十一年前，张小龙找来10个开发员，在一间封闭开发的办公室（被称为“小黑屋”），开始没日没夜的开发微信；那一年，新浪成为了极少数主营业务转型成功的互联网企业，新浪微博用户基础在一年时间就扩大了25倍之多。
从今天的成效来看，微信、新浪微博、小米、美团、陌陌等所有勇于选择的创业者，在那一年都抓了最好的时代，收获了自己的成功。
如今，同样的故事或许正在生物制药行业上演。
近期，雷锋网《医健AI掘金志》以“AI制药·下一个现象级赛道”为主题，邀请了百图生科、剂泰医药(METiS)、未知君、望石智慧、英矽智能、星药科技等六家先锋企业，进行了一场线上云峰会分享。
此前，我们陆续推出五位嘉宾的演讲精编：《百图生科科学顾问高欣》；《未知君首席生信科学家胡函》；《望石智慧高级算法专家周文彪》；《英矽智能首席科学官任峰》；《星药科技CEO李成涛》，感兴趣的读者可以拓展阅读。
我们希望，通过见证这些最勇敢的创业者，能够见证一个新赛道的崛起与未来。
作为该系列的最后一篇演讲内容，剂泰医药CEO赖才达围绕新药制剂开发谈了很多自己的心得体会。
METiS 剂泰医药由AI药物晶型研发公司晶泰科技孵化而来，公司继承了晶泰科技的 AI 实力，并选择聚焦于药物递送、制剂研发赛道，是全球首家以 AI 驱动的药物制剂开发初创公司。
其可以为生物制药公司提供制剂开发和优化服务，同时也会基于其专有的高通量 AI 制剂平台搭建制剂新药管线等。
他表示，现在越来越多新药分子面临制剂开发困难。
首先90%小分子本身就面临药物动力学问题，例如通透性差、溶解度差等现象，这都对最后成药性造成极大影响。
其次就是新型态药物(New Modalities)，例如核酸药物的靶向递送，这更加考验材料和制剂优化方式。
开发者希望知道大分子结构和不同辅料、纳米材料如何交互作用，在不同生理微环境下条件，有什么样物理和动力学性质差异。
但迄今为止，基本没有一个特别好的算法可以连接，微观尺度分子及制剂交互作用和宏观尺度药物动力学性质。
传统的制剂开发手段，更像是手艺活，非常仰赖专家经验法则，专家依据分子预测其性质，做简单试错，能够搜寻空间非常有限。
所以更需要AI来驱动新药制剂开发，帮助了解药物递送本质以及原理和性质，进一步大幅提升药物开发效率，提升传统制剂开发手段。
在此背景下，剂泰医药推出了AI驱动制剂开发平台AiTEM，其中包含可生成处方及工艺的大数据高通量药物递送及制剂平台，以及以分子模拟及人工智能预测药物物理及动力学性质的计算平台。
依托该平台，剂泰在成立不到一年情况下，就相继获得华海药业、博腾医药两家知名上市药企的合作支持。今年以来剂泰医药已经累计完成了三轮融资，其中不乏红杉资本中国、五源资本（原晨兴资本）等知名 VC。
以下为赖才达演讲内容，《医健AI掘金志》做了不改变原意的整理和编辑：
大家好，我是METiS剂泰医药CEO赖才达，非常高兴分享我们的项目。
METiS致力于AI驱动新药制剂开发，尤其是drug delivery（药物递送）环节。
我们的愿景是致力于成为新药递送的设计师，其中主要包含以下三点：
通过提高BA、稳定性来提升大、小分子成药性；
改善药物释放控制，得到更好药物效果；
通过新药递送系统，设计临床差异化制剂新药，也就是505b2二类新药。
公司最早由美国工程院院士创立技术构想，并由晶泰科技孵化算法基础；
我们的目标是把高通量平台产生的数据结合算法，去计算一个分子与成千上万个分子之间的交互作用，最终把微观尺度信息和宏观尺度的物理动力学性质关联在一起。
通过这样的构想，我们完成了全世界第一个AI驱动新药制剂以及药物递送开发平台构建。
目前，该平台已经推动几种药物开发，从去年底开始到现在，已经开发十几个PCC项目，预计今年可以申报第一个IND，这也体现AiTEM平台可以规模化，有效率产生临床差异化管线。
今天主要介绍平台技术机理，包括怎样预测、设计、优化制剂递送材料，此外也会结合一些案例，通过平台讲解怎样产生临床差异化管线。
我们一般认为药物递送都是在小分子环节，但目前提升药物递送已成为新一代药物的核心部分。
例如PROTAC或核酸药，这种新化学分子原件非常需要以递送为核心手段去成药。
