好的，其实那个刚刚牛总介绍的已经然后完全，因为很多在国内看。然后欧美其实我们一直是连在一起来说的，有的时候欧洲美国的有的时候我们也分得不是特别的清楚，尤其是制药行业，那个欧洲的很多大的Big Pharma，然后美国的话也非常非常的多。在互联网行业的话，相比较而言，美国可能会做得会更加好一些，像 Google Facebook 微软的话基本上都是美国的企业。当然那个 DeepMind公司的话，它算是 AI 里面的头部选手了，这算是一个异军突起的一家公司，也很有特色。相比较而言的话，因为美国制药行业非常之强，互联网或者 AI 的话，它也非常非常的强，因为都是全国全球老大的这样一个地位。所以它的这两个老大的这个新的行业结合在一起的话，使得那个美国毫无疑问会成为一个 AI 制药的至少目前的一个领头羊。

 

那么我们跟国内来比较的话，国内相比较而言，AI的好跟美国项目以及不会落后太多，比起为首的这些公司的话，其实算的时候非常之猛变，但是我们制药企业的 应该会少一些。尤其是前些年的话，我们国内对这个创新药的这种支持力度一直不是太大，多数都是以仿制药为主，也就是这几年、短短三五年的时间的话，创新药才逐渐的有些起色，导致我们再次新药研发这方面这样一个不足的话，在那个 AI 制药这方面的话，我们这个 AI 技术很强，制药相对而言主要美国相比会薄弱一些，这会导致我们 AI 制药跟美国相比目前来看可能还是有一些有一点点差距。但是我们好在我们虽然起步，虽然我们国内所有的这种创意势都非常猛，资本力量也很猛，创新量也很猛。然后尤其是在这疫情这两年的时间的话，AI制药因为作为整个医药行业里边应该算是一颗明珠，吸引了大量资本人力，物力各种互联网公司全部给加持进来，将来未来中国 AI 制药的话一定是一个全球的 top 选手，我们整个传统制药的话，也会因为这个 AI 制药的这样一个新兴赛道兴起，有可能会在全球这个医药行业实现一个弯道，这也是非常之有可能。

 

资本层面来说的话，其实欧美的话，其实那几家像薛定谔等公司，已经步入资本市场或者是即将步入资本市场，国内的话可能我们头部选手也即将是可能很快就要IPO了，应该我们也是跑得非常非常之快。另外的话就是我们后面除了头部选手之外，还有第二梯队，第三梯队的话数量质量都非常之好，非常之足，融资金额的话应该是其实是不会输给不输欧美的，我们目前的选手都有已经达到接近 10 亿美金的融资额，这样一个融资额在欧美其实这种公司都是非常之少见的，在资本的加持之下，我们这个行业未来其实是非常可期。

首先那个首先我先介绍一下欧洲的几家 AI 制药公司。然后其实欧洲主要的制药公司都集中在英国伦敦头部的这一家，像现在世界上比较出名的那个DeepMind团队做 alphago 的这个团队，然后它们所有的研发人员都是在英国伦敦。然后另外一家上市的美国纳斯达克，去年上市的公司叫ExScientia ，然后也是在英国这边，它们主要就是那个管线方面做得比较好，然后最近也拿到了那个上市药企的 50 多亿美金的订单，所以市值 30 亿美元左右。然后另外一家叫 Benevolent，也是一直是欧洲市值最高的独角兽公司，而它们最近也是要在阿姆斯特丹上市，市值是 17 亿美金，然后这家公司主要也是做靶点发现为主，然后从靶点可以做到那个上临床，也有临床一期的药物。除了这几家以外，还有些比较中小的公司就比较多了。

 

