我们可能更多属于你说的后种，第二种，就是所谓的有机制平台的，因为是什么呢？这个从新药的研发，刚才于总其实也讲过，九死一生的。其实这两年的已经新药的研发环境的已经好了很多，包括投资、包括人才、包括政策，然后这个各方面来讲已经好了很多。但即便如此的话，其实做新药研发的来讲的话，其实还是一个九死一生的一个过程，特别是说大家来讲的话，目前根据国家医药的政策，其实更多来讲的是根据一种临床里面的需求，你真正要想做一个药物来讲的话，这个大家追求的模式来讲，最理想的模式还是 first in class 的一个药物，你真正的只有说这个创新的 first in class 药物才能真正解决一些临床里面的、我说的主要的需求。当然来讲，但是 best in class 来讲能够做到一些药物可行性的问题，那对一些无药可治的病来讲的话，还是需要 first in class ，特别是针对我们想做的一些比较严重的罕见病或者大病市场的，这还是个必须的部分。

那做这个first in class产品来讲的话，基本上来讲的，也就是刚才于总讲的这个、后面来讲过，其实风险的还是很大的，怎么能降低这方面的风险？其实这个也不是我们采取这种路径，而是国外的很多医药企业都采用这样的路径，就是说呢以平台为基础的医药研发，这样的话能够把你的医药研发的风险性能降低很多，也就是说，如果做药是从 0 到 10 的一个过程的话，比如说你如果以平台技术为基础的这个新药研发来讲的话，基本上可能是从 5 到 10 的过程，比如说你的有个起点，那就相对来讲比较高，相对安全性比较好一点。基于这一点来讲，领诺想做的一个特色来讲，其实也就是以平台为基础，我们想做的平台，刚才我讲的有三个技术平台，刚才这个波总讲的就说，那我们如果要是今天要强调的一点来讲，我们可能一个血脑屏障的药物递送，为什么要做这个东西，是因为是中枢神经系统的药，这个系统的中枢神经系统疾病来讲的话，目前治疗的是一个最大的一个麻烦，就是全身性的系统性疾病来讲，如果是说过去 20 年或者 30 年的对生物学了解，这个很多分子靶向的药物取得巨大成功的话，可能有几个受忽视的地带，其中之一就是中枢神经系统疾病，可能另外一个部分来讲可能就是眼科疾病，因为这两部分来讲都缺乏一个有效的药物的递送手段，因此如果能够解决这个药物有效地送的话，应该是能够针对这一类的疾病都有一定的可适用性，这就是为什么我们开发的一些穿越血脑屏障的技术平台体系的一个主要原因。

不光目前来讲，我们能够用于我们目前正在进行的几个项目的开发，其实来讲是从大的方面来讲的话，其实有很多的方面的一个拓展的适应性。因为目前我们做这个技术来讲，其实不光是对融合蛋白一类的，对抗体类的药物、核酸类的药物甚至小分子药物或者说基因治疗的产品，都有可能有一定的帮助作用。因为这也是我们想强调的我们的一个特殊的部分，说穿越血脑屏障的一个药物递送。另外一个部分可能刚才说的就是我们的补体部分，制作于强调补体来讲，就是在补体，刚才我说的这个代表一类的新药是靶点。因为补体的作用在咱们人体里面，它是天然免疫系统的一个作用，就什么意思呢？咱们人体里面之所以每天不被感染，咱们体内之所以每天的话，就说体内的组织再生、坏死组织能得到有效的清除，其中就是补体起了很大的作用。

刚才是这个波动讲的，如果是补体的缺乏的话会导致很多的疾病，打比方是一些感染、然后一些免疫性的炎症反应，特别是体内的组织再生可能会造成一定的缺陷。但目前来讲，大家发现的一些更大的一类的疾病来讲，其实补体的过度的活化，就是说这个补体本来是一个系列的蛋白，一种级联控制的反应，然后它相对来讲是处于一个很好的平衡的状态。如果这个系统来讲的话，如果某个环节出现一个问题，咱们给打个比方来讲，相当于咱们一个这个叫原子能的反应堆一样，咱们本来是一个发电的能控制很好的，但是如果某一个部分出质量控制的部分问题以后，它可能造成核泄漏或者造成核污染，这个补体系统来讲也是一个类似的过程。正常情况下咱们人体重生理状况下都调节的很好，但特殊的病理状况下可能补体的过度活化会导致很多的疾病，包括是血液系统的疾病、脑部的疾病，眼科的疾病，当然眼科的疾病在大家了解的比较多，就是老年性黄斑性这方面的疾病很多都是和补体直接有这个相关性。

