别构抑制剂是一类比较特殊的，像解决药物小分子，比如说我只说小分子这一类那个产生药物的一种方式。然后它主要说结构这个词是其实英文翻译过来的，然后它对应的是一个正构抑制剂，比如说我们拿一个锁来比喻这个靶点，然后这个我们设计的这个蛋白就像一个锁一样，然后我们其实设计靶向药物的，说去找到这个锁孔的位置，然后再去给这个锁孔配一个合适的钥匙。但别构抑制剂，说正常的话我们在正构位点有一个钥匙，但是比如说别构抑制剂，它是一个锁，它在一个门的两侧，它可以通过正构的位点解决一个问题，但是有的时候通过另外一个锁孔，然后它如果进入到这个蛋白以后，对蛋白进行一个挤压，然后蛋白的结构进行变形，所以原来的正构位点其实会受到蛋白的别构位点的挤压，然后它就变成了另外一种样子，让正构的这个位点就是我们插进去这个锁，原来想插进去这个钥匙它发挥不出原来的作用，通过这样来解决问题，比如说比较出名的别构抑制剂比如SHP2、TYK2等等。

原来这两个方向都是以湿实验为主的，简单的说，然后现在 AI 这边可以通过包括 cadd 可以通过很多模拟的、我们所谓的干实验的手段，也就是说在因为其实湿实验的时间周期比较长，成本比较高，然后干实验可以通过大量的计算机模拟，就像 zero AlphaGo下围棋一样，所以可以很快的以更短暂的时间和更低廉的成本，然后得出一些比较可信的结果。所以我们现在的公司也主要是使用一些大量的计算模拟的手段，然后代替一些传统的实验，但是不是湿实验可以跳过，只是说我们在湿实验上面所花费的这样的周期和金钱会比起以往更少，以这样的方式来解决一些问题。比如说像我们在大家都知道 alphaFold 2 在做蛋白的一个模拟的时候，可以通过序列然后预测出蛋白的结构，传统的方式是需要使用冷冻电镜或者X-ray等非常高开销的东西来做，而且它做不到的一点就是说如果只有序列的话，其实是没有办法得到的，所以现在就是科技的进步，尤其 AI 和 CADD 的方向，让我们可以做很多以前做不到的事情，所以这也是我们公司所看好、还有所投入的。

我先回答第二个问题，AI是什么东西？人工智能本身就是模仿人类，模仿人类是模仿什么呢，简单来说就是脑袋，模仿人的头、五官、眼睛、嘴巴、耳朵等等，那么和老百姓接触比较多的话就是人脸识别，高铁站要刷脸，要进站拿票，或者是我们支付宝现在也可以刷脸来支付，它其实这个人工智能的话就是来模仿我们人类眼睛，这是一个流派；另外一个流派是说模仿我们的嘴巴或者是耳朵，这样来说就跟我们一些语言文字，和语言处理比较相关的一些基础，就比如说像我们上市公司科大讯飞，它的话是做一些这种一些语言处理的，再有个比如说小爱音箱，智能音箱它也是模仿人的一个嘴巴或者是耳朵，这样的话，它这一个流派技术的话就是循环形容，这样一个技术流派。这样的话等于是我们人的五官尽量已经模仿掉一大部分了，这样的话就能够一定来模仿人员做一些人类能做的一些事情，这样电脑计算机也能做，这就是一个人工智能一个比较通俗的一个理解。

 

刚才说算法、算力、数据就是人工智能里边的三要素，就是算法、算力和数据这三个之间这个是一个孰重孰轻？应该说都非常非常之重要，那么具体到我们的人工智能企业或者是人工智能制药企业来说的话，我认为算力这一块的话，因为前几年一个云计算的一个出现，比如说我们国内的阿里云，腾讯云，随便想出一个服务器，想一个非常强大的服务器，都是可以通过租借互联网服务器来实现，像国外的亚马逊名做得更加早一些，因此算力这一块通常来说的话不是什么大问题，只要我们有钱，也就是我们 AI 制药公司的话的融资能力都非常非常的强，所以我们的算力总来说不会成为一个大的问题。那么在算法层面上的话，因为我刚刚说过，我们是模仿人的这种眼睛，模仿人的这个嘴巴和耳朵，其实相对而言，以 Google 为首的国外的一些互联网公司，比如Google ， Facebook 包括微软等等，它们这一块其实做得都非常非常之好，另外互联网行业它有一个很好的精神，就是喜欢共享，它们有一个很好的算法的话，它会迅速把这个算法给大家公开出来，就是底层的算法，我们国内其实是可以充分的利用一些国外的这方面研发的优势，拿来主义的话，大家还要针对我们具体的一些场景的话做一些优化、一些改造，所以算法层面的话也没有什么太大的问题。

 