此外，我们在开发平台过程中，也发现很多传统手段都需要革新。
传统制剂开发手段，更像是手艺活，非常仰赖于专家经验法则，专家依据分子预测其性质，做简单试错，能够搜寻的空间非常有限。
所以在这个环节中，AI制剂设计的价值会非常大，会从绿叶辅助陪伴成为真正的核心环节。
首先第一个价值点，505b2改良型新药开发。
目前，美国已经有很多药企都在这方面投入，类似Reata, Recursion等公司就主要做药物重定向、老药新用开发。
剂泰打造的AiTEM平台主要用于找寻老药新用机会，满足临床缺陷，并进一步研究药物PK、PD性质，在3~6个月内完成立项到药物制剂开发（非CMC工艺开发）。
第二个价值点，新形态药物核心环节药物递送，将药物包裹在纳米载体内，靶向递送到对应组织或靶向细胞中。
例如把mRNA、Base editor等复杂分子，高效送到特定细胞里，在这方面的材料设计，多元组份设计复杂度会大幅度提升，这也是我们的开发重点。
METiS是先从底层了解小分子药物与辅料之间的交互作用，再进一步了解RNA、多肽、甚至抗体或蛋白等大分子与辅料之间的交互作用。
那我们是怎样切入AI药物递送这一赛道的？
自己和团队还在晶泰内部时，就发现越来越多药物分子，像NCE、多肽，或siRNA等复杂药物分子，都面临剂型开发困难。
光是小分子就有90%药物面临药物动力学问题，例如通透性差、溶解度差等。
这都会对成药性造成影响。相比药物分子筛选，医药行业里面更加缺少一个更先进的药物递送工具。
在和很多大药企合作的时候，他们经常上来就问我们，是否可以设计一套计算工具用在开发环节，从而实现知道分子结构之后，即可快速了解其在不同辅料，不同工艺条件，不同环境下有怎样的物理跟动力学性质。
一开始我们运用传统方法计算，例如CADD工具，试图解释一个分子在复杂辅料环境下，会有什么物理性质，但并没有得到理想结果。
看到这个痛点之后，我们又是怎样决定出来创业的？
传统制剂开发过去非常仰赖专家经验，可能先是从单一材料或几种材料结果去预测优化条件，采用试错方式，数量非常有限，搜寻空间也非常有限。
看到这个痛点之后，结合自己这么多年的AI学习和研发经验，我就问自己：“既然AI可以筛选分子结构、进行疾病预测，那能不能应用到药物递送环节当中。”
刚开始有这个设想的时候，自己还比较紧张，因为我们看下来，光设计元件的选择，载体参数设计，宏观配方、处方工艺条件筛选，大概就有1010到1020以上设计空间。
在这么大挑战下，最开始我们就透过AI把设计空间给框出来，然后用virtual screening(虚拟筛选)方式做初筛。
初筛完之后，再到高通量试验平台上做迭代，迭代结果重新输入到AI系统以进一步优化试验，循环迭代试验可以在数万级数据空间内大幅提升专家效率。
这种底层技术可以帮助我们了解药在微环境下的性质，透过这个性质再去预测，去优化，就可以解决临床上需要面临的问题，跨维度、跨不同物理尺度优化药物制剂开发技术。
为什么除了我们还没有任何一家AI公司布局这个方向？
其中最主要原因就是缺乏底层基础，也就是没有公开大数据库做 data training，现在公开数据库大概只有几千例数据，很难做训练。
而且其还缺乏CADD量子力场计算工具、没有高通量实验平台等，这些先天缺陷，让其他企业没有办法驱动训练 AI学习系统。
从核心优势角度来讲，剂泰主要完成三个核心技术突破：
(1) 高通量量子化学算法, 计算API分子与多元辅料交互作用；
(2) 高通量实验模组，针对各个剂型模拟药物递送的生产工艺及生理递送微环境；
(3) AI算法完成虚拟筛选及优化制剂设计及组合筛选。
通过计算及高通量实验，完成迭代式学习推荐，最终生成制剂处方，完成后续的产品开发，所以平台是真正用数字化计算表征药物的递送平台。
通过这样的平台，主要可以做三件事：
第一，分子成药性优化，通过制剂优化即工艺处方优化、提升创新分子结构本身成药性。
第二，药物递送系统(DDS)方案设计，透过我们平台设计不同DDS方案，满足临床缺陷。
第三，老药新用产品开发，从立项到IND全流程开发平台。
更具体地来说，第一个是成药性优化过程。
