細胞分析 | 分子圖譜 | IND

生物識別| 基因測序 |AlphaFold

在細胞分析、視覺識別、生物識別、基因測序、IND、AlphaFold快速發展的大背景下，各項造福于人類的新興技術開始展現。近日，《麻省理工科技評論》“十大突破性技術”20周年主題峰會在杭州余杭區未來科技城成功舉辦。

中國科學院院士、浙江大學發展委員會主席、浙江大學教授楊衛，中國工程院院士、清華大學環境學院教授賀克斌，中國工程院院士、清華大學智能產業研究院(AIR)院長張亞勤等近百位國內外頂尖科學家、行業領袖、商界精英應邀出席。

此次發布的突破性技術包括：新冠口服藥物、實用型聚變反應堆、終結密碼、AI蛋白質折疊、PoS權限證明、長期電網儲能電池、AI數據生成、瘧疾疫苗、除碳工廠和新冠肺炎變異追蹤。

新冠口服藥

自新冠疫情全球爆發以來，全球各大制藥企業和科研機構一直在致力于開發可有效預防***感染的疫苗以及新冠的有效治療藥物。

據數據統計，截至五月初全球在研新冠藥物共有1200余個，IND及以上研發階段的項目占比近50%，提交上市申請15個，涉及企業1000余家；目前全球已有50余款藥物（含疫苗）獲批新冠適應癥，其中包括12款小分子化藥，30余款生物藥。

從作用機制上來看，已獲批小分子化藥中，RdRp抑制劑（RNA以來的RNA聚合酶抑制劑）共有3款，分別為吉利德的瑞德西韋、富山化學的法匹拉韋、默沙東的molnupiravir；此外，還包括輝瑞的3CL蛋白酶抑制劑Paxlovid 、COVID19復制酶多蛋白1a抑制劑組合藥物奈瑪特韋+利托那韋，Incyte的JAK抑制劑巴瑞替尼等。

生物藥大類中，作用機制為COVID19刺突糖蛋白調節劑的藥物數量占比最高（約為50%）；從療法類型來看，除疫苗以外，中和抗體占多數，包括sotrovimab、卡西瑞單抗+伊德單抗、巴尼韋單抗等，此外，tozinameran、elasomeran、ZyCoV-D等核酸類藥物也被批準用于新冠治療。

目前，全球已上市的新冠口服小分子特***Paxlovid。國內共上市10余款新冠藥物（含疫苗），包括口服藥物法匹拉韋、奈瑪特韋+利托那韋，中和抗體安巴韋單抗+羅米司韋單抗等，其中多數為緊急使用授權/附條件批準。

相較于需要注射給藥的瑞德西韋和中和抗體藥物，口服小分子藥物具有更多優勢，也因此成為了全球新冠藥物研發的熱門賽道。

新冠口服小分子特效藥的優勢：

1、患者耐受性高，依從性好，便于在患者感染早期就抑制病毒的增殖，避免轉化為重癥

2、價格低廉，莫匹那韋在美國的定價為700美元/人，僅為中和抗體的三分之一

3、便于運輸，易于分發。相較于需要靜脈注射的抗體藥物，口服小分子藥物無疑方便許多，在疫情嚴重、醫療條件落后的不發達國家，口服小分子抗病毒藥物更為實際

從國內企業競爭情況來看，目前國內共有100多家企業參與新冠藥物研發，涉及研發項目150余個。國產在研的新冠口服藥有阿茲夫定、VV116、普克魯胺、SIM0417、RAY003等10余款，涉及的上市企業包括君實生物、開拓藥業、先聲藥業、眾生藥業等。

從藥品研發進度看，有6款處于臨床試驗階段，其中進程最快的三款為真實生物的阿茲夫定、君實生物的VV116、開拓藥業的普克魯胺。首款國產新冠口服小分子特效藥基本鎖定在這三款藥物中。

一、研發“超速”的VV116

VV116是一款新型口服核苷類抗SARS-CoV-2藥物，為一款RdRp抑制劑，可抑制SARS-CoV-2復制。目前已在烏茲別克斯坦獲得緊急使用授權，這是繼默沙東、輝瑞新冠口服藥獲批之后，全球又一個獲批上市的新冠口服藥。由中國科學院上海藥物研究所、中國科學院***、中國科學院***理化技術研究所、旺山旺水生物醫藥有限公司、中國科學院中亞藥物研發中心共同研發。

