AI药企如何打动大型制药公司?

药物发现过程可以视为一系列基于数据的顺序决策。在这个序列中，有三个重要的主要阶段：临床前、临床和商业阶段。

2023-08-24 11:25 · 微信公众号：智药局　智药局　　

全球700强制药公司是世界上*、最有影响力的组织之一，总市值超过 5 万亿美元。

作为掌握新兴技术的AI制药公司，如果能够得到大型制药公司的垂青，为他们提供产品或服务，对于企业发展和融资都有非常大的助力。

但保守的Big Pharma对采纳新技术有不少的顾虑，必须要了解他们对于AI技术的价值取向。

需要明确的是，许多大型制药公司购买大型软件/服务，或者选择合作伙伴的门槛是：

这将帮助我们获得哪些具体的获批上市药物？

这是许多大型制药公司引入供应商和达成合作伙伴关系的关键。本篇文章也是少见的以BD的角度，深度谈了谈药企需要怎样的AI产品和服务，以及如何拓展客户。

作者Brandon White，曾经在Uber、Freenome从事产品工作，目前在一家AI SaaS初创公司Spring Discovery担任产品负责人。（OpenAI创始人Sam Altman是Spring的顾问）。

药企对AI的价值取向

明白了药企真正需要的是获批上市药物后，如果想使用人工智能在药物发现中创造巨大的价值，需要了解三个基本事实：

1.离药物的关键决定越远，创造的价值就越少

2.在药物发现的临床+商业阶段影响决策越远，创造的价值就越少

3.创造*价值的决策是选择正确的靶标/表型、降低毒性和预测药物反应 + 选择正确的靶人群

药物发现过程可以视为一系列基于数据的顺序决策。在这个序列中，有三个重要的主要阶段：临床前、临床和商业阶段。这些阶段中的每一个都有重要的子阶段，但每个更高层次阶段之间的风险降低和价值增加是巨大的。

上图显示了药物越往临床后期推进，创造的价值越高。这也可以解释为什么Veeva是一家为商业和临床阶段创建软件的SaaS公司，其市值为300亿美元，而为临床前阶段创建软件的SaaS公司Schrodinger的市值为30亿美元。

虽然决策的阶段很重要，但决策的类型也很重要。90%的药物在临床试验中失败，这些失败是由于缺乏疗效或安全性。疗效问题几乎总是归结为选择错误的靶标/表型或选择错误的患者群体。

药物本身的失败，因为它们不与靶标结合，或者开发人员不知道蛋白质结构，或者无法产生具有某些特性的类似药物的化学物质，或者表达率太低等。

所有这些问题和决策都不会创造重大价值，因为影响它们不会改变从一个阶段转移到另一个阶段的失败率。简单而言，这会导致损失 $50M - $150M 美元，而不是 $10B - $100B 。

解决这些问题就像在电影中塑造*的配角一样。因此，如果初创公司正在构建一个人工智能产品/服务，需要深入思考正在影响的决策类型，以及它是否真的对帮助大型制药公司开发上市药物产生影响。

数字革命没有意义

如果你的演讲稿或网站放上了这些字眼，比如“迎来数字革命”或“释放人工智能的颠覆性力量”，那么你就不会成功。

因为像这样的短语没有任何意义。如果去BioIT World或任何其他SaaS生物技术会议，90%的主题都是差不多的风格：

人工智能更快、更便宜地开发您的药物

利用 AI 发现更好、更安全的药物

了解 AI 将如何改变您的研发

利用 AI 加速科学发现

使用 AI 打破数据孤岛并生成更好的见解

大规模集成 AI 和科学发现

作为一家拥有新AI软件的初创公司，如果沉迷于这些无意义且宏大的口号，非常容易迷失自己的本心。

对于制药业高管来说，数字革命并不意味着与不知名的公司签订50万美元的合同，而是和谷歌或亚马逊签订8位数的云迁移协议，或者与Microsoft AI团队建立多年合作伙伴关系。

