化工设备圈
简介:化工设备圈,专注化工领域,化工设备的交流平台。
最新资讯

如何破解医药领域悖论:科学投入越多商业回报却越少?

2019-08-09 14:57:38 化工 文章来源:科学大家

  首先我们来看看从科学到利润转化率最低的一个医药领域:阿尔茨海默症。过去20年里,160多款试图延缓阿尔兹海默症病情的药物在人体临床验证中全部失败。Top20的药企共投入600亿美金的研发,却没有带来1美金的利润。集体失败的原因也越来越明晰:验证的流程没有问题,科学的质量也没有问题,而问题在于科学的范围过小,选择了错误的药物靶点。

 

  为什么这么多顶级的药企会集体选错了药物靶点呢?因为医药工业界25年来一直擅长缩小科学转化的范围,这有利于提出局部病理的创新科学假设,但是复杂疾病病理反而是需要扩大科学转化的范围,才有利于提出系统病理的创新科学假设。

 

  从科学创新的类型来看,普通疾病的病理相当于一片树叶,只需要局部科学创新就可以充分理解,而复杂疾病的病理相当于一颗树种,需要系统性的科学创新才能充分理解。尚未解决的重大疾病都非常复杂,需要药企从擅长转化“树叶级”的科学,进化到擅长转化“树种级”的科学。

 

  幸运的是,生命科学实验数据的数量和质量已经进入到了一个大爆发的时代。如果能够把基因组、表观组、转录组、蛋白组到代谢组数据全部连接起来,已经足够进行“树种级”的科学转化,形成系统病理的创新科学假设。

 

  悖论成因之一:不同类型科学家的能力与职责错配

 

  擅长局部创新,进行“树叶级”科学转化的科学家,我称之为“工程师型科学家”,他们的核心能力是从0到1,在小范围内发现新事物。

 

  擅长系统创新,进行“树种级”科学转化的科学家,我称之为“建筑师型科学家”,他们的核心能力是从n到n,大范围内把已有的事物用新的方式连接起来。

 

  建筑师型科学家所擅长的系统创新,也正是史蒂文·乔布斯所定义的创新:创新不外乎就是在不同事物之间搭建桥梁。如果你问那些擅长创新的人是如何做到的,他们或许会告诉你,他们并没有真的在“创造”一个东西,他们只是善于观察不同事物,而想到每件事之间的连接可能性。

 

  工程师型科学家通常拥有T型的知识结构,精通一个细分领域的数百数千篇论文,按图索骥,就可以做出一个从0到1的局部新发现。建筑师型科学家必须拥有M型的知识结构,精通多个主要领域的数万篇论文,融会贯通,才有可能做出一个从n到n,具有高转化价值的系统性发现。

 

  这两类科学家的绩效指标是截然不同的。工程师型科学家以论文发表成功为绩效指标,发表一遍论文所需的局部科学假设和验证,相对周期短,难度小;但建筑师型科学家必须以临床验证成功绩效指标,发布一款新药所需的系统科学假设和验证,相对周期长,难度大。

 

  这两类科学家的技术能力也是不同的。工程师型科学家更注重用技术发现数据中的相关性,发现真实的相关性就满足发表论文的要求;而建筑师型科学家更注重用技术发现数据中的复杂因果性,因为确认因果性才是开发有效药物的基础。

 

  综上所述,我认为擅长局部创新的工程师型科学家是非常适合学术界,做生命科学的基础研究,而擅长系统创新的建筑师型科学家非常适合工业界,做生命科学的转化研究。

 

  长期以来,工程师型科学家在学术界是供大于求,而建筑师型科学家在药企中却是供给不足。

 

  为了弥补人才缺口,长期以来,药企不得不从学术界招募大量擅长局部创新的工程师型科学家,期望他们做出建筑师型科学家擅长的系统创新。从本质上看,这两类科学家在各个方面都是互补的,所需要的环境却是互斥的。药企对这两类科学家的根部区别认识不足,导致科学家的能力与职责错配,是“科学投入越多,商业回报越少”悖论的一个根本原因。

 

  悖论成因之二:技术使用不当

 

  除了招募大量科学家之外,药企在10多年前就认定开发人工智能技术、开发大量可替代人类的机器科学家,是提升医药转化效率一条捷径,但是计算机工程师开发人工智能的思路与工程师型科学家一致,所开发出的人工智能更加擅长提取简单相关性,只具备替代工程师型科学家的潜力。

 

  实际上,药企真正需要的智能技术是擅长提取复杂因果关系的机器智能,具备替代建筑师型科学家的潜力。目前以深度学习为基础的AI技术依然是更擅长提取相关性,虽然深度学习网络具备一定通用性,但也仅仅是很有限地用于提取因果关系。

 

  AI技术可以用来替代工程师型科学家,增加生命科学研究的效率,这是人工智能带给医药的上游价值。同样的AI技术可以用来增强建筑师型科学家,增加生命科学转化的效率,这是增强智能带给医药的核心价值。

 

  目前药企一直执着于用擅长提升研究效率的人工智能,试图通过更多的工程师型科学家来提高转化效率,提高新药研发的内部收益率,但收效甚微。

 

  面对迟迟没有攻克的复杂疾病,未来,药企应该利用擅长提升转化效率的增强智能,配合建筑师型科学家,才能真正提高转化效率。

 

  所以我认为,“科学投入越多,商业回报越少”悖论的另一个根本原因是技术使用不当,使用擅长做局部创新的人工智能,期望提升系统创新的效率,这是工具错配。

 

  拥有工程师型科学家和人工智能双重错配的药企,面对复杂疾病时的通常做法是,把多个局部病理的科学假设混合起来,结果就像“盲人摸象”一般,这里发现一个靶点,那里又发现一个靶点,靶点之间的关系不明确,同时推进数个靶点的验证,花费巨大,收效甚微,复杂疾病新药开发逐渐变成了高风险低回报的赌博。

 

  未来药企应该以建筑师型科学家和增强智能为基础,面对复杂疾病时,会合成出一个基于完整病理的系统科学假设,结果就像“睁眼看大象”一般,一眼就看到了大象的本质,直接挑选出能够确保疗效和安全性的创新药物靶点,复杂疾病的新药开发将会回到低风险高回报的正轨上。

 

  因此,今天的中国药企,需要培训不同类型的科学家,对于AI技术自己要发掘不同的使用方法,才能够大幅度提高新药开发回报率同时降低风险。

 

  知易行难。欧美药企因积累数十年的资源惯性,积重难返,这正是中国医药行业崛起的机会。具体来说,由于科学研究是全世界开放的,AI技术是全世界通用的,未来药企需要不同的商业组织模式来实现从擅长局部创新到擅长系统创新的升级。

扫一扫,看资讯
把生意宝设为首页  关于我们  网站联盟  帮助中心
© 生意宝(002095) 版权所有 免责声明 浙公网安备 33010002000015号 工商执照 浙ICP证