據君實生物發布消息稱，VV116在一項對比奈瑪特韋片/利托那韋片（即Paxlovid）用于輕中度新型***肺炎伴有進展為重度包括死亡的高風險患者早期治療的III期注冊臨床研究（NCT05341609）達到方案預設的主要終點和次要有效性終點。并發布公告稱將于近期與藥物***溝通遞交新藥上市申請事宜。

其研究結果發布后，業內關于VV116臨床試驗的討論和質疑也蜂擁而至。原因是其臨床試驗的研發過程太快了，業內認為其研究直接轉到三期臨床嚴格意義上不合規，且與從2020年就開始研究的普克魯胺相比，VV116研發的時間相對較短。除了研發進程“超速”以外，VV116在安全性和專利方面等方面也引發了一些爭議。

雖然有所爭議，但君實生物表示研究已達到臨床方案預設的主要終點，至少從持續臨床恢復的時間這點看，VV116的療效不亞于PAXLOVID。總的來說，其陸續公開的實驗數據提振了市場對VV116后續開發的信心。

二、未批先火的阿茲夫定

阿茲夫定原本是治療艾滋病的藥物。2021年7月獲批上市用于與核苷逆轉錄酶抑制劑及非核苷逆轉錄酶抑制劑聯用，治療高病毒載量的成年HIV-1感染患者，成為我國首款真正擁有自主知識產權的抗艾滋病病毒藥物。

新冠疫情爆發后，真實生物開展了阿茲夫定治療新冠肺炎的研究。從作用靶點來看，阿茲夫定作用于RdRp（RNA聚合酶），與輝瑞的Paxlovid作用于3CLpro（3C-like protease）不同，但與默沙東的Molnupiravir相似。

4月中旬，真實生物方面發布了阿茲夫定用于抗***的部分數據。從II期臨床和一部分III期臨床的結果看，阿茲夫定核酸轉陰時間為3-4天，平均用藥時間為6-7天，平均出院時間為9天。重癥與輕癥治療效果類似，對使用其它藥物無效的患者同樣有效，而且不像Paxlovid需要在感染新冠的早期服用。

5月12日，君實生物首次對外披露價格，據媒體報道VV116在烏茲別克斯坦的售價為185美元，約合人民幣1243元。而在抗***臨床試驗結果尚未發布的情況下，真實生物已為阿茲夫定敲定了三個生產經銷商（華潤雙鶴、新華制藥、奧翔藥業），因此也被業內戲稱“一女三嫁”。

三、一波三折的普克魯胺

普克魯胺原本是開拓藥業用于治療前列腺癌的第二代AR拮抗劑，新冠疫情發生后，臨床試驗證實該藥對新冠具有治療作用。2021年初，普克魯胺在巴西的三期臨床試驗中，可將重癥新冠患者的死亡風險降低92%，一度被視為“人民的希望”。后來因該項III期臨床試驗的中期分析未達到統計學顯著性，而引起不小爭議。

2022年4月，開拓藥業又公布臨床三期試驗關鍵數據，特別指出“普克魯胺有效降低新冠患者的住院/死亡率，特別是對于服藥超過7天的全部患者，以及伴有高風險因素的中高年齡新冠患者達到100%保護率，具有統計學顯著性”，從臨床失敗到100%有效，普克魯胺在群雄競賽中能否逆風翻盤，值得期待。

除此之外，仍處于研發早期的在研國產新冠藥物還有：前沿生物-U（688221.SH）的FB2001、先聲藥業（02096.HK）的SIM0417、歌禮制藥-B（01672.HK）的ASC10和ASC11、廣生中霖/藥明康德（603259.SH）的3CL蛋白酶抑制劑、眾生睿創的RAY003等。

實用型聚變反應堆

Commonwealth Fusion Systems 的研究人員對一塊10噸重的D型磁鐵緩慢充電并提升場強，直到超過20特斯拉（T）。這是同類磁鐵的一個新記錄。該公司的創始人說，這一壯舉解決了開發一個緊湊、廉價的聚變反應堆過程中所面臨的主要工程挑戰。

幾十年來，核聚變發電一直是物理學家的夢想。在遠高于1億攝氏度的溫度下，就像在太陽中一樣，核子融合在一起，在此過程中釋放出大量的能量。如果研究人員能夠在地球上以可控和持續的方式實現這些反應，那么它就可以利用幾乎無限的燃料來源，提供廉價、持續、無碳的電力來源。