然后还有系统的疾病来讲，打开很多的这个炎症反应，慢性肾炎很多的都是和补体的异常化有一定的关系。因此基于我们过去对补体方面，毕竟我做了多年的补体方面的新药研发，对这方面来讲的话，无论是对市场还是说对生物学，还是对它的临床的转化路径，相对来讲还是比较了解。因此这也是我们目前来讲的做补体相关的药物开发的一个主要的考虑。

为了做得更好，也就是我们做了一个所谓的补体生物学的演化平台，这个包括里面的各方面的，因为补体这方面来讲研究的现在还能偏少，特别在国内很多试剂的缺乏、方法的缺乏，然后一些模型的缺乏，因此我们把这个平台建立起来的话，还是能够有效地支持我们的项目的一些进展的。刚才波总讲的如果是讲项目的特色来讲的话，感觉就是以平台为基础的和新药研发可能是我们的一些基本的特色，也就是能够让我们刚才说的从新药的研发来讲，降低了风险，同时来讲的话也增加了我们更大的一些成功率，然后提升了我们的整体的竞争力，或者产品的竞争力或者研发能力的竞争力。

好的，其实那个刚才听到韩博和冯博的介绍，我觉得我们非常汗颜，它们两位都做得非常新的这个技术更加 sexy ，我们是更加传统，小分子创新药。因为这个我当时把我们的这个海报放出来以后，就有那个我们公司的女员工来问我说，冯博是不是真的长得这么帅，然后说看看人家果然就是sexy ，做的东西就是好。所以今天肯定是很多人冲着你来的，包括我们公司的人，它们都叛变了。

那这个我们还是致力于在小分子创新药上，同时你们知道那我们有很大的一个管线是做糖尿病，所以刚才冯博它也做过 sglt2，所以这一部分到时候可以由它来帮我补充了。我们等于说有一个半人来讲这个糖尿病了，我们就管线来回答一下波总的问题。我们糖尿病是一部分，而且不光是糖尿病，而且是糖代谢的这种衍生疾病，我们也都比较关注。因为大家知道这个糖尿病它其实本身自己是糖尿病，或者糖尿病本身是没有什么危害的，但是它带来的并发症是从头到脚，给大家的器官也好，血管神经等等带来了很多的困扰。所以为什么要控制血糖，控制糖化血红蛋白等等，那么是这个原因。

第二个我们可能在肿瘤方向，那也有些布局。那刚才这个波总说了，我们糖尿病确实有一款药叫盛格列汀，现在已经走到了三期临床，那么我们已经完成了临床入组，完成了核心治疗，已经到了衍生治疗期，那在今年的下半年就可以来收集这个统计数据，可以递交这个 NDA 了，大概是这么一个情况。

那么除了这以外，我们在肿瘤这个管线上现在也是有大概 3 - 4 款药陆续再进入临床。今年已去年已经有一个获批了临床，今年应该至少有两个以上。那个我不敢说的太满，万一这个我们公司的这个团队说万一没做完，这个老板已经讲完了，那它们就惨了。因为我们在每年的年初在制定 KPI 的时候，都是大家比较揪心的时候，老板说的话，大家一定要做到，但是至少两个以上，这是没有问题的，只会多不会少，今天可以立一个 flag ，那么接着我们可能在这个字自免里边有一点点，那也是从肿瘤靶点或者其它的这个罕见病这边过来的。可能前一阵大家也知道我们有一个新闻，是在去年的 12 月 31 号，我们获批了一个首仿的罕见病药，所以我们公司在这个小分子创新药上，除了创新以外，可能也稍微保守一点，也做一点点的这种首仿药、三类药、二类药都有，所以更可能像一个 small 的pharma，而不是一个 big 的 Biotech，那在这些、这个基因从哪来呢？可能我们公司跟这两位的公司不一样，你们一出来有钱来投资等等。我们在 2010 年回到苏州公园区创业的，那时候中国的这种投资氛围、对新药的投资氛围可能没有这么强，也是工业园区这边的叫中心创投，它们来做的这个天使轮之后，很多年可能就没有钱，没有钱的时候你想着要活下来，我曾经有一位投资界的一个朋友给我讲过说，只有你爬过雪山走过草地活下来的，你才能去解放全中国，所以我们什么都要做一点，为了我们公司能活下来，然后能够把我们的创新要往前来推进，所以我们的管线大概是这样。

