药物递送，人工智能（AI）布局药物研发的新赛道

人工智能（AI）参与药物研发，通常的切入点有两种。第一种，也是最直接的，是设计与生成，如de-novo从头设计结构、分子片段生长、骨架跃迁等，它们可以产生大型的分子数据库供开发选择；第二种是分类与回归，如预测分子的毒性、油水分配系数、靶点结合强弱等性质，它们可以提示开发人员继续推进哪些分子。绝大多数AI+药物研发公司围绕着解决这些问题而布局。

其实在新药研发的链条上，药物递送也是一个非常重要的问题。尤其当我们使用诸如大分子药物、基因治疗药物等利用先进分子生物学策略开发出来的药物时，安全且高效的递送被认为是至关重要的。

而且根据NIH资料显示，无论大分子药物还是小分子药物，都可能因为与非目标靶点作用而产生严重的副作用。这类因脱靶导致的副作用严重限制了药物研发，尤其限制了针对癌症、神经退行性疾病和传染病的最佳治疗药物的开发。

所以说，药物递送的研究需求迫切，一定会引起越来越多的关注。已经有AI生物技术公司开始布局这一领域。

一

解决药物递送的难题需要AI技术

目前，关于药物递送系统的研究主要可分为4大方向：①递送的途径；②递送的载体；③装载的药物；③靶向的手段。

其中，递送的载体是一个重要的研究方向。越来越多的临床研究，甚至已经获批上市的药品使用了腺相关病毒（AAV）、慢病毒等病毒载体，或者脂质纳米粒（LNP）载体。例如应对新冠病毒的mRNA疫苗就使用了LNP载体，治疗脊髓性肌萎缩症的基因治疗药物Zolgensma就使用了AAV载体。但是载体的安全性、免疫原性、装载药物的能力等问题还急需解决。

靶向的手段，则是另一个重要的研究方向。例如，如何让药物成功穿越血脑屏障输送到大脑中，对治疗脑肿瘤、阿尔茨海默病和帕金森等脑部的疾病至关重要。而且，递送的目标要求也将越来越精细，不仅仅指靶向到达各类器官（心脏，肺，脑），到达组织类型（肌肉，神经），到达疾病特异性细胞，甚至要靶向到细胞内部的正确结构。这样的研究意味着有可能将化疗药物精确递送至肿瘤细胞，将会极大减少传统化药的治疗副作用。

所以说，药物递送是既连接药物的固有特性，又面对人体不同微环境的多变量的复杂问题，而AI技术在管理大数据、分析或解释复杂数据上具有天然的优势。随着机器学习，特别是神经网络算法的发展，人工智能参与到药物递送领域的研究已是水到渠成。

二

国内外初创公司介绍

1、Dyno therapeutics

Dyno公司成立于2018年，专注于利用AI技术开发基因治疗的AAV载体。今年5月份，Dyno宣布完成了1亿美元的A轮融资。

天然的AAV既容易被免疫系统识别，又不具有特定细胞和组织的靶向性，所以治疗使用前须加以改造。传统的改造手段是“定向进化”，由合成生物学家们随机突变衣壳蛋白上与靶细胞直接接触的某个氨基酸，再实验评估此改变对AAV靶向目标组织是否有帮助，不断重复迭代这样的突变—评估—叠加突变—再评估的循环。鉴于衣壳蛋白的序列空间非常大，导致这一工程艰巨又冗长，筛选能力远远跟不上市场的需求，发现速度缓慢，产量也受到了限制。

所以，Dyno刚一亮相便引起了众多基因治疗公司的关注。诺华与Dyno签订了合作协议，共同开发基因治疗严重眼病的新型AAV载体；Sarepta与Dyno签订合作协议，共同开发基因治疗肌肉疾病的新型AAV载体；罗氏旗下的Spark也与Dyno签订了合作协议，共同开发基因治疗中枢神经系统疾病和靶向肝脏递送的新型AAV载体。这些合作预计能为Dyno带来总计超38亿美元的资金。

图 1 Dyno therapeutics的技术流程（来源：公司官网，丰硕创投整理）

如上图所示，Dyno的技术平台将机器学习算法与生物学实验相结合。先设计一批AAV衣壳序列，合成后建成带DNA编码的衣壳数据库；通过新一代测序手段，可以跟踪识别库中衣壳的突变；通过实验测量对成功治疗至关重要的参数，比如递送效率，对靶标的特异性，免疫系统反应，包装大小和制造特性这五大参数；再基于这些实验数据，训练机器学习模型来预测新序列的功能，构建出AAV衣壳在不同性质上的全景地图。不断循环这一过程，机器学习勾画的全景地图就会变得越来越详细。

最终可以达到，针对某一种疾病，某一种潜在的治疗方法，Dyno输入所需性质的参数，机器学习算法便可输出预测的衣壳序列，这就是期望达到最佳治疗效果的AAV载体。

2、剂泰医药

剂泰医药成立于2020年，是由AI药物晶型研发公司晶泰科技孵化而来。作为国内首家AI驱动的药物制剂开发初创公司，公司于2020年12月完成数千万美元的Pre-A轮融资。

剂泰医药专注于药物递送、制剂研发，致力于用AI技术解决新药临床前制剂开发及药物递送设计到工艺放大整个链条上的具体问题，已经与华海药业、博腾药业达成战略合作协议。

从剂泰医药的成立上，可以较明显地体现出国内医药政策对市场的导向作用。集中带量采购压缩国内仿制药的利润空间，倒逼相关药企寻找创新的出路，要么开展风险和投入都较高的自主创新药研发，可能会花费10-15年时间；要么进行制剂二类新药的研究，例如与剂泰合作，可能只花费3-5年的时间，便可以较低的成本进入市场。

所以，目前剂泰药业主要会以AI技术与量子化学相结合的计算手段，为传统药企完成定制化的复杂制剂开发需求。与此同时，进行LNP载体的AI设计平台搭建，以期为国内众多的核酸类药物研发公司提供载体服务。

结语

目前看来，利用机器学习对传统药物在体内递送的研究已经相对较多。未来更多的研究需求会集中在新型药物、精准治疗方面。

而如今，基因治疗依然受制于最大的瓶颈——“载体”，境况与数十年前无异，使得基因疗法的先驱吉姆・威尔逊博士对整个的病毒载体研究感到“尴尬不已”。

这也许是因为我们理解的知识还不够多？也许是因为我们获得知识的速度还不够快？而AI技术可以从有别于人类思考方式的角度给我们带来更多、更有效的信息，完善我们的知识库，推进药物递送技术的开发，助力各类新型治疗药物达到它们应有的最佳治疗效果。

声明：以上内容仅供参考，不构成投资建议。

丰硕创投

丰硕创投成立于2019年，专注于大健康领域的投资。丰硕创投是一家以基本面研究为基础的创投，注重公司长期发展价值的挖掘。通过多维度的认知和不断自我进化构建完整的投资体系。我们有受托人基因，对资本市场有敬畏之心，把风险控制放在首位，用狙击式打法和专业的视野持续为投资人创造价值。