塔夫茨药物开发研究中心的数据显示，新药研发的平均成本由二十世纪70年代的约1.8亿美元增长到二十一世纪初的26亿美元。新药临床I期上市的成功率也由二十世纪80年代的23%降低至目前的12%。在这种情况下，医药研发外包(CRO)应运而生。CRO将研发工程分解，既可以降低成本，又可以提升效率。根据蛋壳研究院的市场统计数据显示，药企通过CRO外包临床试验可以缩短约25%的研发时间，减少约40%的研发成本。

尽管CRO模式的推出已经是药品临床试验的积极革新，但开发新药的临床试验成本在持续相对增加，招募大量患者参加所有临床试验阶段的挑战也从未减弱。

根据约翰霍普金斯大学的研究，支持美国食品药品监督管理局批准新药的临床试验成本的中位数在1900万美元。这些分多个阶段进行的临床试验，可能会持续几个月甚至数年，期间可能遇到像缺乏合格参与者或协议被迫修改等的困难。近年来的新冠疫情大流行，更是让临床协调员的工作开展雪上加霜。来自美国的一家新型CRO公司UNLEARN.AI提出：在临床试验中使用人工智能技术可以降低试验参与者数量的要求，理想状态下甚至可以取消试验对照组患者的招募。

2022年4月19日，UNLEARN. AI宣布完成5000万美元的B轮融资，至此，该公司的总融资金额达到了7785万美元。UNLEARN. AI总部位于美国加利福尼亚州旧金山，其创建的临床试验方法TwinRCTs^TM能够通过机器学习和生物统计学实现依赖较少患者的临床试验。

本次融资由全球风险投资和私募股权公司Insight Partners牵头，新投资者Radical Ventures以及该公司的全部现有投资者8VC、DCVC、DCVC Bio和Mubadala Capital Ventures共同完成。通过本次投资，牵头公司Insight Partners的常务董事Dylan Morris加入了Unlearn董事会。

UNLEARN. AI成立于2017年，汇集了制药、医疗技术、机器学习和商业领域的世界级专家团队，他们共同的愿景是利用人工智能来改善临床试验，以造福患者和临床协调员。

创始人兼CEO Charles K. Fisher博士毕业于哈佛大学，是一位对机器学习和生物统计学感兴趣的物理学家。创业前，Charles曾是法国巴黎高等师范学院的理论物理学的研究员，也在辉瑞集团担任过生物统计学家，并且在波士顿大学完成其生物物理学的博士后项目。

联合创始人兼机器学习负责人Aaron Smith博士是毕业于宾夕法尼亚大学的数学家，对计算机视觉、机器学习、物理学与几何学有浓厚的兴趣。另一位联合创始人兼数据科学负责人Jon Walsh博士毕业于华盛顿大学物理学系，在加州大学伯克利分校担任理论例子物理学博士后研究员期间，主要负责通过构建计算工具来分析、模拟和计算数据属性。

这三人是在一家人机交互传感设备的制造公司Leap Motion工作期间相识。Charles当时担任机器学习工程师，Aaron担任算法工程师和手部传感器团队经理，Jon则是担任数据科学家。

三位科学家想要通过创立Unlearn来实现人工智能对药物临床试验的改善。他们想利用机器学习实现规模更小、效率更高的临床试验，最终减少开发新药所需要的时间，限制控制组患者的数量。

不难看出，创始人团队在知识背景、科研经历和工作能力三个方面都称得上“强强联手”。

作为一家打破传统随机试验方法的CRO，UNLEARN.AI是全球首家提出将“数字孪生(Digital Twin)”应用到临床试验对照组的公司，并且创建了与之对应的随机试验法TwinRCTs^TM和数字孪生生成器DiGenesis^TM。

数字孪生(Digital Twin)，是采用患者的基础临床数据，依据对应的数字孪生数据模型DiGenesis^TM，计算生成的一个纵向且全面的临床记录，这个记录被视为一种临床试验对照组的实验结果。

简单来说，这项全新的随机试验法TwinRCTs^TM主要分为两步：建立数字孪生模型，进行数字孪生试验。

对医院的临床试验数据进行提取与整理

首先，UNLEARN.AI对某种疾病在医院临床试验中得到的历史数据进行提取与整理，并按特殊需求对数据进行标准化。标准化后的数据被转录进计算机，以完成机器学习的部分。

DiGenesis^TM的机器学习流程

接着，录入进计算机的数据被分为训练组与测试组。训练组的数据被计算机用来学习关键的临床关系，进而训练生成数字模型；测试组的数据则用来对数字模型的性能进行评估。评估检测通过后，即可获得该项疾病的临床实验模型DiGenesis^TM，这项模型将被用于生成数字孪生。

患者个体参与TwinRCTs^TM试验的流程

在得到数据模型DiGenesis^TM后，对应患者的招募就可以展开。登记参加临床试验的患者需留下个人的基础临床数据，这份数据将通过数字模型DiGenesis^TM被制造成数字孪生体的实验数据。患者的试验数据则是通过临床协调员进行跟进和收集。在试验结束时，数字孪生体的临床轨迹可以与实际患者的记录进行比较。

采用数字孪生的随机试验流程

当这一过程被应用到完整的临床试验中时，就被称为数字孪生的随机对照试验TwinRCTs^TM。通过创建基于历史临床数据训练得到的人工智能模型，实现在患者首次登记生理指标时就生成具有预见性的临床记录。

最理想的情况下，当把数据孪生体应用到服用安慰剂的对照组试验时，可以实现减少一半的招募患者。也就是说，让计算机模拟提供对照组，而每位登记的患者都接受实验性治疗。减少一半的患者，实验至少快一倍。