所以这三家是欧洲主要的AI 制药公司，所以我们可以看到从开始的时间上面，还有从规模上面以及从商业模式上面，比如说从这三个方向，我们可以详细再聊一下。就开始的时间上面，其实这三家公司跟国内相比，都是起步可以说稍微更早一些，但当然说在国内的晶泰科技也是一四一五年开始起步的，所以总体上其实欧洲和中国的制药公司可以说各有千秋，然后欧洲这边可能后期的公司会更多一些，然后中国现在咱们早期的公司更多一些；然后另外是从那个商业模式上面那个来相对比的话，欧洲这边 DeepMind 是独树一帜的全世界，它主要做技术，然后商业化现在才刚开始。然后剩下的其实大部分的AI公司在欧洲还是非常看重管线的，然后我们国内的商业化模式就更多样性一些，比如说有很多AI CRO做的非常成功的公司，比如说晶泰科技这些，所以因为我们市场比较大，所以这是在商业模式上面的一些主要差别。

 

第三点是从原创性或者算法上面，那个我个人觉得其实算法上面也那个肯定 DeepMind 是一枝独秀了，但是它只是集中在结构生物学，就说是蛋白结构预测这方面。然后从其它方面的一些算法层面上其实中国和欧洲不会有太大的差距，只是说欧洲这些公司积累和起步更早一些。然后有一个明显的区别就是欧洲这几家药公司其实跟国际前十就是我们说的上市药企合作是非常非常紧密的，这个得益于这个对于它们起步比较早，然后也有很多的时间去磨砺自己的团队，试错的机会比较多，然后周期也比较长。我们国内的公司大部分还是相对来说起步较晚，但是我个人觉得肯定是未来最好的公司，肯定会从中国这边走出去。

我们也是比较新的公司，整个行业其实起步也比较早，投资机构，其实天使轮大家思路都比较简单，主要是看团队、技术、赛道，我们当时的团队除了我以外，还有一位剑桥大学医学院的副院长、他发现过16个靶点，也做过合成药物，另外一位是核心的联合创始人是原来国内一家头部药企的小分子药的研发负责人，做过6款药物上临床，其中有2款已经通过了三期要上市看，所以我们当时的核心的团队也非常互补，加上我在英国伦敦和德国柏林有过一些做算法拿过世界冠军的团队，还有包括我们被世界权威机构评选为过去2018年到2020年最具突破性的11个AI药物研发成就之一。另外的话，就是在欧盟创新药计划，在2020年拿到7200万欧元中的一千多万欧元，是我当时的那家公司，主要是针对新冠肺炎在全欧洲征集最好的解决方案。所以就是我们的AI技术和整个经验有些特异性，所以融资比较顺利。当然后续的融资，大家的起步可能都是差不多的，像后续的融资，比如说在A轮以后看一些比较深入的，比如说管线的进度、平台的进一步搭建和团队的进一步扩展。

 

然后我介绍一下我们公司的特点，就像段教授这边说的就是数据是非常重要的，这个我们也非常认同。还有一点就是其实我们觉得现阶段的话做一些特异性、有差异化的，而且现在市面上没有公开的算法是非常有必要的，这一点也是我们一直在不断去尝试和摸索的。然后包括国外的一些头部公司比如DeepMind等都是有一些市面上没有的一些算法，所以它们才可以走到头部，然后我们内部也是一直对科研创新还有产业转换都比较重视，所以其实在这方面是做的可能会比较好，然后再比如说过去一年多我们发过大概有六七篇10分影响因子以上的论文，其中包括1篇nature子刊，1篇Science子刊，所以这是我们公司的一个主要的思路，还是主要的是做一些原创性的一些技术。

人工智能跟合成就是有机合成或者药物合成结合这一块的话，相比较而言，可能是比那个其它的一些新药发现这一块可能更快、更顺畅的一个环节。反正这个跟有机化学这一块这个数据量特别大，你们那个有机化学反应数据库其实是非常之庞大，可以达到几千万这样一个数据量，而且这数据量非常之标准，非常之规范。因为像美国和欧洲的一些公司，它们其实已经把这些数据给整理出来，所以说这是在整个 AI 制药链条里边难得的有这样的几千万上亿的数据，数据又非常之规范，因为我们有机化学家经过了两三百年级别的这样难得一个场景。