需要接受这样一个事实：在数字革命的概念还不清楚的情况下，小型创业公司并不重要。

为了让大型制药公司注意到初创公司的信息，它需要清晰直接地传达公司如何影响制药公司最关心的事：帮助开发获批上市的药物。以下是一些成功表达公司特色的例子：

系统、快速地优化AAV衣壳，克服天然病毒衣壳的局限性；

通过在3D蛋白质-配体共折叠中应用革命性的见解，得以寻求靶向以前无法成药的疾病靶点；

通过将人类直觉与公正的 AI 相结合，利用高通量药物筛选做出更好的发现；

在运行动物模型之前了解药物的毒性；

这些信息之所以成功，是因为它们清楚地关注药物发现过程的特定领域，并用简单、有力、直接的语言表达它们如何影响该领域。这种类型的消息传递让在这些特定领域工作的科学家立即感兴趣。

如何让科学家接受AI

训练数据

要让科学家建立对人工智能信任，主要方式之一就是让他们深入了解人工智能的训练内容，包括基础层面的训练数据。

对于临床数据，科学家想知道是否是前瞻性/回顾性、收集方案、检测方案、质量控制/审查标准、如何选择地点等。

对于临床前数据，他们真正关心批次效应、数据集大小、实验参数（例如模型/细胞类型/暴露时间/剂量）、测试的化学品/条件的数量、测试的化学品/条件的类型、设备设置生成数据、用于处理数据的算法等等。

对于科学家来说，这些都是非常重要的细节，因为他们每天都靠着这些数据评估研究成果和质量，这也是为什么发表的论文中都需要明确标注出来。

构建强大的数据表、原始表和训练数据摘要以与科学家共享至关重要。他们花费大量时间深入挖掘、提出问题并建立对训练数据集的透彻理解。对客户隐藏培训数据肯定会产生误解。

可解释性

机器学习研究人员和药物发现科学家对于解释人工智能模型的含义有着不同的理解。

对于机器学习研究人员来说，他们通常将模型看作可视化的结果、特征重要性以及通过统计方法来了解模型权重并实现功能。

但科学家通过自身丰富的知识积累，看到的是基于生物学/化学/物理/科学的可解释性。

因此科学家们已经习惯了通过控制变量，来解释和理解对照试验的结果。基于这种范式，他们也通过研究人工智能模型在变量条件下的表现来解释AI模型。

例如用 AI 算法预测免疫细胞的激活，那么科学家将希望了解该算法在控制条件（例如 TLR 会增加激活）和控制条件（例如 IL-10已知会减少激活）上的表现。

因此，如果初创公司正在研发类似AI工具，要做的*件事就是找出科学家需要看到哪些控制变量，以便建立对模型的信任。这些控制条件对于帮助公司传达模型的价值并帮助科学家了解如何使用它非常重要。

另外，不要尝试做图或其他一些奇特的算法来尝试解释神经网络，我在这里浪费了很多时间，但从来没有成功过。以下是我用来帮助科学家理解这种现象并适应它的一些关键谈话要点：

1、我们使用大量不同的数据......

2、教导人工智能采取公正的方法……

3、要使用数据中的所有信息......

4、学习完成任务的*功能......

5、将此与有偏见人类方法进行对比……

6、人类将数据简化为他们想要的单一特征……

7、这可能是也可能不是最适合该任务的

这就是我总结人工智能正在做什么并让科学家了解其价值的方式。我不会准确地告诉科学家人工智能算法学到了什么（毕竟我们自己也不知道），我只是建立了一个新的世界，在这个世界中他们不需要确切地理解人工智能正在学习什么。

基准与用例

科学家并不关心AI模型有没有取得SOTA，而是关心算法在他们日常处理的实际用例中的表现。因此与其花时间谈论你的模型在 CASP 上比 Alphafold 提高了3%，不如谈谈如何使用模型帮助科学家发现一类非常困难的蛋白质的结构，然而AlphaFold做不到。将大部分时间花在讨论基于科学家日常工作的真实用例，而不是针对精选数据集的抽象基准。

人工智能与传统方法

科学家真正关心的是人工智能模型如何比他们日常工作做得更好，然而这些基准没有明确的定义。在这种情况下，一个很好的基准是解决科学家每天都在做的问题，然后将他们现在正在做的事情与你帮助他们做的事情进行对比。

