最近看到国内一家知名VC的招聘信息，投资方向之一为新生物医疗，其中不包括药物管线和传统医疗器械。
许多人一头雾水，不投创新药，不投器械，投啥啊？也有声音质疑这又是一种概念炒作，资本惯用的伎俩。
但不可否认的是，许多生命科学出现的新兴技术，正在形成一种不同于创新药/械的商业形态，国内的投资人对此并不陌生，包括合成生物、器官芯片与类器官、脑机接口等领域，中国已经涌现出一批创业公司。
背后的趋势是生物学正在向数字化和工程化深入，而这其中人工智能技术无疑起到了极大的推动作用。
而当下，AI在生命科学中最突出的成就仍集中于蛋白质领域，其中DeepMind的AlphaFold、David Baker实验室等力量功不可没，相关算法和模型正在大量涌现。
更为重要的是，蛋白质作为生命体中最为基础的组成部分之一，在AI赋能下能够对医疗、日化、食品、能源、农业等诸多领域落地，能够准确估量的市场空间只是冰山一角。
针对这个尚处于爆发前夕的领域，智药局进行了深入研究，也与部分初创公司进行了交流，希望能够更加清晰地呈现中国AI蛋白质行业的整体情况。
01.三类玩家，三类出路
据不完全统计，目前中国AI蛋白质企业共有21家，根据技术主要分为三类：AI蛋白质预测、AI蛋白质设计和AI蛋白质组学，其中前两类占大多数。
需要说明的是，基于人工智能的生信算法已经成为许多蛋白质组学公司的“标配”，包括业内较早成立的公司均已采用。
但客观来讲，AI在蛋白质组学领域更多是用来分析数据，并不触达核心，真正的关键在于硬件平台，即产生数据的手段。
而之所以将珞米生命科技、西湖欧米和青莲百奥列入其中，主要是这几家公司在AI领域的确有一些比较独到的地方或者已经达成了相关合作，尤其是西湖欧米，因为公司并不涉及硬件业务的情况下，软件和算法是其主要的竞争力。
蛋白质预测和蛋白质设计则更像是一枚硬币的两面，其围绕的都是“蛋白质如何折叠”这一核心命题，相关公司往往两者皆有，但不同的侧重又会导致公司面对的客户出现明显差异，所以在统计中，我们根据业务重心将两类公司区别开来。
针对的下游需求基本上分为两种，AI蛋白质预测更加垂直一些，还是围绕在靶点这一块，基本上集中在药物研发领域；而AI蛋白质设计用途明显更多，为多种行业提供蛋白质产品，商业化机会更多。
值得注意的是，AI在蛋白质领域的突破，尤其是对酶的设计、改造使其活性、稳定性表现大幅提升，让不少合成生物学公司看到了新技术的潜力，一些企业研发出自己的计算平台，推动业务的发展。
从时间上看，2020年无疑是个分水岭，由Alphafold领衔的AI蛋白质预测浪潮成功“破圈”，在奠定了技术基础的同时，也进行了一波成功的市场教育，行业迎来一波持续三年的创业潮。
02.部分公司技术*
中国AI蛋白质公司中一些团队的技术全球*，在世界级大赛上斩获重要奖项。
第15届国际蛋白质结构预测竞赛（CASP15）结果于2022年年底出炉，多个赛道华人团队名列前茅，两家国内AI蛋白质公司团队的表现十分亮眼。
图：普美瑞CoDoc获蛋白/RNA-配体复合物结构预测*名
普美瑞生物科技首席科学家常珊教授团队在蛋白质-配体复合物结构预测赛道斩获*名，而智峪生科旗下团队则在RNA结构预测项目上成为冠军。
资料显示，普美瑞生物由在江苏理工学院生物信息医药工程研究所共事的3位科学家创立，2018年，该团队在CASP13-CAPRI蛋白质复合物结构预测赛道中获得了困难类型复合物排名第1，全类复合物排名第8的成绩。2020年，该团队又在CASP14-CAPRI中获得了蛋白质复合物结构打分组排名第1，预测组排名第3的成绩。
而智峪生科CEO王晟此前在腾讯主导开发了tFold，该方法曾在蛋白质结构预测竞赛CAMEO中连续半年保持周度冠军。
王晟博士后的导师正是AI蛋白质领域的*专家许锦波教授，许教授团队于2016年推出的 RaptorX-Contact，首次证明了深度学习方法预测蛋白质结构的可行性，启发了DeepMind推出划时代的Alphafold。
