医药产业是一个在十四五发展规划中多次被“点名”的产业。无论是“加强原创性引领性科技攻关”还是“构筑产业体系新支柱”，医药产业都被寄予厚望。

这个产业的凶险也人尽皆知。高投入、高风险这样朴实的词汇已经很难概括一个原创新药的“九死一生”。

“全球数据统计显示，新药研发的成功率已经从10%下降到现在的2-3%。”中国科学院计算技术研究所（以下简称“中科院计算所”）哲源图灵达尔文实验室副主任赵宇用数据说话，这个几率低于“九死一生”，达到50活1的比例。

这样的情况下，产业行业更加青睐风险低的跟随式创新。例如，PD1相关的研发项目由于获得2018年诺贝尔奖再度频繁上马，CAR-T技术由于治好了美国前总统的肿瘤声名大噪，也令药企趋之若鹜。

研发资源一哄而上地跟随创新使得我国药品领域“供给侧”矛盾突出：高端好药新药严重不足，低端仿制药却过剩。

驱动医药产业主动走向真正的创新，必须要让科研院所、制药企业解决新药研发过程中的痛点，让创新主体尝到原始创新的“甜头”。

有效性临床试验失败是新药研发失败的主要原因，业内形象地称其为“死亡谷”。走进“死亡谷”面对的最大困惑是，理论上明明有效地针对了靶点，为什么在上人体的时候却无效了？

现在进行的临床试验阶段的方案设计、人群选择仍带有盲目性。中科院计算所西部高等技术研究院常务副院长张春明表示，事实上，现有已经发表的大量论文中蕴藏着这些问题的答案，但是浩如烟海，人的能力是无法分析的。

换句话说，读懂所有的文献，就能找到答案，但这项工作单凭人力是做不到的。

“单单去年一年，能够检索到的与新冠病毒相关的论文已经从0增长到11万篇，这个体量的学习是人力无法穷尽的。”赵宇说。

基于超级计算机的人工智能却可以做到。赵宇解释，依托中科院高性能计算机研究中心的中国超算，研发团队从全球发表的所有生命科学论文中获得数据，并将其变成知识。根据全数据和人工智能算法生成模型，建立起药物数字研发平台。

这个平台如何工作呢？举个例子，它通过分析患者外显子基因数据等，把个性化的基因在药物数字平台内与细胞内事件建立联系，模拟信号通路的打通，可以预判这个患者体内的信号通路是不是像理论一样被激活，进而预测一个临床试验药物到达某个患者体内的作用效果。

通过人工智能的判断，能够找到药物有效的特定人群。赵宇说：“以治疗癌症的抗血管生成药物为例，目前普遍有效率20%，但哪些有效哪些无效的机制机理目前无解，而我们的机制性研究通过建立判断模型、提前预判人群，可获得将近90%的有效率。”