举一个例子，例如使用组织学图像对患病和健康样本进行建模。为了生成有效的基准，可以对比经典计算机与AI的方法，把具体的结果作为基准呈现，让他们了解现有的方法与AI产品/服务后可以做的事情之间的差异。

架构

科学家并不关心中立网络架构。如果你提到transformer、卷积网络(CNN）、attention 或任何其他高级术语试图让模型看起来高大上，你注定不会成功。重点是根据模型的内容和结果建立对模型的信任，而不是它有多新多先进。

使用方便

使用方面与否对于产品而言非常重要，这决定了科学家是不是倾向于使用该产品，并且能否集成到现有的工作流程中。

通常有三个关键阶段：1）获取模型的输入进行预测，2）将预测提供给科学家，3）帮助科学家利用预测来推动行动。在审查你的产品时，科学家将评估完成所有这三件事的容易程度。如果任何一项是困难或不可能的，那么它就有失去科学家信任的风险。

降低错误率

目前还没有AI公司声称他们能够真正帮助提高药物研发的成功率。尽管很多人希望这类技术的出现，但它目前有很大距离。在那之前，需要一些证据来证明人工智能实际上可以改善行业。以下是一些无需开发自己的管线即可获得中间证据点的方法…….

体外数据：设置与人工智能产品/服务相关的常见药物发现问题。该问题应该有一个真实的后续验证步骤，反馈出来是否有效。

体内数据：这项实验花费通常很高，10 万至 50 万美元，并且需要几个月才能完成。一旦获得这些数据，它就成为验证AI模型的有力证据，并帮助科学家相信您的人工智能实际上可能有用的一个重要里程，您应该在科学论文中展示这些数据。

设计伙伴：体外+体内数据应该足以帮助初创公司获得*个合作伙伴。理想情况下，该合作伙伴正在开展积极的药物项目，并正在推进临床试验。验证的一个*精彩的点是他们使用您的解决方案来帮助他们从临床前阶段转向临床阶段。

证明人工智能确实可以提高药物发现的成功率是验证中最困难的部分，每个人都在等着看结果如何，这是炒作与现实之间的交汇处。对于开发AI软件的公司而言，不应该开发自己的药物项目，但应该进行与药物项目相关的物理实验。

获得客户

假设公司已经构建了一个出色的人工智能产品/服务，可以通过帮助开发批准的药物来创造巨大的价值。是时候开始推销和出售产品了。

这个过程人脉非常重要，需要建立一个强大的人脉漏斗，和不同的制药公司接触，*的方法是自己或通过投资人、顾问或董事会成员进入扩大人脉网络。

如果公司技术人员为主或刚刚起步人脉不多，那么应该怎么做？作者很贴心的按照有效性列出一份清单.......

与业内大牛科学家一起发表震撼的科学成果

通过合作伙伴，包括CRO、顾问、设备制造商、CMO等

会议

聘请在生物医药拥有 5-15 年经验的业内人士

主持或回应当前的热点科学（例如新冠）

在社交媒体发布科学论文和博客文章

培养高度专业化的由专家组成的利基社区

免费支持重要学术意见*

通过投资人、朋友、员工等各个渠道扩展人脉圈子

冷邮件/电话

销售的另一个关键点是在大药企里找到关系牢固、互惠互利的支持者，他不仅对于AI产品/服务非常感兴趣，还能影响内部决策。

跨国企业的员工有两种方式对药物项目产生影响：1）做出决策或2）支持决策。因此需要了解他们的定位和影响力。

药物项目负责人

在大型制药公司中，拥有*预算和最权威的人是药物项目负责人。这些项目一般根据特定药物或神经科学、新陈代谢、肿瘤学、疫苗等治疗领域划分。

每个药物项目或治疗领域通常有一个*，然后由一个执行委员会负责监督。两者合作对于项目做出通过/不通过的重大决定，涉及金额从1000 万美元到 1 亿美元不等。

因此药物项目负责人及其团队通常对预算的支出拥有重大权力，这使得他们可以直接购买产品和服务。

另外这些团队任务繁重压力大，他们通常希望使用最实用、简单、众所周知的方法来推进药物项目，这也意味着他们对验证不够的服务容忍度一般。

他们通常只会在非常清楚如何利用新技术来解决具体问题，或者陷入一个重要问题而*的解决方案是使用人工智能等新技术的情况下，才会在新技术上投入时间。

由于需要委员会批准才能支出大额预算，因此药物项目负责人通常无法长期购买SaaS软件。向这类团队销售时间限制的“按服务收费”的协议*，因为它能快速批准预算。

专业平台负责人

大型制药公司内部有大量平台团队为药物项目提供支持，每个团队都有自己的专长。团队通常按测序、筛选、高内涵成像、X射线晶体学、蛋白质组学、临床数据、抗体和其他非常先进的专业领域进行分组，并被许多不同的药物项目所使用。