在其中一種方法中，磁鐵被用于將離子和電子的氣體，即所謂的等離子體，限制在甜甜圈形狀的反應器內。更強大的磁鐵意味著更少的熱量損失，從而使得更多的核聚變反應可以在一個更小、更便宜的設施內發生。這種改變不僅僅是一點點：磁場強度增加一倍，產生相同能量所需的等離子體的體積就會減少16倍。

盡管過去數十年的研究已經耗費數十億美元的投資，但還沒有人建造出一個產生能量比反應堆的消耗更多的核聚變工廠。但是，Commonwealth Fusion Systems 及其支持者充滿希望，其他聚變初創公司和研究工作也報告了最近的進展。

Commonwealth Fusion Systems 正在建設一個工廠，以大規模生產磁鐵，并為原型反應堆奠定基礎。如果一切如愿，這家初創公司計劃在21世紀30年代初期向電網提供聚變能源。

終結密碼

單一的長期使用的密碼會給自身的財產帶來危機，這也是安全研究人員鼓勵大家經常更換密碼，且盡量為不同設備設定不同密碼的原因。然而有人會說，密碼設多了容易忘記，那怎么辦呢？就是在這種情況下，生物識別技術應運而生。

雖然生物識別技術對提高安全性非常有用，但其變革性的好處不止于此。由于無需記憶繁瑣的密碼，生物識別技術可以顯著改善客戶體驗。隨著企業開始認識到基于知識的身份驗證所帶來的安全風險和糟糕的用戶體驗，多模式生物識別和驗證將會被應用。

盡管如此，事情還是沒這么簡單的。早在2014年，德國黑客Jan "Starbug" Krissler就通過不同人的手的高分辨率照片演示了指紋是如何被偽造的，進而強調了該技術存在的潛在漏洞。

無獨有偶，在蘋果iPhone 5s發布后的24小時之內，Stargbug立馬登上了熱搜，因為他成功“欺騙”了蘋果的TouchID傳感器，解鎖了該款手機。據了解，是通過屏幕上存在的污點，提取了指紋，進而解鎖了手機。

不只是指紋識別，其實語音識別也存在一定的風險。比如，有不法分子或者黑客會有意識的記錄受害者的聲音，然后以此來躲開認證的控制。或許，不久之后我們還會看到一個人的臉被“逆向工程”（reverse-engineered；一種算法，只需要一些2D的圖像即可完成），然后在3D打印機的幫助下，騙子們就可以帶著受害者的面具四處走動，甚至從ATM機中取走數千美元。

在作者看來，也不是所有的生物識別技術的缺陷都是由外部來源發現的，與其他技術相似，隨著技術的采用越來越多，越來越廣泛，本質上的缺點就會變得清晰起來。舉個例子，盡管在匹配準確性方面的會有所提高，但是誤報仍會困擾著其實現，這是在開發、配置以及部署技術過程中很難去避免的。

但也正是在警界出現的這種誤判，敦促我們要停下來思考。也許，這項技術最大的缺陷在于生物識別的細節是靜態的。如果密碼被盜，還有修改的機會，但是當一個飽含信息的數據庫被破壞的時候，個人的指紋、虹膜或者其他面部特征是不能再被替換的。

因此，盡管生物識別技術是一項令人興奮的新技術，但它的使用必須以一種冷靜的、有計劃和戰略性的方式實施。比如，驗證身份時，生物識別技術至少要使用其中兩項；當幫助3***追查犯罪嫌疑人時，必須要經過人類分析師來確認結果，而且，更重要的是，所有的生物識別數據必須做好存儲。

AI蛋白質折疊

日前，計算生物界的大明星AlphaFold，再度取得重大突破。它已經能夠預測超過100萬個物種的2.14億個蛋白質結構，幾乎涵蓋了地球上所有已知蛋白質。AI的出現極大改變了蛋白質預測的模式和效率。目前各高校、企業都有相關布局，而我國相關創業公司在2017年至2021年呈現出爆發式增長，且大多都已獲高融資。

在不久前，互聯網巨頭Meta，更新蛋白質大模型ESMFold。它可直接從單序列語言模型表示中預測完整的蛋白質結構，準確性與AlphaFold相媲美，推理速度快了一個數量級。彭健帶隊的國內AI創新藥公司華深智藥，也實現了最新突破：OmegaFold用單條序列搞定蛋白質3D結構，即便是人工設計蛋白質，也可以通過AI預測3D結構確定其功能。

一、國內計算生物學2017年-2021年呈現出爆發式增長

計算生物，本質來講就是通過計算手段來解決生物學問題。具體來說，就是根據不同類型的生物數據（比如濃度、序列、圖像等）來構建算法和模型，從而理解生物系統本身（比如分子、細胞、組織和器官等），并推進相關研究及應用的學科。