 

所以的话，大概在 2017 年左右的话，其实国外的科学家其实就在nature发过文章，就是可以用我们的人工智能来实名网络，模仿AlphaGo这样的下围棋的一个程序，它们的程序这个逻辑因为跟AlphaGo非常像，进行对一些新药物的药物分子做一些药物的路线设计。简单来说是给一个比如说给青霉素，以青霉素为例，当然青霉素它多数是发酵出来的，以青霉素为例，它可能是通过一个很小的药品，比如乙醇、乙酸、苯环这样一个东西，怎么样一步一步的把青霉素合成出来这样一个路线设计问题，那么 AI 的话就能够做到一个非常好的一个结果，给我们这样一条路线是怎么样过来的。

 

同时的话它那个这样一个路线设计出来之后的话，这就属于刚刚王总说的，还是一个干实验的部分，那么湿实验就是我们在实验室里边要把它来验证出来，要把它一步步的加热，这样氧化还原水解这样一步反应给它做出来的话，需要在实验室里面一步步的给它试验出来。平时怎么做呢？这里可能需要我们再搭一个化学反应器。传统的话就是像药明康德，药明康德可能有数有上万人，以及上万人的话，它们只是所采用的传统方式，在人为的资本里来作为自己的合成反应，那么如果我们 AI 介入之后的话，其实就可以模仿无人驾驶一样，我们能不能出一个整个 5G 合成机器人出来，通过无人之手，通过电脑控制一些硬件设备、控制一些反应器、控制一些后处理的这样一个过程，把这些化合物这样一步步的从乙醇小分子开始慢慢地把青霉素合成出来，这是我们这个 AI 合成的另外一个湿实验或者硬件部分的这样一个课题。

 

现在结合的一些具体的案例来说的话，也都是前面的路线设计部分，路线设计部分就是理论部分的话，总的来说针对大多数的化合物，甚至包括一些天然产物分子，人工智能其实是可以达到一个比较不错的口碑，应该说可以超过大多数的有机化学从业人员，当然比不上一些高手。但是说是针对一些比较复杂的全合成分子的话，这个AI还是比较欠缺，但是在执行层面，就是硬件层面，像无人驾驶这样控制有机化学流程反应的话，其实现在相比而言还停留在一个概念性阶段，有时候我们可能看到的 MIT 哈佛的一些实验室，或者在 science、 nature等上面发表一些整个无人之手合成某个药物分子这样一些case 。但这些 case 往往比较简单，比如说合成阿司匹林，可能本身它就只有两三步的这样一个比较简单的一些步骤，不会涉及到一些复杂的无水无氧、低温负78度这样一些反应条件，你去使用一下或者是稍微进行一些加热操作，它是可以完成的。这些里面比较长的一些步骤而已，二十几步的一些药物分子或者一些异常天然产物全合成的话，其实现在整个 AI 的智能控制这一块，其实还是做起来还是比较有难度的，但是这是一个这个未来可期的过程。

 

因为总来说这个 AI 药物，它们机器人相对于无人驾驶来说还是要简单的多了，其实毕竟这个东西的话不会牵扯到人命，不会牵扯到车子，汽车失控了之后，可能会发生一些伤及路人或者是司机会有一些生命危险，这个反应的这种控制的精度我们并没有要求那么高，大概率不会发生爆炸这种事情，只是说会影响我们的一点点产率、一点点经济收益或者是时间的跨度会稍微长一点这样一些事件。所以来说的话，这个过程相比较于无人驾驶来说，肯定难度是要明显低很多的，所以我们只要加以投入时间、投入一定的关注度、财力、物力的话，这个问题一定是可以解决的。所以我们可以预见，这个时间跨度也许是 五 年也许是十年之后，我们药明康德里面可能会有从事合成的人员，可能会有上万人，上万人的话可能就会逐步的会出现一个辅助替代的过程，也许在 10 年 20 年之后，也许在以后实验室里边，我也很少能看到摇瓶子的有机合成人员，更多是一个机器在操作的这样一个场景，这样一个场景是未来是极其可期的。

