AI并购潮涌，Recursion与Exscientia合并预示行业整合新格局

Recursion Pharmaceuticals于去年与AI生物技术公司Exscientia达成一项价值近7亿美元的交易。根据安永（EY）报告，此次合并是迄今生命科学领域规模最大的AI并购案，且“过去五年AI合作与收购的激增，显示出该技术为生命科学公司带来的机遇”。

Recursion首席财务官兼英国分公司总裁Ben Taylor表示，将这些公司成功整合进更传统的药物开发流程，需要创造性思维和对未来变革的全面投入。他将当前时刻比作约十年前“生物制剂成长与成熟”的阶段。

“当时制药业出现了各种策略，有的通过大规模收购获取资产，有的从小处着手逐步发展，还有的完全不收购而完全依靠内部研发，”Taylor说，“现在同样的情况正在发生，因为大多数公司尚未在AI平台上获得大量验证，而这将成为许多制药公司开始深入思考的触发点。”

尽管Exscientia在过去几年因失去拜耳的重要合作关系和领导层变动而陷入困境，Recursion则一直在构建其AI发现药物的管线并争取高知名度合作。但Taylor指出，两家公司有很多共同点，合并后目前拥有10个在研项目，并与赛诺菲和罗氏等大型制药合作伙伴达成了数亿美元的潜在里程碑付款。

“你不可能用单一算法解决创造新分子的所有不同方面——你需要将它们整合起来。”

Ben Taylor
Recursion Pharmaceuticals首席财务官

尽管新Recursion的技术前景广阔，并得到全球领先芯片制造商NVIDIA的支持，但其管线仍处于临床早期阶段。其最先进的在研项目针对罕见病脑海绵状血管畸形，已跨越II期临床门槛，而肿瘤学和其他罕见病项目则处于更早期阶段或临床前阶段。

虽然这种超大规模的AI联姻仍是新概念，但Taylor相信生命科学领域的领导者未来将看到更多此类交易，将新技术纳入其中并改变药物制造方式。

在此，Taylor讨论了AI对生物制药的颠覆性影响、公司在探索合作与并购时应关注什么，以及收集和使用大数据以推动行业进一步变革所面临的挑战。

本次访谈因篇幅和风格原因进行了编辑。

PHARMAVOICE：AI显然正成为生命科学领域的颠覆者——为什么会在此时发生？

BEN TAYLOR：思考AI的正确方式是将其视为一种比以往可用工具好得多的工具，它提供了以前不具备的功能。我将其比作Excel突然出现的时候，在电子表格上做事比用计算器容易得多。我们正在看到计算能力的类似跃升，从过去20到30年使用的传统方法，转向可以执行高效多参数功能的方式。

在生物学和化学中，没有简单的问题——一切都是复杂的多参数问题。例如，如果NVIDIA无法向世界提供其处理器，你甚至无法进行分析，但除此之外，分析的架构已从根本上改变，使我们能够对大数据问题进行深度学习。我们是在大海捞针，有大量算法需要优化，例如，弄清楚这个原子应该放在这个分子的哪个位置。你不可能用单一算法解决创造新分子的所有不同方面——你需要将它们整合起来。

谈到整合，从你的角度看，为什么Recursion和Exscientia的交易是合理的？

两家公司大约在12年前同时创立，使命非常相似，即药物发现。当时有新技术，但它们不具备预测性，因此即使拥有世界上最聪明的一些人，我们仍然未能解决超过95%失败率这一非常基本、根本的问题。为什么会这样？因为我们没有预测性的方法来了解临床试验后期会发生什么。你实际上必须预测分子应该如何工作，两家公司都有这样的愿景——Recursion专注于生物学，Exscientia专注于化学。观察整合过程非常引人入胜，因为它比想象的要容易得多。现在化学家拥有了所有这些惊人的生物学工具，生物学家拥有了这些惊人的化学工具，两者如此强有力地结合在一起。

药物开发商在寻找AI合作伙伴或并购目标时应该关注什么？

关注用例，关注验证。我们身处一个很多人对如何做这两件事都有想法的行业，这些想法听起来都朝着同一目标，或者使用相同的语言。因此，真正区分它们的唯一方法是定义你通过平台或技术实际产出的产品。有趣的是，我多年来一直深入这个领域，当我读到一份新闻稿时，我会想，‘哦，听起来他们做的和我们完全一样。然后我深入研究，发现‘哦，他们做的和我们完全不同。’真正掌握这一点的唯一方法是看他们实际产出了什么。

反过来，AI公司在与生命科学领域合作时应该关注什么？

第一是承诺，因为围绕新的、令人兴奋的技术找到合作伙伴甚至资金总是很容易的。事实上，我认为很多合作伙伴都有预算的一部分专门用于‘去把这些钱花在新的、疯狂的想法上’。真正有影响力的合作伙伴——比如我们与罗氏和赛诺菲的合作，各自都有多个项目——他们一方和我们一样投入，这种投入来自组织高层并贯穿始终。当他们的关系进展不够快时，几乎总是因为缺乏那种承诺和无论如何都要完成这件事的决心。你必须投入时间。如果你不认同流程的改变，就像把模拟电缆插到光纤中间——无论哪种方式，你都会受限于质量最低的那一环。所以如果一家大型制药公司说他们将用传统方式运行一切，然后插入AI三个月，再回到传统方法，你就会失去新颖平台的大部分好处。在我们与赛诺菲、罗氏以及所有合作伙伴的关系中，我们能够打破许多孤岛，进入AI优先的环境。

如果你考虑制药决策过程，要推进它需要付出很多。有很多不同的签字、委员会、小组——各种事情。我总能分辨出哪些公司真正致力于AI，因为你能看到决策的顺畅性，这种参与来自组织内部的各个层级。如果没有这一点，跨越里程碑可能非常困难，因为它总是需要另一层级的批准。

如果将数据视为生命科学领域的货币，AI系统可利用的数据是否存在限制？

我不认为存在限制。但大多数数据一文不值。历史上收集的很多数据通常格式不对，或者非常具体且用处不大。我们使用公共数据集，或者在合作中使用他们的数据并尽可能深入挖掘，但老实说，那只能让我们到达一个非常粗略的起点。更有用的是创建适合目的的数据集来回答问题——它直接针对你提出的问题而设计。由于我们从事专有药物研发，如果你真的想提出新概念，你必须从能回答非常具体问题的东西开始。

所以你也必须为此创造自己的数据，对吧？这是首要关注点。我们曾与一家制药合作伙伴讨论，他们请我们去看他们的旧数据并帮他们建立模型。我们得出的结论是，实际重新创建他们一直在做的所有数据（在更小的范围内）会更高效，可能也更具预测性。你可以在不尝试重建30年数据的情况下达到目的，对吧？因为他们所有的数据格式不同且基于非常具体的项目，你需要一支大军夜以继日地努力将其整理成可以实际使用的形态。所以这是我认为很多人忽略的一点。