2020年，COVID-19商情全面爆發的元年，美國藥監局僅批準了53種新藥。而同一年，全球制藥行業的總體藥物研發投入高達近2000億美元。這意味著2020年內獲批的每種藥品，平均成本接近38億美元。當年發表的一項研究則給出了相對保守的新藥成本估算，認為雖然新藥成本在過去十年間急劇增長，但具體區間仍介于3.14億美元至28億美元之間。研究還發現，一種新藥推向市場所投入的研發總開銷，中位數接近10億美元，而平均值估計在13億美元左右。另外，新藥的上市周期平均在10到15年，其中約一半時間和投資用于臨床試驗階段，其余的半數成本則用于支撐臨床前化合物發現、測試和監管。至于為什么每種新藥花費甚巨、周期漫長，理由則包括缺乏臨床療效、缺乏商業利益和戰略規劃不當。總之，這一切復雜因素已經令制藥行業的效能變成一種玄學，不少人甚至在高昂的新藥上市成本之下成為懷疑論者，質疑既然技術水平和管理能力都在顯著進步，制藥行業為什么還會深陷當前的困境無法自拔。

這些人就是所謂“倒摩爾定律”的支持者，即盡管技術有所改進，但在過去幾十年間，新藥的開發成本仍呈指數級增長。倒摩爾定律認為，在拋開通脹影響的前提下，一種新藥的開發成本大約每九年翻一番。這種觀察提出的是一種類似收益遞減的定律，按照經濟學的概念來解釋，如果增加某種商品生產環節中的某一項投入、而其他所有投入均保持不變，則整體態勢最終將達到一個臨界點——之后繼續增加投入，則對應的產量反而開始逐漸減少。“倒摩爾定律”一詞，由Jack Scannell博士及其同事于2012年在《自然·評論·藥物發現》中提出。

倒摩爾定律，指向的自然就是大名鼎鼎的摩爾定律。這個來自1960年代的概念觀察發現，大規模集成電路上的晶體管數理每兩年左右就增加一倍。摩爾定律得名自英特爾公司聯合創始人戈登·摩爾，是他對歷史趨勢的一種觀察和總結。

Scannell博士強調，引發當前困境的主要是四個原因。首先，監管機構對療法的標準要求越來越高；監管機構承受風險的能力越來越低，于是相應拉升了研發成本和難度；砸錢心態，這種想靠資源漫灌硬推項目的作法，很容易造成項目超支；再就是暴力破解基礎研究，即高估了用粗暴試錯突破基礎研究難題的可能性。

盡管面對種種困難因素，我們也終有一天將擊破倒摩爾定律的挑戰，而決定戰局的一大有力武器正是AI。好消息是，已經有人邁出了探索這條道路的第一步。

Scannell博士和他的合作科學家們，呼吁制藥企業任命一名首席死藥官，專門負責在研發過程的各個階段內總結引發失敗的原因，并將結果發表在科學期刊上。當前，制藥企業甚至很少公布失敗的實驗或臨床結果，而且多數還沒想過要任命專職高管來處理失敗案例中的有價值信息。但Scannell博士強調，要想打破倒摩爾定律，企業就必須先改變研發流程。協同和信息共享當然是個很好的起點，不過在制藥行業內，能夠真正打破倒摩爾定律的方法只有一個——AI。

過去幾年來，人們已經多次嘗試用AI來打破倒摩爾定律。如今，Exscientia和Insilico Medicine等多家機構正在為此全力沖刺。

總部位于牛津的Exscientia是一家全球制藥科技企業，他們以患者為本，通過AI技術加快藥物發現速度。去年，這家公司宣布首例由AI設計的免疫腫瘤分子已經進入人體臨床試驗階段。在項目中，Exsientia與Evotec合作，使用前者的Centaur Chemist藥物發現平臺為患有晚期實體將為的成年患者開發A2a受體拮抗劑。這已經不是Exscientia做出的首次嘗試，該公司在2020年就曾公布一種由AI驅動軟件設計的強迫癥治療藥物，且已經進入I期臨床試驗。

此外還有Schrodinger，他們開發出了制藥行業最先進的化學模擬軟件。Schrodinger最近已獲藥監局批準，可以在早期試驗中研究其由計算機設計出的非霍奇金淋巴瘤治療方法。該公司的平臺基于機器學習技術，在10個月內對82億種潛在化合物進行了分類，并最終確定了78種能順利通過臨床前實驗合成與篩選的化合物。現在，該公司已經計劃啟動I期臨床研究，并開始招募復發或難治性非霍奇金淋巴瘤患者。

與此同時，來自猶他州的Recursion Pharmaceuticals也在使用AI技術為現有藥物尋找新的用途。去年，羅氏和Genetech同Recursion立項合作，共同探索細胞生物學的新領域，并嘗試在神經科學和腫瘤學適應癥領域開發新療法。通過合作，兩家公司將利用Recursion的AI藥物發現平臺對新型藥物靶點開展全面篩選，借此加快小分子藥物的開發。

在Insilico，一種領先的抗纖維化候選藥也成功完成0期臨床研究，正式步入I期臨床階段。而這款候選藥的新靶點，正是由Pharma.AI平臺所發現。從靶點發現到項目第一階段啟動，總時長甚至不足30個月，已經創下制藥行業新藥開發速度的新紀錄。

別忘了，AI技術還將在腦機接口、深度學習、人機接口、機器學習以及其他智能模擬場景下發揮作用。這些概念業已存在數十年，早期醫學AI系統曾嚴重依賴醫學專家提供的臨床知識與邏輯規則，但如今經過訓練的超級計算機已經完全可以自行完成這些任務。

為了打破倒摩爾定律，數據科學家和醫學科學家們必須共同規劃可實現的用例，將AI技術應用于各類臨床試驗，同時把AI技術與將要替代/補充的現有技術加以對照。通過這種方式，AI有望順利進入臨床試驗生態系統，在快速改善行業藥物發現及開發流程的同時，有效降低研發失敗率和成本。如今，幾乎所有大型制藥企業都在使用內部原研算法、與AI廠商合作或者直接收購AI廠商/技術，借此充實自己的產品組合與藥物發現管道。海量融資與多家制藥企業的合作伙伴聲明也告訴我們，行業對AI工具在藥物研發流程中的應用抱有極高期待。這一領域已經出現了不少變化，希望在未來幾年中，企業能夠將更好的投資策略同先進的AI技術結合起來，一舉粉碎倒摩爾定律這道“魔咒”。