那么要说到我们的比如说核心竞争力，说到我们公司现在的定位的话，我们大部分的药是来做这种 best in class，有那个少量的药来做first in class ，因为毕竟 first in class 是一个风险非常大的，虽然回报很高，但是风险确实很大，如果全都是这样的话，那估计投资人投我们两轮，万一我们不能再往前走的时候，可能那就彻底把投资人的钱都玩光了、玩砸了，那这就不是特别合适的做法了。

所以我们也是在最这个艰难的时候，比如说在一五年之前、一五年左右的时候，我们也靠自身的一个造血的功能来活了过来，之后有更多的投资机构来就支持我们，所以做到现在。所以我们为什么要做 first in class 和 best in class ，而且 best in class 要做的更占的比例更大一点。然后我们其实就用的是一个小分子的药化的这样的一个方式，那么从这个发现的靶点，靶点不是我们发现的，在已有的靶点的基础上我们来开发我们的创新药，那由于我们在药化方面的这个 training 团队里边可能更强一点，所以我们在早期这个药物设计上可能不光是涉及一个有活性的化合物或一个 pcc ，可能我们就避免了很多到了临床阶段会出现的错误。

所以我们的这个产品走的算比较顺，比如说我们的盛格列汀，我们当时是全国第 8 个拿到一期临床批件，那简直就快不值钱了，在国内的竞争环境下，到今天我们应该是在三期的时候应该属于第一梯队，就说我们在一期临床等等这方面没有遇到太大的这个波折，那所有在早期临床前的研究里边的这些良好的数据都能够在临床阶段得到一个很好的呈现，从大概四个维度上得到一个呈现。所以我们也是比较lucky ，所以我一直说其实做创新要真正的这个决定因素其实是你到底最后 lucky 不 lucky ，因为那么多的分子，为什么你搞到了，那个技术是一个这个叫做谋事在人，但真正的成事在天，其实很多人在早期的临床数据可能也不错，它们到后来有可能遇到更多的困难，那么也不是早期它们的平台不好或者说数据不好，而是真的是可能不够幸运，我应该这么讲。

其实那个完全脱离人类进行要设计，这个还是做不到的。因为从最上游来说，这如何确定靶点机理，还有如何确定想开发哪个口袋，这个是做不了的。但是实际上做的某一部分小的工作是可以让 AI 去做的。比如说刚才说的我们说如果我知道的一个构像，还有它的口袋，也就说我知道这个长什么，知道锁孔长什么样，这不需要任何的一个训练数据。我们也可以做出大家的这些 AI 生成的一些虚拟库的主要的作用。我们从头设计的时候，可以根据它的一个构像，还有图的一个结晶，然后它周围的这些进行一个动态模拟，比如说它有些电子云的排序，这些其实都是一些成药或者说性质亲和力的，主要的信息是可以通过这样的信息去进行药物设计的。就像我们传统商使用 CADD 经典软件做的那个设计，它的主要的思路说因为我们知道了这个成药性的一个空间，它像一个三维的像一间房子一样。然后它需要一个主卧室，主卧室可能是一个那个药效团的片段，然后它的主要的客厅是一个母核。所以我们大体知道每一个地方提供什么功能，还有它大概的一个体积，可以通过这个进行直接的 AI 设计。因为其实也是因为像有这样的新的技术，最近几年在那个起来其实才是说为什么这么多公司，因为对我们做小分子药物设计，其实大的层面上来说都是在整个的化学空间里面，根据这个靶点的特异的形态和结构，我们去搜索这样分子。

 