我们这个用AI，它其中解决的一个问题是提高效率，提高找药的效率。那么基因治疗这个分病毒载体和非病毒载体，那么在病毒载体里面，这个腺相关病毒目前是最热门的，腺相关病毒它是可以作为一个非常好的送工具，但是大家在开发AAV腺相关病毒这个药物的时候，一个很大的问题就是AAV病毒的包装效率还有它的靶向性的问题。那么这个AAV衣壳蛋白它是一个递送工具，它是一个正二十面体的病毒，那么可以把你的想要递送的遗传物质 DNA 能够递送到你想把它送到的目的地，那你怎么去设计、筛选一个好的AAV，那么实际上这个衣壳蛋白在这里面是非常重要的，因为它这个衣壳蛋白它上面的这些结构是决定了它是不是能够和某一些特定的细胞、特定组织细胞的表面的载体、表面的这个受体能够结合以后能够进入到细胞内部。所以它传统的设计方法，这个有理性设计，非常有经验的人通过它的这个经验来进行一些改造。那么还有一种就是定向进化，这个定向进化实际上它就是在实验室里面模拟一个进化论的过程，那么我给它造成了一个非常多的突变体，那么我看这些不同的突变体在一定的进化压力下，使它能够筛选出一些你想要的一些特性，那么定向进化这个是在 2017 年，也是得了诺贝尔奖 Frances H.Arnold女科学家，她这个定向进化得诺贝尔奖，那么当然她当时的工作是这个主要是在去筛选工业煤这方面。但是就是同理，这个AAV的定向进化也是这个大家普遍在用的，一直到现在这个业内大家都在用这个方法。

 

好比说你看这个新冠病毒，新冠病毒像在印度这样一个人非常嘈杂，什么样的人都有，大家也不戴口罩，互相传染，在这样一个非常复杂的环境里面，这个病毒不断地进化。突然一下冒出来一个 delta 病毒一下子传染到全世界，这个后来南非又出了一个更厉害的病毒。那么这个病毒它实际上是在一个自然环境里面进化，那我们定向进化就是模拟这个进化的过程，而且要去加速这个过程，那 AI 在这里面起什么作用呢？就是这个过程实际上它还是太漫长了。你比如说我们做这个 AAV 的这个筛选的时候，那我们会去把它的一些高突变区去做成一个突变库，也说我把在这做个突变，那做个突变，把各种可能性的这种组合做成一个 library ，做成一个库，然后我在这里面去筛哪一些突变体是我想要的。

 

你比如是这个AAV上面有一个叫做三倍轴的一个地方有 28 个氨基酸，大家都去做这个 28 个氨基酸的突变。但是你想想每一个氨基酸有 20 种可能性，28个氨基酸就是 20 的 28 次方，就是 10 的 30 几次方，这是个天门数字，所以说你要是想去做一个饱和突变的话，你做这样的一个库是做不出来，那怎么办呢？我们能做出来的库大概可以做到 10 的 8 次方，甚至是做到 10 的 9 次方。那么我们就用一个合成的，用合成生物学、用合成的这种突变库来去做实验。达到大量的数据以后去训练我们的电脑神经网络这种模型，让它对于一个10的三十几次方的这么一个可能性空间形成一种认识，然后基于这种认识，我们再去在这里面去寻找一些局部的最优，那这些局部的最优很可能就是你想要的了，比如说我想要靶向这个神经，我不想让AAV去到肝脏，我希望它能够去到神经系统，那么我希望它的这个包装效率要高，我希望它的免疫原性要低，像这样的情况我们可以用 AI 来大大提高效率。那我们在实验室里面，我们把 AI 合成生物学，还有这个湿试验能够结合起来，用这个数据来训练神经网络以后，我们可以做非常高效率的AAV的预测和设计，这个工作已经有非常好的阶段性成果。