这样的随机试验不仅不会引入偏见，更是大大减少了患者数量的需求，缩短了临床试验的时间，节约了临床试验的成本，降低了临床试验患者招募的挑战性，也减轻了临床试验工作人员的工作量。这不仅能增强他们的动力和信心，更对试验质量产生积极的影响。

在成立的这5年时间里，UNLEARN.AI始终与FDA(美国食品药品监督管理局)和EMA(欧洲药品管理局)保持积极对话，进而成功使TwinRCTs^TM获得了在临床II期和III期试验中初步分析阶段的应用许可。

该公司现已在部分中枢神经系统类疾病和先天性免疫类疾病中实现DiGenesis^TM，例如阿尔茨海默症、帕金森氏综合征、系统性红斑狼疮、类风湿性关节炎、银屑病等。

可采用TwinRCTs^TM的部分疾病

不止TwinRCTs^TM与DiGenesis^TM，UNLEARN.AI还创立了基于PyTorch的Python数据库：Paysage，靶向试验统计学手册：PROCOVATM等。这些技术都已发表在Scientific Reports-Nature 和The International Journal of Biostatistics上。

关于企业合作，出于对合作公司的商业保护，创始人兼CEO Charles仅透露：拥有354年历史的全球领先科技企业——德国默克公司(Merck KGaA)，是他们的长期合作伙伴。默克公司希望通过数字孪生技术减小对照组规模，并同时获得适合支持其免疫学通道的监管决策。

成立至今，UNLEARN.AI累计完成五次融资，共计9位投资者参与，融资总额达到7785万美元。

UNLEARN.AI往年融资情况回顾

UNLEARN.AI希望通过本次融资能够扩大与全球生物制药共公司的合作，并与更多支持临床试验创新的全球监管机构进行有效对话。新冠疫情的大流行则被UNLEARN.AI视为是数字孪生技术介入临床试验的好时机。

据该公司统计，Covid-19大流行已导致数百项试验停止，尽管存在坚持进行的临床试验，但其试验入组率大大降低。患者开始主动推出临床试验，尤其是儿童或老人等新冠病毒易感人群。致力实现患者需求更少的临床试验，UNLEARN.AI目前正在积极与这些试验组沟通，研究如何帮助他们将试验完成率提高到最初计划的范围。

雄心勃勃的UNLEARN.AI希望通过扩大合作，提取并管理更丰富的数据库，创建更多疾病的DiGenesis^TM模型。当数据积累到一定体量时，便可以得到一个近乎完美的数据系统。系统中所有数据都是通过每个病人的基础临床数据进行推断得到，以用于汇总和清理数据并重复使用。这有助于药企做出更优质的决策，也使罕见病药物或流行病疫苗的开发问题被灵活应对。

根据萨利文大学的一项统计显示，目前全球CRO市场的复合年均增长率(CAGR)约为10%，而中国的CAGR能够实现近30%。中国这片全球最大的医药投资沃土正在经历生物医药发展的黄金时期。

随着疫情常态化，临床CRO业务也迎来复苏。据中泰证券的报告显示，2021H1核心标的临床CRO业务收入27.1亿元，毛利9.5亿元。稳步推进的新冠疫苗接种任务，使2021H1CRO核心标的商业化项目增速(+50.8%)较2020H1年大幅提升，2022年行业有望见到临床CRO板块加速恢复，迎来商业化项目加速放量期。

国内CRO市场发展至今，离不开国家相关部门的“掌舵”。2015年是我国药物临床试验的规范元年，从此，基于风险对药品注册进行常规检查成为常态。两年后，我国加入国际人用药品注册技术协调会，使行业执行标准与国际接轨。近两年，关于临床试验的试验质量和试验监管标准也相继落地，行业整体发展势态较好。

国家近年来部分有关药物开发的举措

注：CFDA：国家食品药品监督管理局；ICH：国际人用药品注册技术协调会

快速发展的行业必然出现激烈的竞争与各式问题。随着临床研究跨中心、跨平台、跨国家、跨临床阶段的进行，试验周期、试验成本、试验风险以及试验复杂程度都在增加。耀乘健康科技联席CEO陈晓已经预见行业需要注入新的技术力量：“在中国已经有不少开发临床管理系统的先行者，但整个行业蓬勃发展的需求是多方面的，不只是数据的采集和录入，现在需要落实试验全流程的统一信息化及智能化问题。”这就意味着临床试验不仅需要行业内的技术人才提升，还需要数据管理与智能信息化技术在行业内有所突破。

相对于国际市场，国内目前致力于将AI与互联网技术应用至临床试验的相关企业并不多见。这些企业主要通过开发用于临床试验各阶段的应用程序与数据管理系统，以实现辅助试验开展、检验数据质量等功能。

部分国内相关企业的基本信息

不难看出，国内相关企业并没有把人工智能技术运用在临床试验的实际进行中，事实上，全球也仅有UNLEARN.AI掌握这项技术。但像Valo Health、Alphanosos、METiS Therapeutics等优质的人工智能药物研发平台，也在国际市场上持续活跃。国内企业可以先向这些成熟的大型企业进行学习，尝试开发与优化自身的产品与技术。

这有助于完善国内临床试验行业的数字化程度，更有助于建立UNLEARN.AI提出的大体量临床数据系统。当我们拥有属于自己人种、符合中国地域性、适应中国医疗环境的临床试验数据系统，我们也能开发用于中国居民的TwinRCTs^TM实验方法。不仅能逐步移除国内临床试验成本高、招募难、时间长等障碍，更能让中国医药研发借势而进，造势而起，乘势而上！