而從應用劃分，目前主要落地領域包括序列分析、結構和功能分析、生物分子動力學、系統建模、進化和群體基因組學、相關性網絡……

以AlphaFold2為例，它是基于基因序列預測蛋白質結構，屬于結構和功能分析范疇。

可以看到的是，計算生物學屬于工具性質的學科。某種程度上這決定了市面上尚不存在嚴格意義上的計算生物學公司，而是以AI制藥、組學、精準醫療等名義出現。這一點在我國尤為明顯。

目前，國內以AI制藥為核心場景。不光高校機構（西湖大學生命科學研究院、北大前沿交叉學科研究院等）、互聯網大廠（阿里、百度、華為等）有相關研究和布局。相關創業公司在2017年-2021年呈現出爆發式增長，且都已獲高融資。這種情況同樣也體現在國外。

據浦發硅谷銀行《醫療健康行業投資與退出趨勢》報告顯示，2021年投向計算生物學公司的金額達到59億美元（即397億元）一年增長高達3倍，超過非計算生物學公司投資的兩倍。

從商業模式上看，整個行業以2B為主導，主要為算法授權、生物資產和軟件使用。我國主要為前兩種，但鑒于軟件平臺和先鋒項目能夠形成技術及業務迭代閉環。

在出現大量優勢自研算法后，軟件平臺所占比重將有明顯上升。國外已開始通過打包訂閱、按照使用量計費等方式對外商用其計算生物學服務。

二、AI或者深度學習的出現給計算生物帶來了轉機

如今這一賽道爆火的原因：首先和深度學習近年來的爆發式增長有關；其次是最近興起的AI for Science概念，讓AI在生物學領域落地的象征——計算生物學成為一種趨勢。AI和傳統科研結合帶來的巨大潛能，有望帶來一場全新的科學革命；最后是對于生物學本身，傳統的實驗和分析手段已難以充分開發海量生物數據，確實需要計算生物學這種跨學科，同時兼顧多個細分領域的綜合性工具來解決問題。

那么，計算生物學具體能給生物學帶來什么價值呢？《計算生物學深度產業報告》認為，分成科研和應用兩大塊。

在科研方面計算生物學最直接的作用，就是對實驗的替代，甚至超越。與操作水平、 實驗器具、觀察水平等精度有限的傳統生物實驗相比，基于計算機的計算生物學不僅成本更低、速度更快，在理論上也擁有無限的計算精度和高度可復制性。在將過往經驗內化在AI模型中后，計算生物學能夠自動化、規模化和并行化地提出假設，讓科研人員無需依賴少數天才，同時降低下游進行開發的門檻，而這將有望對行業格局帶來重大影響。其次是開辟“先假設-再驗證-最后優化假設”的新方式，讓研發效率得到數倍提升。

早在1991年，Nature上有觀點就提出，新的生物學研究方式的出發點應該是科學家先從理論推測出發，再返回到實驗里去，追蹤或驗證理論假設。計算生物學恰好能夠基于干濕循環實驗，開辟“假設-驗證-優化假設”的新方式，提升整體生物研發效率。

具體來說，一方面，***通過高通量的濕實驗，在快速驗證AI預測的同時，為AI模型提供大量可用的訓練數據，提升AI預測模型的精度。另一方面，AI將基于自身的數據處理能力，提供能夠在濕實驗中驗證的假設（高參考價值、甚至可實用），兩者共同迭代加速。

三、精準醫療將成為計算生物學長期的重點發力方向

在AI制藥領域，智能***已成為公司長久競爭力的重要體現。在應用方面的價值，可以按流程劃分為三大類：

1、計算推演生物性質及原理

蛋白質結構預測、致病機理研究、蛋白質相互作用預測（PPI）、抗體和抗原的表位預測、基于基因組學尋找疾病成因或尋找新型的生物標志物等。

2、搭建預測及判斷模型

AI制藥中基于靶點的化合物性質預測（主要涉及小分子藥物開發），疾病診斷/***/治療建模，涵蓋細胞/器官/人體的生物模擬器等。

3、對生物體進行控制改造

新療法/藥物開發、精準醫療和生物制造（以合成生物學為代表）。其中新療法/藥物開發是目前落地最成熟的場景。精準醫療將成為計算生物學長期的重點發力方向，這是由于C端市場的消費意愿更為明顯，且使用人體廣泛、產品形態相對直接。