很多药物项目团队都是依靠这些平台团队来推进的。药物项目团队通常会决定他们需要做X（例如运行高通量筛选）。为了完成 X，他们去找专门从事 X 的平台团队。这导致平台团队收到大量为许多不同药物项目执行 X 的入站请求。平台团队同时为 15 - 200 个不同的药物项目团队提供服务。

这些预算金额通常与他们参与的药物项目数量及其对每个项目的影响相关。测序、筛选和高内涵成像等平台团队可能是许多药物项目的核心，因此他们的预算可能会很大。他们通常会看到许多不同的用例，因此非常熟悉其专业和整个药物项目的核心问题。

平台团队更愿意尝试新技术，因为他们通常有额外的预算和资源用于探索性工作，并且接受在尝试新事物时失败。如果一项新技术可以让他们的表现提高 100 倍，那么这就是巨大的回报。如果它不起作用，那么事情会照常进行。

这使得平台团队和这些团队的*成为真正伟大的客户群体。高内涵成像可能是许多药物项目的核心，因此它们的预算可能会很大。

计算研究团队

目前，计算研究团队通常比较新，而且通常很难向其销售人工智能产品/服务，主要有几个原因……

团队预算通常较小，主要关注员工数量+基本需求

它们的价值是通过它们对药物项目的影响来衡量的

他们无权插手药物项目的决定

这类团队仍在大型制药公司内不断发展，并学习如何*地影响药物项目

他们希望为药物项目本身提供计算价值，他们不希望初创公司的产品/服务为他们提供计算价值

初创公司向计算研究团队出售产品时，得到的反应要么是“这太棒了，我需要说服 X、Y、Z 项目负责人看到这里的价值”；

要么是“我们正在建立一个内部团队来做到这一点”，潜台词是所以我们不需要你；或“这太棒了，但我们的团队没有预算”。

大型制药公司目前的状况是计算研究人员不直接负责开发药物与其他平台团队相比，这是一个几乎没有自主权的服务功能。

计算研究团队正在学习如何融入组织中，这是一个变革的过程。目前计算人员还没有作为核心成员参与到研发项目中，只能说未来可期。

IT部门

IT 部门与计算研究人员处于类似的情况。IT 部门通常会寻找非常明确的技术问题，例如数据存储、安全、计算等。他们不了解药物项目面临的核心问题。

很难让 IT 团队相信正在解决药物发现过程的核心问题，因为他们并没有深入业务一线。他们通常会收到来自药物项目/平台团队的入站请求，然后根据内部团队正在推动的内容以及他们的预算+自上而下的优先事项做出决策。

他们很少跟研发团队说“你需要使用这项技术来解决X问题”，而是研发团队来找他们并说“我需要使用这项技术来解决 X 问题”。他们不是初创公司良好的支持者。

C级高管（C-level executives）

C级高管是指公司的CEO、CSO、CMO、CFO等管理高层。这些高层通常依靠值得信赖的关系，遇到的众多机会中筛选可行的机会。所以从某种程度上来说这是一种自然行为。

在支持人工智能产品/服务方面，这些高管可能会有心无力，因为AI产品仍然需要由最了解药物项目决策的一线人员使用。即使高管看到了它的价值，他们也需要说服他们的团队在日常工作中使用它。使用自下而上的方法来建立高管层的支持比自上而下的方法要有效得多。

