深势科技|深势科技创始人兼CEO孙伟杰：AI另一种用法是加速计算模拟，实现“计算制药”( 二 )

事实上，无论方兴未艾的AI制药还是历史悠久的CADD都属于科学计算的范畴，孙伟杰认为，AI的确提供了其中一项重要的算法。在所有算法中，目前解决问题的更多是传统的计算化学相关算法，它们更依赖于底层的物理模型。在这点上，AI能起到的作用更多是为物理模型的计算加速，为数据挖掘和数据处理的方法加速。“AI让传统的算法走上了快车道，变得更加高效，” 孙伟杰话锋一转，“但这更像是一种对CADD的赋能，单独来看，它只是一个工具。”
有力的事实证明了孙伟杰所持的观点：拥有几十年发展历史的CADD已相对成熟，这一领域有一些已经固化成软件的工具、方法，乃至实验中成型的规则，它们确实地在应用端解决着一些实际问题。美国Schrodinger（薛定谔）公司的药物研发解决方案就是基于上一代CADD的成熟典范。
相比之下，AI制药则罕有实绩证明自己凌驾于CADD之上。孙伟杰认为原因之一可能源于二者所属的两种不同范式：CADD中计算机做的是运算；而AI制药中，AI做的是归纳。众所周知，归纳的高准确性来源于足够的样本量。这意味着AI若想获得类似问题的处理能力，以及相应的精度，就需要高通量数据对其进行训练。这也很好解释了为什么目前AI还解决不了很多高维问题——现实世界的数据并不充足。
“当以AI为代表的计算工具真正具有比拟实验精度的时候，能够大幅提升药物研发厂商研发的效率，这样的计算工具才会具有更强的生命力，”孙伟杰如是告诉亿欧大健康，“现在整个行业的发展还任重道远。”
计算的意义不止于辅助制药
孙伟杰认为，计算的意义始终在于部分代替实验。而“部分代替实验”则对算法提出了精度和速度这两个维度的要求。
权衡下，深势科技的选择更侧重于演绎和计算的物理模型。这一路线绕开了难寻的数据带给精度的考验，其原理是依靠确定的物理规律对微观世界的分子和原子如何运动进行计算。
在这条赛道上，人们长期以来面临着精度和效率不可兼得的困局：基于量子力学的方法准而不快，基于经验公式的方法快而不准。
以量子力学的方法为例，其物理模型已经十分准确，基本能够摆脱经验的束缚。“不快”的原因在于巨大的运算量。孙伟杰指出，在微观的多体作用下，数学计算量将随原子的数量增加而立方上升。“2个原子时计算量是8，3个原子就是27……可以想象，算数万个原子的时候，它的计算量是‘爆炸’的。”
深势科技的对策和突破是跨尺度建模。这项技术的背后有着一个简单的逻辑：既然准，那么再把它做快就好。张林峰曾在采访中对跨尺度建模进行过解释：“药物体系的很多微观性质预测的本质需求是精确求解原子间相互作用。描述原子间相互作用的关键物理量是原子间的势能面。对此，我们可以想象的是，势能面的本质就是从所有原子位置到一个能量的高维函数，而机器学习最擅长做的就是逼近高维函数，所以说这是一个自然的结合。”
“通俗的说，就是教会AI解物理方程。” 孙伟杰表示，教会AI学习去解这样的方程，可以将整个方程的求解速度提升若干数量级。而这样巨大的提升，也让“部分代替实验”的目标显得不那么遥不可及。
孙伟杰给出了一组2018年的数据：全球范围内，计算制药公司的收入之和只有不到20亿美金；而全球在整个临床前，每年仅蛋白质水平尺度上的实验投入就有200亿美金左右，整体来看，计算对实验的渗透率不足6%。
“计算的理想终点远不止辅助制药，它的本质是想去替代部分的实验。而我们的目标是计算对实验的渗透率达到工业设计与工业仿真行业的级别。”对发展前景，孙伟杰讲述了明确的目标。毕竟，无论计算模拟的手段发展到何种程度，最终的实验验证都不可或缺，但就像工业设计与工业仿真行业一样，计算模拟与实验验证能够充分配合，循环迭代。在药物设计领域，把以实验为主的研发范式，变为“计算设计-实验验证”的研发范式，这正是计算对实验渗透的终极目标。