在這個方向上，國外已出現了基于多組學的多家布局，而國內布相關公司相對較少，且均基于基因組學進行，存在一定差距。

四、如今計算生物學瓶頸

可以預見的是，計算生物學未來的產業鏈將會是以數據提供商為底層支撐+上層各類相關從業公司（包括提供計算平臺和軟件、分子建模/機器學習框架、算力以及智能***的企業）的結構構成。

《計算生物學深度產業報告》認為，眼下，要想實現以上期待，年輕的計算生物學還有著以下幾大關鍵瓶頸待突破——有的問題為該行業獨有，也有的是整個AI科學領域都存在的：

1）對生物底層原理的明確

目前，我們還有大量關于生物學本身的底層機制待研究透徹，在進行模型構建、生物驗證及人體落地時，需要引入這次知識來減少不符合領域認知的偏差，保證準確率。

2）統一的計算和數據框架

基于微觀手段，一些生物學上的特定問題能夠得到解決，但要最終落地，所需的模型需要能夠覆蓋多組學數據、多環節及功能并行。此外，需要保證計算生物學中的多種異構數據，例如圖像、視頻、分子圖譜、DNA 代碼、基因表達、電信號等，有明確的標準和通用格式，以便在不同算法和平臺之間互操作。

3）消費級數據的獲取

在分析師看來，基因組學相關的計算生物學，其關鍵的產業發展階段是數據采集達到了消費級水準。

4）工程落地能力

目前學術上有很多機器學習算法和模型已經相當成熟，關鍵是如何在具備底層數據的情況下，加入對生物學的具體理解，進行精細地調整。最后就是數據隱私的問題，以及如何讓相關模型具備可解釋性，取得這一特殊行業的信任問題。

PoS權益證明

像比特幣這樣的加密貨幣需要使用大量的電力。2021年，比特幣網絡消耗了超過100太瓦時，比芬蘭的年度能耗還要多。

權益證明提供了一種建立不需要耗能太多的網絡的方法。如果一切按計劃進行，世界第二大加密貨幣、運行各種應用程序的以太坊將在2022年上半年過渡到這種模式。預計這一轉變將減少99.95%的能源使用。

加密貨幣在區塊鏈上運行，通過交易產生的數字賬本，其安全性必須得到保證，防止作弊者、欺詐者和黑客入侵。比特幣和以太坊目前使用工作量證明算法來確保安全：“礦工”解決加密難題，從而競爭驗證新交易區塊的權利。成功的“礦工”會獲得加密貨幣作為他們工作的獎勵。工作量證明意味著尋找數學難題的解決方案，這需要大量的計算能力，因此也需要電力。

有了權益證明，驗證者不必相互爭奪并在能源和計算硬件上投入巨大。相反，他們的加密貨幣緩存或權益，允許進入一個抽獎活動。那些被選中的人獲得了驗證一組交易的權力（并因此獲得更多的加密貨幣）。在一些網絡中，表現出不良行為的驗證者會受到懲罰，從而失去一部分權益。

長時電網儲能電池

2021年4月，一個陽光明媚的下午，可再生能源打破了加州主要電網的記錄，提供了足夠的電力來滿足94.5%的需求。這一時刻被譽為低碳化道路上的一個里程碑。但是，當太陽落山，微風停止，會發生什么？

處理可再生能源帶來的波動式電力生產需要廉價的存儲，時間為數小時甚至數天，新型的鐵基電池可能能夠勝任這一任務。

總部位于俄勒岡州的ESS公司，其電池可以儲存4至12小時的能量，它在2021年推出了其第一個電網規模的項目。總部位于馬薩諸塞州的 Form Energy 公司在2021年籌集了2.4億美元，其電池可儲存電能長達100小時，它的第一次安裝將是在明尼蘇達州的一個一兆瓦的試驗工廠，預計將在2023年完成。

這兩家公司都選擇使用鐵基電池，而鐵是地球上最豐富的材料之一。這意味著他們的產品最終可能比其他電網存儲候選者，如鋰離子電池和釩系液流電池更便宜。

Form Energy 公司表示，其電池最終的成本可能僅為每千瓦時 20 美元，甚至低于未來幾十年對鋰離子電池的樂觀預測。

但是，仍有一些挑戰需要解決。鐵基電池的效率通常很低，這意味著投入其中的相當一部分能量無法被回收。另外，副反應也會隨著時間的推移而使電池退化。但是，如果鐵基電池能夠以足夠低的成本被廣泛部署，它們可以幫助更多人使用可再生能源供電。