大型会议

一旦您与您的支持者建立了良好的关系并且沟通了几次，他们很可能会组织大型会议。

科学家喜欢将一群人聚集在一起讨论新颖的结果和技术。大型制药公司感兴趣后，一般会组织 15 -30 人参加的大型会议。

这些会议通常是跨学科的，参与者包括科学家、工程师、计算研究人员、临床医生、高管、IT 人员等。这个场合对于销售产品和服务至关重要，需要大放异彩。

几乎所有精彩的会议来自现场演示，让产品自己说话。如果产品够好，它能够激起客户的本能反应，这是图表、数据、功能展示难以做到的

对于这类会议，可以按照优先级展示以下内容：

现场演示和演练或真实的东西

AI产品/服务用于解决相关问题的示例

初创公司所坚持的价值观和理想

产品能够在药物研发中影响的关键点和市场

可以适度少减以下内容

准确度、r 平方误差、AUC、F1 等指标

与*进技术的比较

功能列表

会上良好的互动循环过程应该是：“哇，太棒了”→“但是你有验证 X 的数据吗？”→ 显示幻灯片/出版物，其中包含验证 X 的数据。

有备而来的公司会预备好所有的数据，当别人开始质疑时，能够立刻拿出来回答疑问。当然这个过程很难，需要要大量时间和迭代才能完成，尤其在这种多学科会议中。

我认为*的大型会议是：

25-30 分钟的故事展示，传达氛围和价值观

10-20 个问题，要求验证数据/事实以支持氛围 + 价值观

通过有力的答案和相关数据，70% 以上的问题得到即时、简洁的解决

15-30 分钟集思广益，讨论合作方式和后续步骤

如果这个会议气氛进行得非常好，那双方很有可能进行到下一步。

试点

通过闭门会议，大型制药公司可能对AI产品或服务留下了深刻的印象。但这不代表任务完成了，科学家们本质上是持怀疑态度的，他们不会通过一次会议就信任AI产品了。

科学家会为新技术而兴奋，但这种兴奋会促使他们开始思考如何用强有力的数据来验证。因此两家公司可能会开启试点项目，来打消其他顾虑。

为了防止这种情况，AI公司需要在大型会议后 24 小时内向意向客户发送试点模板/提案。该提案应该有详细的步骤、明确的结果、明确的目标等。以下是一个提案示例：

我们想为大家提出一个试点项目，以评估向我们发送样本的难易程度、处理样本的速度以及人工智能预测的准确性。以下是试点的建议步骤：
开始与法律团队一起审查并最终确定流程
您向我们发送 20 个盲样，包含10 个患病样本和 10 个健康样本
我们在每个样本上处理并运行人工智能模型
我们向您发送每个样本的预测，然后您可以评估它是否与标签匹配
5、如果你们都有兴趣进行这个试点，您能否告诉我们可以将用于审查的法律文件和样品运输说明发送到哪里？

这意味着你要让数据来说话。如果试图用任何炒作或推销手段来粉饰数据，那么科学家将完全拒绝并失去信任。对不良试点数据的*反应是完全坦然面对，自己找出原因并解释清楚，制定认真的计划在未来几个月内修复它。如果你真诚、直率、诚实得令人痛苦，那么大多数科学家都会给你第二次机会。

注意销售周期

对于大型制药公司而言，生命科学软件的销售周期非常奇怪，并且在以下几个方面与其他企业 SaaS 非常不同：

年度预算

制药行业的年度预算比其他行业设定得更早（提前 9-12 个月），但往往会有多余的资金，到了年底如果没用掉就没有了。情况很像卖产品给政府，这也意味着big pharma有一个漫长的销售周期以及试点项目，

以及可以追加销售的狭窄窗口。

项目时间表

当进入临床开发并向特定项目销售时，公司会受到研究开始日期和数据统计的影响，而这些日期和统计通常会被延迟（有时甚至会加速）。这会产生很大的路径依赖性，必须做好预案。

IT / 安全

在大型制药公司，很多合同都会失效，即使其他利益相关者都已签署之后，而且大型制药公司中似乎没有一个统一的安全/隐私标准，因此尽早让 IT 方参与进来可能会有所帮助。

交付/部署

制药公司已经习惯于（从 CRO、供应商）购买服务，他们很少会为自助的SaaS软件买单。于是AI制药公司一般会打包为专业的服务，会更加容易被制药公司接受。于是很多AI药企成为了服务/NRE公司，而不是销售产品，不过Veeva的例子证明它能够做到。