跨国药企如何在内部建设人工智能？

在关注跨国药企的AI战略时，也更多聚焦于外部合作，但它们内部如何推行AI策略，却较为模糊。

事实上，大多跨国药企已经不是内部研发驱动的企业，缺乏创新力。

一项数据显示，全球销售额排名前20的大药企，从2015年到2021年间获得FDA批准的一共138款化药和生物药，65%来自外部、而仅有28%来自内部、另有5%来自合作。

近年来，企业们也在内部一直推动人工智能的应用，但它能否改善创新源头的问题，还有待定论。

1、首先不是AI的问题

不同于初创公司，大型公司通常有“船大难掉头”的弊病，辉瑞、礼来、默沙东等公司员工都在上万人甚至接近10万人，首先要为企业范围内的人工智能构建组织和技术结构。

2018年-2019年，多家药企都在不约而同地提出数字化战略，陆续开始任命首席数字官（CDO）或者首席信息官（CIO）。

2018年，辉瑞任命了首位首席数字官Lidia Fonseca；诺华首次任命了 Bertrand Bodson作为首席数字官；礼来任命首席数据和分析官Vipin Gopal；2019年2月，赛诺菲首次设立了首席数字官职位。

缺乏投喂给AI的高质量数据始终制约的行业发展，因为根据经验，数据科学家将 80% 的时间花在识别、聚合和清理数据上。

大药企的确拥有不少数据，但难点是这些数据散落在研发、临床和商业的三大板块，且大部分数据是不互相连的。

面对遗留系统与数据环境，首席数据官必须要让企业为外部存在的大量有价值的数据做好准备，必要的一步是“在公司内部创建一个数据自由流动的生态系统”，并且“数据在整个组织内得到一致的管理”。

因此近年来很多制药公司都在关注云技术，引入数据管理平台，目的是为了统一这些分散在各个团队的数据可以共享和流通。

例如宣布all in AI的赛诺菲则部署了MLOps 系统，MLOps从数据采集和处理-模型接入-模型开发-模型部署和应用-监控和运维，提供一整套对应AI全生命周期的工具和服务，赋能AI模型全生命周期的各个流程。

有了良好的数据环境，之后才能进一步地掌握分析与AI技术，为企业创造更多地价值，带来数据驱动的文化。

2、阿斯利康：多管齐下

近年来，为了进一步提高研发生产力，阿斯利康将数据科学和AI技术运用于创新靶点发现、拓展多治疗模式、辅助小分子药物研发以及运用预测性科学提升临床效率这四大领域中。

阿斯利康在新年的工作计划发布路演时就提到，数字健康（大数据、AI）等也将会是2023年阿斯利康的工作重心之一。

近年来，阿斯利康也在药物研发AI药物研发领域发表多篇论文，其中一项重磅研究基于AI的从头药物设计工具REINVENT，目前已经开源。

阿斯利康的很大一部分战略是运用基因组学和精准医学回答药物研发一些最棘手的医学问题。

基因组学研究中心（CGR）

该中心拥有PB级的数据，能够为科学家提供来自基因组、转录组、蛋白质组、代谢组和脂质组的数据，一直致力于转变其科学能力，以增强对疾病的理解。

阿斯利康正致力于到 2026 年分析多达 200 万个个体基因组，这涉及到收集、存储、并进行分析的环节，而公司正在使用数据科学和AI来加速这一过程。

阿斯利康iLab

2017年，阿斯利康在瑞典哥德堡建设了ilab实验室，目的是为了搭建全自动药物化学实验室，与通过与分子AI团队无缝集成，提升药物发现的设计-制造-测试-分析周期（DMTA）的效率。

该工作室开发了一种名为nanoSAR 的新型制造和测试技术，这是一种与生物物理筛选相结合的小型化高频合成工艺，使我们能够更快地探索关键先导化合物周围的各种分子。

目前该平台已经更新到了第三代，团队的目标是在哥德堡和英国剑桥建立一个功能齐全的自动化化学实验室。

医疗人工智能创新中心

作为在中国收入最高的MNC，阿斯利康也非常重视中国市场的表现，2021年10月，阿斯利康全球研发中心落地上海，同时阿斯利康打造的“人工智能+医疗”创新合作平台，创新中心的AI iLab将围绕患者需求加速医疗人工智能解决方案的孵化，最终推动成果实现临床应用与广泛推广。

该中心内的一个专门小组将专注于与科技公司和当地初创企业合作，为患者开发创新解决方案。

3、诺华：专注早期

2019年，诺华与微软进行合作，建立人工智能创新实验室，作为其人工智能和数据科学战略的重要一环。新实验室旨在增强诺华人工智能从研究到商业化的能力，用来支持整个公司的研究人员。