而许教授的团队也为中国AI蛋白质贡献了不少力量，许锦波教授回国创立了分子之心，他的两位高徒也积极创业：王晟博士加入智峪生科担任CEO、彭健博士则在清华孵化了华深智药。
此前在接受采访时，许教授表示在他看来“DeepMind在2017年、2018年之际，实际上在重新实现他的算法”，而之所以Alphafold2如此成功，一个很重要的原因在于“学术界没有人有这么多资源去做这件事情……我们没有几百块GPU”。
应该说，国内AI蛋白质团队不乏专家大牛，与国外先进公司的技术团队可以同台竞技，辅之以资源支持，假以时日可以期待非常亮眼的成就。
03.商业化难or易？
从我们接触的公司来看，AI蛋白质的商业化要比AI制药更容易，后者的周期太长，也很难得到验证。
AI蛋白质商业化的优势一方面体现在下游领域的多元，医药之外，合成生物、农业、化工都是可以拓展的方向，且难度要求更低一些；另一方面，相较于目前AI对整个制药流程效率提升的有限，AI蛋白质设计、改造和优化在工业领域具备更重要的价值。
如此情况下，行业内已经有AI制药公司主动向AI蛋白质业务转型，而且还相当成功。
这其实是当下国内很多AI制药公司的真实写照，创始团队本身就是物理、数学背景出身，没有做药的相关经验，空降一个药物研发的高管也是独木难支，制药这个行业的水远比想象中的深。
想通了之后选择果断转型蛋白质，之前医药的基本盘还在，农业、化工、食品又有新的增量客户，百万级别的订单几个月就可以交付，可以实现盈亏平衡。
当然这么乐观的情况只能出现在中小团队上，对于行业里一些大玩家而言，接小单子无疑是杯水车薪。
大模型做起来耗时耗力，小客户是“杀鸡焉用牛刀”，能跟有钱的大客户签长期大订单是闭环关键。这一方面百图生科取得了成就，1000万美元的预付款和多项近期的模型开发付款，总交易金额超过10亿美元。
别看首付款少，隔壁DeepMind也一样，要啥自行车啊。
前段时间百图生科的刘维做过一个公开分享，在他看来，AI介入泛生命科学领域有高价值、大市场、强本质和快节奏四个优势。
前两个优势已经被行业说烂了，重点在强本质和快节奏上。
“强本质”意味着AI带来的增量切中了生命科学的本质，其效率的提升不需要经过漫长的价值链条传导。“生命科学在早期发现阶段，就是建立在一个专利上、一个序列里。人体有20种氨基酸，一个蛋白质短则几百个、长则几千个氨基酸，就算是20的4000次方，这是一个巨大的数字。只要找到一个，就具备了高价值。一旦找到，后面的临床试验、研发、商业销售，都有人去接力。但前提是，前沿研发能做出别人做不出来的东西，我们叫强本质。AI*的地方是数据入、数据出，在这种强本质中，AI模型的价值可以发挥得更高。”
而“快节奏”则体现在两个方面：一是AI赋能生命科学不一定要背负整个流程的重担，只要早期阶段完成设计和初步验证，后面就有充足的人接走，并且投入资源。如果设计出一个科学界有兴趣但工业界找不到方法的新东西，比如新难成药的靶点、新型蛋白质、新型酶等，跟下游伙伴交接棒的周期，一般就是几个月到一两年时间；二是生物实验的节奏在过去十年也不断加快，而且会在AI驱动下越来越快。
AI蛋白质的身段灵活体现在下游客户的种类丰富，而且与制药相比，农业、化工的行业门槛和试错成本更低。
当然并不是说做泛行业的蛋白质产品就一定好于药物研发，但是在AI技术仍有极大局限性的当下，叠加医药寒冬的影响，创始人一定要了解公司的能力边界，知道自己能干什么，不能干什么。
04.写在最后
当我们把视角从制药延展至整个生命科学领域，会发现AI的作用可能被远远低估了。
蛋白质作为AI进军生物的重要领域，一旦获得突破（不仅仅是理解和预测，更重要的是设计和生成），未来的市场将比有史以来任何一款药物、一个靶点都要大得多。
而且，大多数中国的AI蛋白质企业尚在起步阶段（甚至还有一些团队仍在科研院所之中，尚未出来创业），融资阶段处于早期，没有赶上2020-2021年泡沫时期，不用担心高估值的问题。
可以确定的是，未来全球AI蛋白质群雄里，一定会有中国公司的身影，并且胜出的玩家大概率将活得很好。
问题的关键在于区分哪家公司能跑出来、跑在前面，而要看清这一点仍需时日。