AI數據生成

在疫情成為新常態的大背景下，如何投資技術，成為企業管理者關切的問題。時值年末，市場調研機構Gartner即會就來年的“重要戰略科技趨勢”發表預測，為其最重要的年度報告之一，告知企業管理層、IT從業者和政府人員應對未來的投資動態和技術風險，同時指導技術和投資方向。

人工智能（AI）在Gartner給出的技術趨勢預測中頗具分量，涉及到AI工程化（AI Engineering）、超級自動化（Hyperautomation）、生成式AI（Generative Artificial Intelligence）、自治系統（Autonomic Systems）等。

其中，生成式人工智能技術位列Gartner技術趨勢預測的首位，是最引人注目和的人工智能技術之一。Gartner預計到2025年，生成式人工智能將占所有生成數據的10%，而目前這一比例還不到1%。

所謂生成式AI，Gartner解釋稱，通過各種機器學習（ML）方法從數據中學習要素，進而生成全新的、完全原創的、真實的工件（一個產品或物品或任務），這些工件與訓練數據保持相似，而不是復制。

生成式AI的好處是什么？市場調研機構Gartner高級研究總監高挺解釋，生成式AI不僅僅可以判斷、還可以創造，實際上AI當前最大的用途就是判斷，意味著AI的用途將有結構性變化。

“以前我們是讓AI不停的去做判斷、去做分類。比如說：AlphaGo，你告訴我下一步棋該怎么走？叫它做判斷。或者把一張照片給一個AI的模型說：你幫我分辨一下這是不是張三，或者是這張照片是不是一張貓的照片。”高挺告訴界面記者，“是我們會發現，在未來的這段時間里面，它很多時候是需要AI不再去進行判斷，而是說，“來幫我生成一段代碼，這個代碼所做的事情是從‘1’加到‘100’，那么AI也能自動生成這個代碼了。”

高挺還舉例稱，可以利用已有的數據做出一個模型之后可以生成更多的“合成數據”，這些合成數據就像人臉一樣，從肉眼角度看不出這張人臉有任何問題，但是其實這個人是目前世界上60億人口里面不存在的一個、看上去跟真人一模一樣的人。

Gartner稱，生成式AI從數據中學習內容或對象，并運用數據生成全新、完全原創的新內容，可以下一代的自動編程、藥物開發、視覺藝術、社交、商業服務、工程設計與流程。同時，它可以被用來檢測欺詐、虛假信息和身份盜竊。但此外，盡管谷歌、Meta、微軟等科技公司投入最多資源在生成式 AI，但也必須防范諸如深度偽造（Deepfake）的濫用。

生成式AI外，Gartner還指出，在明年，AI工程化這一趨勢也將得到產業關注。人工智能的工程化即是將數據搜集、數據處理、建模、分析，到報表產生全部以SOP（標準作業程序）方式處理，看似簡單的工作卻對數據科學家帶來極大幫助。

“AI工程化其實并不只是一個技術問題，它很多時候是一個流程性的問題。”高挺稱，根據統計，數據科學家在處理數據工程時最費時的工作是數據處理，占比75%，只剩下25%時間可以定義與解決問題，大幅降低企業解決陌生問題的能力。最新的AI工程可以融入產業專業知識（Domain Know-How）。Gartner認為，直到2025年，約有10%運用AI工程的企業能在業務上取得3倍以上回報率。

“在2020年、2021年，經濟都受到了不同程度的影響。在如今疫情變成新常態的狀況下，很多CEO都希望在2022年他們企業的業績會有一些反彈，或者說是能夠所謂‘贏回’他們損失的收入。”高挺引用Gartner的一份CEO調查報告稱，"增長"、“數字化”和“效率”將是來年企業管理者的三個關鍵詞，因此，新一年的技術趨勢均與此有關，AI技術外，新的技術趨勢還包括隱私增強計算、云原生平臺等。

“如果說去年的技術主線是‘新冠疫情的影響下世界發生了怎么樣的變化’，今年的則是新冠疫情差不多已經過去了或者說已經成為一種新常態了，如何應對這種新常態，不管是中國還是西方，區別只是大家處理的方式不一樣。”高挺表示，在新常態下，居家辦公成為主流，在此情況下，企業需使用技術手段追回疫情下損失，以及如何在新常態下創造出新模式，保證企業長久生存，成為來年技術敘事的主要邏輯。