好的，对，那个我们是做那个难成药靶点为主的，不过现在没有再主动地去做一些靶点发现。靶点发现主要还是一些那个其他的学术合作方，或者说一些其他的药企再提供给我们。我们其实内部研发主要还是在做那个靶点选择。然后刚才介绍的您第一个问题是说这个比如说有一些难以成药或者偏向 first in class这类原研新药的一个数据问题，然后它的数据大概量有多大呢？其实越早期的这个管线，它质量越小。比如说我们只知道蛋白结构的时候，或者说只有一篇专利的时候，只有一些文献的，这些已知的小分子化合物的数量其实都是在不到一百个或者说几百个的两三百个以内的，其实这个也就是我们公司在主要研发针对于这样的数据量非常小的情况下，这个上面使用现有的大部分的算法，这样的情况下怎么去真的去使用 AI 来学习？因为大家也都知道 AI 其实现在用线上用的算法比较多的 AI 还是进行一个归纳法，比如说过去发生的这些事件和数据变成了一个总结，然后我可以去预测未来类似的一个情况。

但是其实这个在新药研发，尤其在化合物设计的时候，他也知道是一般来说数据已经被一些它的公司专利保护了，但是去如何新的一些，还有去找到一些新的化合新的一些构架，还有发现一些新的口袋，其实这些往往是更加具有难度。所以我们现在其实还是主要使用一些那个偏向这一类的，叫迁移学习，另外一个叫强化学，克服这样数据量小的一个情况。然后这些都是比如说我们可以把一个卡点类型，它是一个流，然后它是在比如说某一个然后把一些相关类似的一些数据，然后拿过来从别的一些什么建议来使用。 另外一类比如说可以通过一些规则来去一些学习训练，比较成功的一些案例。比如说像那个都之前下围棋的时候，alpha go他第一代的时候要之前的一些这些棋谱来进行数据填充和喂养，然后才能去训练出来，但到了第二代的时候，只要它违禁和规则，可以通过大量把所有的计算和模拟去互搏。所以现这个我们正在主要和研发的也是针对于这一类的，也说在只知道一个靶点蛋白的情况下，有可能这个时候没有其他公司发布一些专利。然后我们如何去在这个时候进行一些 AI 辅助的药物设计，这个是看到的一些那个未来的一些前进。然后另外的话您第二个问题是那个数据来源，一类是像专利文献这类的公开，另外一类就是药企已产生的这些那数据。然后另外还有一类就是刚才我们所广泛提到一些干实验的数据，其实就是干实验数与的一些优势，也是 AI 制药公司的一些优势。也就是说我们可以比一些传统药企可能使用 AI 计算和 CADD的计算的时候，我们可以大量的去试错，然后这些试错的数据就是我们刚才说的一些概然后我们会通过这样大量的过能找到一些好的方向，然后同时可以以更快更低廉的一个成本去进一个试错，去找到一些新的方向。当然比如说我们刚才提到的主要从一些专利，还有这些数据库里面也有一些付费的数据库，我们可以提供专利查询，然后一些 AI 公司也会去使用一些自己的知识图谱 knowledge graph，构建自己的一个知识体系，因为针对不同的适应症还有不同的通路。这些专有的数据其实是为了机器学习和这样的算法准备的。他不是说现在市面上所有的数据它都是符合我的需求和我的格式，然后我们是专有的一个平台专门做这件事，说从一些虽然是公开的一个信息，把一些私有的信息合到一起来去做符合我们做的这一类算法。

