陈梦：尊敬的各位领导、各位来宾，大家上午好！

我今天要给大家分享的话题是关于AI如何贯穿从药物发现到临床，再到产业化和服务模式的升级，以及从中如何助力医疗健康服务的高质量包容发展。

这是免责声明，今天所说的仅代表自己本人的观点，而不是公司的观点。

大家都知道，药物研发是一个非常漫长且充满风险的路程。从临床前到药物的发现，到整个临床前的阶段，再到临床试验，有一期、二期、三期的过程，到最后的监管审查，整个过程通常要10-15年的时间，总投资一般是在10亿美元的数量级。

对进入临床试验的药物分子到最后能够获批上市的占比可能十成都不到，10%都不到。当中过程主要失败的原因有很多方面，一方面失败的原因是药物本身的信号不稳定，药物本身的疗效信号不稳定。另外一些方面，对于剂量最后的选择，包括对于暴露窗口的评估不足，药代动力学模型的评估有一些缺陷。对于生物制品来讲，其实当中通常涉及到免疫原性和递送方式的更复杂的原因。

在整个过程这么长时间，这么高投资的低回报率的场景，大家可以看到有一个巨大的空间就是怎么样通过数据和AI来提升整个临床开发环节的决策质量。把一些不可避免的失败尽量提前，把可以避免的失败减少，从而降低成本，来缩短整个周期，来提高整个研发的成功率，这是最主要的初衷。

为什么我们现在来谈AI有可能重塑整个药物研发的窗口期呢？主要是看到了这三股主导力量的同步逐步成熟。

第一个是数据，第二个是算力，第三个是算法。

在医药研发行业，数据方面我们看到多组学的数据正在快速积累，从单细胞，空间组学，蛋白组，代谢组的数据越来越被常见的收集。与此同时，我们看到更完善的队列和生物样本库也变得越来越可以获得。所以从数据的层面，我们不仅仅是有数据，而且是有上下文，有标识，高质量的数据。这能够让我们更细致地识别疾病的亚群，选择更精准的人群来开发治疗选择。

从算力上来讲，大家也都知道专用芯片和高速互联现在已经把大语言模型的训练时间和成本大大地降低了，这就意味着我们可以用更大的模型，以更高的分辨率和颗粒度来去刻划非常复杂的生物医学系统。

在算法层面，人工智能和机器学习在过去30年达到飞速的发展，今天的AI已经不只是会识别或者预测，AI正在走向生成和推理。不管是从蛋白质结构预测到分子设计，以及病理影像的自监督学习，再到跨模态数据的对齐，算法正在逐渐在研发领域形成从靶点到模型，到剂量，到临床终点，这样一条可以计算，以及可以量化不确定性的证据链，所以这个是非常重要的。

阿斯利康在研发价值链的端到端布局，从我们的公司战略来讲，我们不是把AI当做一个外挂工具，更多是嵌入到从数据到决策的研发每个环节，来建设一条AI就绪的价值链，主要体现在三个主线。

第一部分是整合湿实验室和干实验室，湿实验是是指生物化学材料的实体实验室，干实验室主要是指数据和计算机模型。这个思路就是让实验室的结果可以被模型直接消耗，模型的输出进而能够反哺下一步的试验设计，形成一个非常有效的闭环。包括对生物制品进行蛋白质结构的预测，生成的生物质分子的设计，以及用安全组学能够提前识别潜在的风险信号。

第二部分是优化药物，通过多组学、多模态的数据，实现精准医学，来能够更好甄别和区分哪一些患者是对这个药物的应答者，哪一些是非应答者。同时通过疾病模型和知识图谱来识别适应症的扩展，另外用系统的定量药理学来预测剂量和合适的给药方案。再有一块是变革临床试验，指的是用算法化的入组能够更精准地找到病人，找到患者，能够提高临床试验的入组速度，用计算机视觉进行病理和影像的质控和最后的终点判定，并且探索根据声音学等数字生物标志物，让我们在临床试验收集的终点更客观，更灵敏捕捉到药物真正的信号。通过AI进行辅助的文档撰写，来提高整个流程的效率。

大家可以看到，这几条主线汇集在一起，将带来对传统药物研发方式的新变革。需要指出的是支持这条价值链的是阿斯利康的全球化网络布局和中国的节点在里面发挥的作用，我们在美国、欧洲和中国布局了六大战略研发中心，覆盖从早期研究到临床开发的全链条协作，在中国我们有上海和北京两大战略中心，聚焦前沿的生物学和AI数字化能力，并且与本土的生物科技企业、研究型医院和技术生态圈深度合作，中国有数据要素，工程化落地和在人才结构方面等各方面的优势，有希望成为真正引领打造AI就绪研发新范式的策源地，并且把这种新的合作范式输出到全球。

与早期研究相比，临床开发环节阶段是最最耗时，也是最最耗投资的。临床开发阶段数据更异质化，标准化程度低，可获取性更受限。终点评价复杂，而且很多时候是多个因素驱动的。想要用人工智能在患者数据或者医学决策支持环节应用的话，其实对医药公司还需要去满足非常严格的隐私、伦理和监管的需求。

基于这样的挑战，我们想要的应对思路是由制药企业提出有现实意义并且可以落地的科学与临床问题，通过科学界和学术界创建并适配强大的AI平台和基础模型，并且通过这个领域的自适应体系，用真实世界数据和实验的结果，能够不断持续地校正模型，使预测的准确性提高，使这个策略更优化，并且建造一条能够透明可追溯的方式去验证。

可以看到需要把这些能力连接在一起形成服务资产，其实这里是需要政、产、学、研各方的协同发力。政策层面需要推动数据标准和合规的流动机制，让数据能够流动起来，而且需要支持方法学的评估。在产业方面，各方需要一起努力，共建从数据到模型到产品的创新新业态。在人才层面，要推进多学科人才培养，完善模型和应用的规范化和评估机制，提高在国际上的认可度。最后我想强调AI就绪的研发价值链实际上是通过高质量的数据和可解释的模型，来支撑可验证、可审计的决策闭环。

我们非常期待与各方一起努力，在人工智能的大背景下，加速创新药物的开发，惠及更多的患者，谢谢大家的聆听。