎之上擴展出tFold-Ab，用于抗體結構的研究，同時我們也測試了蛋白質結構預測在不同場景下的性能表現，比如單體、二聚體、三聚體、抗體抗原等體系下的性能，在有些情況下還存在比較大的誤差。
業界也有不少論文中提到了類似的測試結果，因此有人質疑AlphaFold2是否真的能夠應用于實際的藥物研發。
針對這一情況，我們團隊專注于tFold在抗體抗原體系中的研究，在tFold模型的基礎上，設計了基于大規模預訓練的單序列結構預測方法，能夠快速預測出抗體重輕鏈復合體的三維結構，這項研究成果已經發表在 NeurIPS2022的機器學習與結構生物學研討會（《Fast and Accurate Antibody Structure Prediction without Sequence Homologs》），目前該成果也已經和多家藥企進行了相關合作。
劉振明：AlphaFold2在生物醫藥領域中的應用會帶來很多影響，解決了靶標的問題，激活了以抗體設計為代表的大分子藥物設計領域。
有很多投資人問過我們為什么不做大分子，只做小分子。他們認為大分子更復雜，但實際上抗體抗原設計中80%以上的東西是一致的，而小分子相對來說要復雜得多。
AlphaFold2的應用也不會讓結構生物學家們失業，我有一個學生在做鹵化酶的研究，他明確地講過AlphaFold2對他所研究的鹵化酶的預測是錯的。鹵化酶并不是很復雜的一類蛋白，但AlphaFold2預測出的結果與實際情況的確存在出入。
這意味著AlphaFold2或許在統計學上做得很好，整體來看在蛋白質預測領域表現很出色，但它并不是萬能的，在某些細分領域的預測不一定準確，依然需要結合試驗結果，由人類專家幫助優化。
其次，AlphaFold2用來做訓練的數據是靜態數據，而蛋白質在人體內發揮作用時是動態的，通過結構的變化來產生功效，這是AlphaFold2目前的數據集中所缺少的數據，但是在藥物研發的過程中，必須要考慮這種動態變化。
AlphaFold2走出了一個很好的開端，但是未來要走的路還有很長。
如果未來的藥物領域出現了AlphaDrug，它要回答的一個最重要的問題，某個疾病用什么“新”藥來治療？（不是簡單的用藥推薦）。
只有大數據能夠回答這個問題的時候，才真正實現了AlphaDrug。大夫可以和大模型進行對話，將疾病的癥狀用定量的方式進行描述，然后大模型在無窮大的倉庫中找出疾病的診斷結果與治療方案。
就像AIDD這個行業，不論算得再準，最終要交付的還是品種。在我前幾天參加的一場答辯中，一位藥物化學領域的前輩提出，所有能被藥化學家看出來的東西都不是AIDD。品種交付能力一定是未來技術突破中要關注的問題。
我是傳統的藥物化學家，目前還在負責一本歐洲藥物化學雜志《EJMC》。我們在和主編討論時，經常說起兩靶點、三靶點、四靶點，我們知道每一個疾病的發生和治療絕對不是單靶點，這就反向給我們提出了一個問題：在一個疾病的治療中，究竟什么樣的靶點群是有效的？
如果未來AI技術能夠解決這個問題，AI制藥也將取得很大的突破。現在最大的問題在于，第一臨床數據太少，第二噪音背景太大，或許大模型技術已經出現了很多好的文章，但是距離真正解決問題還需要一定的時間。
謝昌諭：各位老師剛剛也提到，在如今的AI+Science浪潮之下，很多不同的領域都有可能成為下個產生重大突破的焦點。
從我個人感興趣和能夠參與的領域來講，我很期看到AI能夠和基于理論的計算科學的傳統算法產生新的融合，從而加速在量子化學、蛋白質結構預測、分子動力學等等領域內的計算范式的突破。
AI的深遠影響，甚至超過了制藥的范疇。我們對大語言模型的挖掘也遠遠沒有結束，它在生物醫藥領域還有其他的可能性。
比如剛剛曾提到過的，在高緯度空間中的數據分析，多模態的多組學等等，我們如何更好地從中了解復雜的生物網絡，從而挖掘新靶點的新生物標志物，這應該是未來幾年中將會看到越來越多成果的方向。
除ChatGPT以外，目前已經有AutoGPT能夠更好地規劃如何使用各種工具去完成更復雜的任務。由AutoGPT主導的干濕實驗結合，加上可解釋性AI等技術，能夠實現更好的人機互動，使干濕實驗結合達到一個新的高度。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