瘧疾疫苗

RTS,S是首款獲得世界衛生組織批準的瘧疾疫苗，自2021年10月起在非洲瘧疾傳播的中、高風險地區5月齡以上兒童中使用。

瘧疾是嚴重危害人類健康的全球三大傳染病之一。隨著青蒿素等各類抗瘧藥的臨床耐藥性問題日益增長，目前全世界仍有近一半人口面臨瘧疾感染風險，致死性最強的惡性瘧疾原蟲每年造成兩三億的感染病例。21世紀以來，全球每年約有10個瘧疾疫苗項目獲批開展臨床試驗，約150項已完成或提前終止臨床試驗。

迄今為止，瘧疾疫苗RTS,S是唯一被證明可降低瘧疾患兒臨床發病率和死亡率的疫苗。瘧疾疫苗RTS,S僅在接種4劑后的一年內對5—17月齡兒童具有較高的保護率，隨后免疫保護率快速下降，接種一年半后平均保護率已低于30%。作為瘧疾疫苗研究領域零的突破，瘧疾疫苗RTS,S具有重大的現實意義，世界衛生組織預期在未來每年可以挽救數萬名5歲以下非洲兒童的生命。

瘧疾疫苗RTS,S并沒有達到世界衛生組織官方標準，即保護率大于50%，保護時間大于一年，因此如何有效遏制瘧疾在熱帶、亞熱帶等國家和地區的流行與傳播，依然是全球瘧疾研究人員亟需解決的科學問題。

由于瘧原蟲生活史包括肝（細胞）內期、紅（細胞）內期和蚊期等復雜的生長時期，惡性瘧原蟲具有高度變異的抗原蛋白和多變的免疫逃逸策略，這既限制了國內外瘧疾疫苗的研發，同時也導致瘧疾疫苗RTS,S并不完美的主要原因。

近年來，隨著多種新型基因編輯技術在惡性瘧原蟲關鍵生物標志物功能鑒定中的廣泛應用，研究人員針對惡性瘧原蟲不同生長時期設計多價疫苗成為可能。同時與傳統疫苗相比，新興的信使核糖核酸疫苗技術、疫苗佐劑和抗原遞送系統的技術革新，也將為瘧疾疫苗研究提供更多的潛在方案，使新一代高效瘧疾疫苗研發有望在未來5—10年內取得關鍵性突破。

除碳工廠

工業革命以來，人類活動大量排放二氧化碳（CO?）等溫室氣體，溫室效應持續加強，導致全球平均氣溫不斷升高。

實際上，即使全世界達到了碳中和，由于工業革命以來人類已經排放了超過萬億噸的CO?，如果僅僅依靠自然過程，大氣中CO?濃度降低至工業革命前的水平也將是一個非常緩慢的過程。

作為一項利用工程系統從大氣中去除CO?的技術，直接空氣碳捕獲（Direct Air Capture，DAC）技術的大規模應用對于有效降低大氣中CO?濃度，遏制氣候變化具有重要意義。該技術主要利用引風機將空氣抽入，通過吸附、吸收或膜分離裝置捕集CO?，并將CO?排回大氣，而捕獲的CO?可以進行封存或利用，整個過程可以理解為一種工業“光合作用”。

不同于針對工業固定源的CO?捕獲技術，DAC技術可以部署在世界上任何有電力供應的地方，選址更靈活，且可以模塊化建設。

DAC技術在除碳方面具有明顯的技術優勢，但目前高昂的運行成本仍是限制其大規模應用的關鍵因素。近期，美國加州大學伯克利分校的研究人員對其發展前景進行了展望，并提出了適于該技術發展的政策路線圖。他們認為DAC技術的全球推廣不能依賴市場杠桿效應，而應通過持續的“財政激勵+強制部署”政策推進其大規模部署。從技術角度來看，DAC技術發展的關鍵在于高效低成本的碳捕集材料與工藝系統的研發，其商業化應用仍然需要依靠技術進步來大幅降低運行成本。

近年來，歐美發達國家已陸續開展DAC技術的研發與應用，通過材料與技術的進步不斷降低運行成本。2021年8月，美國能源部宣布撥款2400萬美元支持DAC技術，一些比二氧化碳捕獲工廠Orca更大型的“除碳工廠”也正在建設中。這些先行工作可能使發達國家更早掌握前沿技術和核心知識產權，并為未來獲取經濟效益搶得先機。

新冠變異追蹤

新冠肺炎病毒仍在全球蔓延，在所有對 COVID-19呈陽性反應的鼻拭子中，約有兩百個被送到基因測序機中進行額外分析。這樣做的目的是為SARS-CoV-2病毒的基因組創建一個新的地圖，并看看有什么變化。這個地圖共有30000個左右的字母組成。

