AI药物研发领域的关键要素是什么

中国在AI药物开发领域已经开始起步，但远未成熟，还有非常大发展空间。在笔者看来，我国进行AI药物研发需要在人才培养、数据共享和商业模式创新等方面进行发力。

1.培养高端人工智能人才，探索跨学科人才合作机制。

创业的竞争归根结底是人才的竞争，这在人工智能领域表现得愈加明显。在全球范围内，大约有2.2万名具有博士以上学历的人工智能从业人员和研究人员，中国仅600名左右。国内人工智能人才几乎被几大头部企业垄断，比如商汤有150多名人工智能博士，占比全国人工智能博士总数1/4。

数据显示，未来中国人工智能人才缺口高达500万，唯一的解决办法就是成体系地培养人工智能人才。

2018华为全联接大会上，华为云推出了“沃土AI开发者计划”，投入10亿人民币培养高校和研究所的AI人才，并与清华大学、中科院、中国科学技术大学、浙江大学等达成AI合作。

2018年8月，商汤科技携手香港中文大学、亚马逊、南洋理工大学、悉尼大学联合举办的首届WIDER Face and Pedestrian Challenge 2018（简称：WIDER Challenge）挑战赛，包括中科院计算所、微软亚洲研究院、北京大学、卡耐基梅隆大学、香港大学以及雅虎、京东、旷视、科大讯飞、滴滴等科技公司参赛。

此外，AI应用于药物研发需要若干个垂直领域的专家共同参与才能有所突破。既需要物理学家、化学专家、药物学家、药企研发高管，又需要人工智能科学家、云计算工程师等跨学科人才。通过在多个领域人才和经验的积累，

整个团队需要紧密合作，这样才更容易获得突破性的思路和好的成果。

2.建立研发数据标准体系，完善数据共享机制。

AI药物研发需要高质量数据支持。国内创新药研发起步较晚，与国外相比，对于优质数据的积累还有一定差距。

制药产业的专业门槛高、链条长，加之国内长期以来的“多头管理”体制，造成了国内的药品数据极度割裂，标准不统一、数据孤岛现象严重；另外，医药领域的监管政策与机构改革频繁，造成历史药品数据衔接难度较大。这些都会导致医药数据统计在完整度和精准度上的不足，从而影响相关决策。

当前国内企业“大数据化”采取的一个路径，便是以“专业人工+机器辅助”方式建立数据标准词典（包括药品、企业、靶点、疾病等），持续进行数据清洗、识别、匹配和挖掘算法，将市场上分散的数据全面重构，形成一系统标准数据模块仓库，根据用户场景对数据模块进行组合。比如国内的医药魔方、米内数据、药渡等医药大数据服务公司。