实验室的核心是创新的人工智能模型和应用程序，从生成化学、图像分割和分析开始，解决生命科学领域一些最困难的计算挑战。

诺华生物医学研究中心（NIBR）

为了加强研发能力，2002年诺华成立了诺华生物医学研究中心（NIBR），总部设在美国麻省剑桥。截止目前，诺华生物医学研究所已经拥有了6000多名科研人员，关注自身免疫、移植和炎症性疾病、心血管和代谢疾病和免疫肿瘤学等。

该组织正在将机器学习和数据科学用于早期药物研发，包括搭建新一代高通量筛选平台，为科学家开发相应的软件，促进效率的提升。

例如NIBR Oncology拥有专门的肿瘤数据科学团队，通过人工智能模型对患者进行分层、药物组合选择和治疗结果预测，最新的例子表明，团队通过PET-MRI 数据训练的机器学习模型量化小鼠和患者的肿瘤内异质性。

4、赛诺菲：All in AI

赛诺菲前不久才喊出来了“AII in AI”的口号，近两年来也对于外部合作的态度也非常开放。首席执行官 Paul Hudson对于赛诺菲的数字化转型也尤为重视。

为了开发全新的创新视角，赛诺菲于 2022 年 6 月推出了内部数字加速器，汇集了医疗保健领域以外的数据专家和专业人士，集思广益，提出替代解决方案，并提出打破传统制药业务模式的新颖举措。

加速器团队的成员曾就职于迪士尼、法国Natixis银行和法国独角兽Doctolib等公司，他们了解如何颠覆整个市场并进行转型。

Plai

plai是赛诺菲与人工智能平台公司Aily Labs共同开发AI应用程序，可提供实时、反应性的数据交互，提供前所未有的360度全方位视图，涵盖赛诺菲的所有活动。

它利用超过10 亿个数据点来提供信息，从有关药物库存不足的警告到与广告公司会面的问题，或建立可以加快药物审批的临床试验地点的建议。

Paul Hudson曾开玩笑说 plai 在大约四个小时内就实现了收支平衡，并表示与大型咨询公司为管理大公司数据的项目收取的 3 亿至 4 亿美元费用相比，其成本“微不足道”，赛诺菲 80,000 名员工中有十分之一每天都使用它。

人工智能*中心

2022年6月，赛诺菲宣布在多伦多设立全球人工智能*中心，加入赛诺菲在巴黎、波士顿、纽约和巴塞罗那的现有数字中心全球网络。该中心将专注于利用*技术开发世界一流的数据和人工智能（AI）产品，加速研发改善患者获得救生药物的机会。

赛诺菲计划为该中心聘用100名员工，到 2025 年这一数字将增至 200 多名。该团队将利用数据科学、计算生物学、人工智能战略、数据工程、数据管理、数据架构和产品管理，以改变医学实践和改善全球患者生活的愿景为指导。  

2022年，在全球生命科技的研发策源地——波士顿剑桥地区，赛诺菲将搬迁至Cambridge Crossing（剑桥十字路口）的新园区内。

这个被称为剑桥十字路口的新园区正在建成未来的实验室，集成了包括化学、蛋白质工程、结构生物学和合成生物学等关键性药物发现平台和工具，还将人工智能、机器学习和生物信息学等计算科学能力整合进入新园区。

除此之外，赛诺菲的生物制剂产品占比非常大，约为70%，在药物研发方面也一直在推动数字驱动的大分子研究。

为了加快抗体药物研发速度，赛诺菲选择了Absci、LabGenius和天演药业等利用人工智能促成下一代抗体药物发现和制造的公司。

5、辉瑞：建立新团队

2022年，辉瑞开始在美国剑桥建立“机器学习研究中心”（WRDM Machine Learning Research Hub），希望引领生物制药行业进入下一波创新浪潮。

该中心负责创建新颖的预测模型和工具，在内部被称为“关键性”投资。团队由机器学习和计算科学副总裁Enoch Huang领导，将与公司的专家合作，通过设计、部署和维护*进的工具和技术，确保AI/ML的成功应用。

这些计算工具将揭示与疾病病理生理学相关的见解，并产生相关的、可测试的假设。与机器学习相关的研究工作则由今年10月加入辉瑞的Djork-Arné Clevert负责。

辉瑞计划先从自己的核心领域开始研究，包括内科、炎症、免疫学、肿瘤学、疫苗和罕见病。在肿瘤学方面，辉瑞计划在精准医学的基础上，用机器学习更好地了解患者群体和分层。

艰难但正确的事

事实上，在一个几万人的组织推行一项新技术和工具并不容易，尤其是它最开始可能并不如传统方法好用。

近年来CDO也成为企业里面流动率高的职位之一，他们通常被委以重任，权限更高，但是得到的结果不尽令人满意。

任何有历史的大型组织都掌握着海量数据，转型必将是一个大难题。但包括辉瑞、赛诺菲这样的巨头正在这一领域进行有益尝试，彰显了制药业拥抱AI技术的决心，我们也将在不久之后看到这些勇气和智慧开花结果。

事情艰难，使我们更有理由为之。