2020年，FDA共批准53款新药上市，其中35种是小分子药物，这是史上新药获批数量最高的一年。

而且这些药物中的许多都是针对已知分子靶点，发现能够作用于广泛适应症新靶点的新分子是极其罕见的。

英矽智能首席科学官任锋博士表示，制药行业面临几个共同的痛点：

第一，如何找到合适的靶点或者全新的靶点来治疗某种疾病

第二，找到靶点之后如何发现或者发明全新的化合物，去针对靶点推向临床

第三，如何设计好的临床方案去减少临床上的不可预测性

药物研究的低效率问题，主要是由于生物系统的巨大复杂性和人类对自然运作方式的有限理解，这些客观因素决定了，药物研发本就是一个壁垒极高的行业。

然而，药物研发“烧钱”的另一个重要因素，是次优的研发(R&D)流程。

大型制药公司复杂而繁琐的工作流程，以及不同药物发现过程阶段之间的显著脱节。

在传统的流程中，生物学研究是由一家公司完成的，而化学研究则是由另一个部门甚至是另一家公司主导进行的，随后的临床研究又是由另一个部门或机构进行的。

英矽智能表示，这些阶段的过渡，例如靶点验证到苗头化合物发现两个阶段的过渡，很多好的想法、投入的巨额资金可能就会付诸东流。

AI为什么能在制药行业有所作为？

这是因为，现阶段的人工智能发展依赖于数据，尤其是高质量的大数据集。而药物发现过程的每一步都会产生大量数据，这些数据为现代人工智能技术的发展奠定了基础。

特别是在疾病假设和靶点识别阶段。

深度学习模型和自然语言处理技术在建模大型复杂多维数据集，如基因组学、蛋白质组学、临床数据、靶点结构数据和非结构化文本（研究论文、专利、科研经费等）方面的作用已经被多数的研究者证明是有用武之地的。