這樣的基因監測使科學家能夠迅速發現并警告新的變體，如阿爾法(a)、德爾塔(δ)

和最近的奧密克戎(Omicron)。這是一項史無前例的工作，它使SARS-CoV-2成為歷史上被測序最多的生物體，超越了流感、HIV，甚至我們自己的人類基因組。像GISAID和 Nextstrain這樣的開放數據庫已經顯示了超過700萬個病菌的基因圖譜。

Omicron是迄今為止變異程度最高的變種。2021年11月，南非的一個***在其測序儀發現了一個有50多個變異的病毒基因組，并首次發出警告信號。幾乎在瞬間，西雅圖、波士頓和倫敦的計算機都在使用這些數據進行預測：Omicron是個麻煩，它是一個可能逃避抗體的變種。

測序儀還不能告訴我們的一件事是，SARS-CoV-2接下來究竟會如何演變。這就是為什么有人說我們應該更密切地追蹤這個病毒。大部分的序列是在英國、美國和丹麥等地產生的，但是在沒有測序能力的地區，病毒仍然可以在不知不覺中演變。幸運的是，南非在發現Omicron和追蹤其傳播方面的快速工作為全世界提供了早期預警。

藍海大腦生命科學解決方案

一、案例概述

某藥學院初始于2021年，藥物分子研發是一個非常復雜且非常耗時的過程，藥物分子篩選只是前期流程中的一個環節。如尋找跟蛋白病毒酶結合的小分子，由于存在不同種類或研究機構的配體（小分子）庫，配體（小分子）庫數量巨大，每個配體庫的配體數量成千上萬（甚至更大），通過實驗方式測試驗證是不切實際的。通過計算機數值模擬進行篩選，對不同配體的結合效果進行打分，篩選出分數高且結合模式合理的一些配體作為候選藥物進行實驗驗證，能夠有效的加速藥物研發進程。

由于配體庫數量巨大，在有限時間內完成篩選，同樣挑戰巨大。例如，配體庫有10000個候選配體，每個配體平均處理時間為1.5小時，總共需要15000 個小時（625天）。因此，為在規定時間內算完，需要具備以下條件：
1）擁有強大算力的計算平臺

2）大容量存儲，用于存放處理數據和計算結果

此外，為了保證篩選計算能夠高效、順利完成，還需要計算服務，包括：

1）集群軟件運行環境，保證在多機環境軟件下運行，以及數據訪問

2）能夠支持多任務在多機環境下并發處理的并行方案

除計算平臺外，藥物篩選還需要高性能應用軟件。藥物篩選模擬計算包括Docking和分子動力學計算：其中Docking 耗時相對較小，常用于大量配體的初步篩選，主要軟件有dock6、Autodock Vina、Glide等。分子動力學模擬計算比較耗時，測試作用的時間變化，用于對Docking初選結果進一步分析，主要軟件有Gromacs，Namd，Amber等，使用GPU加速效果一般比較明顯。

二、方案與價值

藥物小分子研發需要強大算力的高性能集群，獲取這些計算資源和服務成為當下的重中之重。清華大學藥學院搭建了四臺A100液冷服務器、9臺CPU服務器、兩臺高通量液冷服務器，為高性能計算環境提供基礎的計算平臺。

使用DOCK6 處理配體（小分子）庫的對接案例時，在一個文件夾中，如mol2，存放大量的小分子文件，每個小分子處理流程是一樣的，均需要與相同的受體（如病毒蛋白酶）進行計算。這時需要在短時間內提供大量GPU和超算產品，以及全天候的技術支持。搭建開放共享平臺，使用高性能計算集群，用于藥物研發的分子對接、分子動力學模擬、深度學習模型訓練，把需要幾天的計算工作縮短到幾小時，速度提升8到20倍。同時為各研發老師創建不同的子賬戶，實現計算資源共享和數據共享。為高性能計算環境提供基礎的計算平臺，要實現高效的藥物篩選，還需要高通量任務解決方案。

三、總結

該藥學院藥物研發需要強大算力的高性能計算集群，如藥物篩選需要進行大量小分子的Docking處理。藥學院老師可以利用藍海大腦高性能液冷服務器，快速構建高性能集群，獲取高性能的計算實例，滿足算力的需求。同時提供高通量任務處理的解決方案，使得藥物篩選在多計算節點、多核上并發處理，降低任務整體執行時間。

審核編輯 黃昊宇