那个我先说一下，刚才我们提到的算力这个问题。其实那个算力这个问题在计算机领域是比较经典的一个问题。然后外国人专门出了一本书或者一系列书，就叫 no silver bullets。因为其实随着这个摩尔定律，然后每年基本上算力或者说同样价格的计算机其实都在 double 也就都在成倍的扩增。然后我们其实现在算力我个人认为已经比较充分了，但当然只是说我们在同样的一个资金、还有同样的时间内，然后你如何去选择应用这样的算力，然后能去解决多大精度的一个问题。所以像刚才我们说的其实算力问题现在已经比以前要好很多了，因为比如说在以前是登月球的那个一个宇航局的机器里面，它的算力还不如我们现在用的手机。所以其实我们现在的可能 AI 科学家和CAD的科学家比以前已经幸福很多了。但当然像这个算力的瓶颈问题它一直是存在的。比如说我们刚才在提到的那个，他们用了许多个 TPU ，然后那个计算的费用就是上百万美金起计。然后所以其实是这些 TPU 一个都代表，比如说几百个 GPU 的这样的算力，然后每个 GPU 的价格都是在 10 万美金，比如说一台机器，所以其实这是大部分的 biotech 公司很难以去承受的。但是这是一个客观的层面。然后另外一个例子就是其实像美国的一家上市公司，他们是在做难以成药靶点上面的一个显著的代表，然后这家公司他们就是使用计算机大量的去模拟蛋白动态的一个过程。然后去找到了一些别构的口袋，然后通过这样的一个口袋发现，然后设计出了一些已经上临床的一些候选药物。然后他们使用的计算机也是特别值得一提。因为这边是在那个美国的一些科研机构，他们这边专门设计出来的一些比如上亿美金这样价值的一些专门的硬件做蛋白动态模拟，不是说我们现在使用的一些机器。所以其实在那个上市公司在美国的这些公司，其实对一些小型比如说 AI 初创公司那个确实在算力上面是有很大的一些优势的。这样的优势其实它可以带来的一些可以怎么扩大，说这些公司其实它可以用更短的时间内可能更容易攻克一个蛋白的模拟，然后它可以模拟的蛋白的时长也比我们小的公司那个要更快很多。所以这个说让他们可以去做更大的一些事，行更高回报率的一些事情。

但是也不是说像小的 AI biotech或 biotech公司没有其他的一些办法，因为现在 AI 的技术其实让我们可以做到，说使用同样的算力情况下，如果我们做一些算法的优化，做一些底层的优化，它虽然没有能达到像比如说这些上市公司这样的精度，但是它已经足够让我们去快速地解决一些药物研发中的实际问题了。所以这那个也是我们公司的一个实际的做法，我们模拟的时间会更短一些。但是其实虽然没有精度那么高，但是我们可以通过一些其他的 AI 的算法去尽量的弥补这样的一个精度的损失。

刚才提到了那个在具体的一些算法，比如说我们那个做AI或者说使用 cadd 如何去解决难以成药靶点的问题，其实在那个难以成药靶点，它最难的一个问题是 AI 可能现阶段解决不了的，因为它是一个靶点相关的问题。说靶点的这个机理还有作用机制，这个是需要生物学家，比如说像那个韩教授这边的公司或者学术机构来解决的，他如何去判断这些蛋白之间和基因之间的相互作用，然后去如何产生这样的成药性，或者英文叫 mechanism affection，然后下一阶段我们知道这个蛋白，比如说如何表达，然后我们可以在蛋白的口袋上才去可以设计这样的药物。

所以其实我们现在比如说那个大部分的 AI 制药公司，那个主要做的还是说在前人的一些肩膀上面，然后我们可以做下一步的药物研发，比如说根据这些可能已经发现了一些机制，然后有的时候是已经发现了这样的至少是蛋白或者口袋进行一些药物设计，它所使用的说非常需要大量规模的模拟。然后这样来比喻，如果不用那个计算机模拟的话，其实像解析一些难以成药靶点，它的那个代价是非常高的，一个是时间成本。另外一个是比如说我们拿GPCR来举个例子，就是我们虽然很有钱，然后花很多时间，比如说 50 万人民币的价格，大概要花 6 个月时间可以解析出来一个共晶的结构。

但往往这个共晶的结构其实在上市的CRO里面，没有几个公司可以做到。然后另外解析出来的时候，它其实因为这个蛋白表达非常难，表达纯化的时候，它也很难去解析出来真正具有成药性的这个构象。所以其实这也是为什么就是难以成药靶点难以攻克的一个主要的问题。然后计算机模拟带给我们的一些解决方案，说在这些过程之中，然后我们可以通过结合一些比如说冷冻电竞或者说计算模拟的方式，去潜在的找到一些具有成药性的结构。然后根据这些成药性的结构，也就说我们知道蛋白的结构之后，知道这个锁长什么样，知道锁孔长什么样，然后再去给这个锁孔配一些钥匙。这些钥匙可能是一些小分子或者是一些那个大分子或多肽的药物。