在 AI 制药里面的话，数据反而是一个比较大的一个问题。我们知道本身来说，我们通常来说就是一个新药研发大概需要 10 年的时间，需要花费 10 亿美金，就是这样子我们才拿到一个新药，在数据的角度上的话，只有一个新药数据，这个数据量是非常之可怜的。那就算我们的这个新药研发过程当中还会有一些涉及到一些先导化合物等等，所以这一个 project、 一个靶点的话，它的这数据量也不过是几百，它多了说是上千的这样一个级别，数据量非常小，至少还达不到我们所说的这样一个大数据概念。另外的话说算虽然这个数据非常之可怜，但是这些数据多数还掌握在大多数的制药公司手边，比如辉瑞 、GSK，它们公司它们自己内部的一些这种新药的数据的话，它们又不会拿出来跟我们共享，这是它们公司内部的一些这种这种商业的核心价值所在，所以它不会拿出来贡献。这样的话本来我们数据就不多，然后各个公司之间的话又各自为战，这样数据就显得非常非常的重要。所以可以简单点说如果说哪一个公司它能够解决的数据问题，这个 AI 制药问题可能就是迎刃而解，所以可能数据会成为一个很大的护城河，另外的话就是我们在那个传统的一些互联网公司的话，它们在创业的时候都会碰到这样一个问题，如果说阿里或者腾讯进入这样一个行业，那么你的那个护城河在哪里？

 

那么我们的算力都是它们的云计算提供的，我们的算法可能是互联网公司它们会有更好的一些积累，那么反而是我们医药行业出身的一些人，因为对医药的一些理解，或者我们常年积累的一些医药的数据，比如说像韩教授，它积累了很多基因方面这种数据，像牛总的话，它可能积累了一些难成药靶点数据，这些数据的阿里、腾讯它是拿不到的，或者它在短期里它是挤攒不起来的，或者它没有意识到这个难成药靶点是什么意思，所以这个东西的话可能就会成为我们 AI 制药公司或者初创公司的护城河，可以阻挡一些互联网巨头或者其它一些资本强势的一些新的玩家的一些进度，会成为一个比较好的一个护城河。所以如果说算法算力数据里面的话谁最重要的话，我觉得都很重要，当然数据可能会成为我们每个公司里面的一些独特的一些优势所在。

我们是聚焦在这个基因治疗上面，当然这个小核酸，大家可能习惯把它当做单独的一类，但是因为我觉得它也是作用在这个遗传物质上面的，所以我们也习惯上把它列到基因治疗这一类。那么说起这个小分子药，这个传统上小分子药这个已经是很长时间了，这个蛋白药也就是我们所说的大分子药，这个就是较比这个小分子药这种传统药物是算是一种新兴的药物，但是在过去 30 年里面，这个慢慢的发展，也就越来越成熟，尤其是在这里面这个单抗还有这个抗体药衍生出来的双抗、 ADC 、纳米抗体，那么这些实际上它们不管是小分子药还是这些蛋白药，它们作用的靶点基本上都是蛋白质。那么基因治疗基本上我们作用的靶点要不然就是DMA，要不然就是 RNA，也就是这个作用靶点本身是核酸，作用的靶点就是遗传物质，所以这个我认为是一个最大的区别。那么基因治疗我们作用的靶点是遗传物质。那么这个较比传统的制药它是有一定的好处的。刚才这个刘总也说了这个难成药，实际上为什么很多药都是难成药，因为我们目前成药的这些靶点也不过是几百个，那实际上还有成千上万的这个潜在的是可以成药的，实际上我们基因治疗这个靶点不是数以百计、数以千计，那是一个非常庞大的一个数字，它的潜力是非常大的，所以这个我认为小分子蛋白质还有这个基因治疗，基因治疗它应该说是马上就要兴起，是一种势不可挡的一个趋势，那么它和前面的这个蛋白药，实际上蛋白药我们说是一个一种新兴的药物，也慢慢的被归类成了传统药。所以从趋势上来看，我觉得可以这么分。

难成药靶点其实就相当于已经成药的靶点而言的，然后现在已经成药的大概有几百个靶点，然后基本上上市的药物都是围绕着这些开发早、比较成熟的这些靶点，因为有很多蛋白结构还没有被解析，还有很多靶点的药效机理还没有被验证。但是据统计，现在已经潜在成药性质大概有几千个靶点，所以大概现在市面上有百分之九十、百分之八十左右的靶点都可以归类为这一类难成药靶点。然后因为它范围比较广，所以其实比如说它包括几个不同的类型，别构抑制剂像段博士刚才提到了，属于难成药靶点的一类，然后另外的话像 gpcr 靶点或者说使用 PPI 蛋白降解，都可以算作难成药靶点。然后我们公司主要也是针对于这一类的靶点上面进行发力，首先这一类的靶点它使用串组的手段，开发难度是非常高的，使用的周期和花的钱都非常多，还有很多是花很多钱也做不出来的，所以我们希望是通过 AI 的平台技术可以系统化的解决这一类难成药靶点的一些问题。

 

所以我们自己像在去年开始做了一些管线，包括给一家上市药企成功的 deliver 过一个PVC 的成果，然后这个管线已经进入到 IND labeling，所以在今年大概 Q2 到 Q3 的时候也可以上临床。然后我们自己也有一条难成药的靶点，是一个 gpcr 的靶点，我们在非常短的时间内就已经拿到了 PAC，然后去年年底的时候已经开始在做 IND 的 enabling study 了。所以这就是我们自己切身看到的 AI 确实可以像你说的像一个工具一样，我们如果把药化和计算化学这些方式跟 AI 结合的更好的话，是有机会在传统的药物研发就是生命周期里面可以大幅的缩短周期，并且提高成功率的。