对每一个剂型里，每一个辅料进行解构，新分子进来后，和解构单元体进行量子化学计算其交互作用，以此表征分子在该环境下的物理性质，快速筛选一个药在新递送条件的特征(Features)。
本来可能要花几个月，甚至一年去完成的复杂计算，现在只要几分钟到一小时就可以完成，这是底层算法的一个重大突破。
以固体分散体为例，该剂型是透过无定形分子型态帮助药物增溶。
在无定型状态下，寻找高分子辅料加强药物分子在Solid Dispersion下的稳定状态，这样可以避免药物分子重新结晶，增加其溶解度，从而提高生物利用度。
其中最主要问题在于，需要知道药物分子怎样与各种高分子载体相互作用？
我们能够了解最底层作用机制，在固分体里API分子怎么与载体交互作用，以及他们相互分布是什么样子，从而预测药物会不会稳定，溶解度或溶出速率是否会提高。
其中固分体开发往往会面临两个矛盾，当想提高固分体生物利用度时，需要化学势能尽可能大，但当API过饱和度时，又会增加API重结晶的风险。
就像很多药企在开发时遇到的困境，找到一种生物利用度很高的ASD，但在开发药物临床二期时，却发现这种ASD不稳定，再重新结晶会大幅度影响开发效率跟周期。
剂泰主要依据AI和计算平台去预测化学势能和稳定性，虚拟筛选材料并进行处方及工艺条件优化, 解决这类矛盾，设计不同高分子与药物组分，提升他的driving force，然后又能够提升稳定活化能。
我们在实际反应条件里做ASD成分优化，大家也知道这个筛选过程很艰难，运用高分子载体数据库，选择合适试剂，然后通过高通量训练，构建AI模型或分子模拟进行预测。
整个过程中确实是可以找到一些非常有趣的结果，除了预测稳定性之外，甚至可以找到非常多，专家找不到的处方条件，从而帮助专家突破本来trial-and-error和靠经验法则时的决策误区。
以上就是我们核心的优势，对非线性数据进行归纳整理，建立预测能力帮助辅料优化及多元辅料筛选，甚至工艺条件筛选，进而优化药物载药量，溶出条件，稳定性等。
从简单液体制剂，到固体分散体，直压，甚至更复杂微球、透皮，这种大分子利用平台聚合物胶束/脂质纳米粒等等。
在这一系列都可以从这些底层交互作用去做材料设计，甚至新材料设计来做DDS技术优化。
就像我前面介绍，DDS是未来开发新药非常重要的一个方向，不管我们做制剂开发、还是小分子药物递送、mRNA药物递送，如果有能力破解这些底层递送核心问题，就可以满足专家非常难优化的这些条件。
当我们把DDS解决之后，结合老药新用平台，开发满足临床需求的产品，才是我们真正的初衷。
与505b1创新药不一样，505b2不需改变分子本身结构，通过改变递送方式或适应症方向从而满足临床缺陷，就可以明显提高成药成功率。
我们希望可以快速实现立项到临床验证的闭环，从而实现闭环学习过程。
整个AiTEM平台搭建基本就是从临床开始，挖掘大量数据，找出不同适应症领域药物开发机会，如CNS、慢性肾病、代谢性疾病、疼痛性疾病、甚至是许多肿瘤性疾病。
开发思路有两种，
一种是跟递送相关，例如减毒增效，提升病人依从性；
二是改变适应症，解决无药可用的问题，从立项一路到POC，大概3~6个月就可以完成。
以抗癌的一线用药紫杉醇为例，因为本身可溶性和成药性问题，原研使用蓖麻油衍生物，存在一定过敏性问题。雷锋网
我们尝试去掉不良条件，透过简单制剂来满足成药性质，实现双倍剂量，达到减毒增效作用，最终目标是让毒性和工艺成本都明显降低。
通过机器学习、强化学习方法，最终筛选大概到106次到107设计空间，做全局优化，这种数量已经远远超过目前专家能力，在大的设计空间中找到最优条件，再做动物试验，得到很好结果。
其实，剂泰不仅做制剂开发的效率提升，更多是透过搜寻能力提升之后，找到专家找不到的成药机会。
我们的愿景也是成为一个拥有算法平台+高通量试验平台+立项平台+管线转化平台的生物科技企业。
今天非常高兴介绍我们的项目，AI drug delivery是一种颠覆性技术，通过这样手段可以初步从小分子药布局进行改良性新药开发，下一步将开发具有靶向作用的核酸技术平台，把更多好药提供给患者。雷锋网
正在生成分享图...
我在思考中