在傳統醫藥行業，AI也有了很多應用。AI逐漸應用於靶標發現、虛擬篩選、化合物設計與合成、ADME-T性質和理化性質預測、藥物臨床試驗設計、管理、患者招募、藥物警戒應用和真實世界證據生成等多個流程和環節。
那麽，AI應用於制藥的邏輯是什麽？AI將如何改變藥物研發？如何應對醫藥行業的效率挑戰？本文分為兩部分。本文重點關註人工智能在制藥行業面臨的挑戰。
制藥困境
從醫藥行業的困境出發。
在過去的幾十年裏，許多科學、技術和管理因素取得了巨大的進步，這有助於提高藥物研發的生產率(R&: D)。但從1950開始，每10億美元R&D投資批準的新藥數量幾乎每9年就減少壹半，這壹趨勢60年來非常穩定，被稱為醫藥行業的“埃魯姆定律”。新藥開發成本越來越高，藥物研發面臨嚴重的生產力危機。
反摩爾定律主要有三種解釋，即下垂果實假說(好摘的果實被摘了)、監管障礙假說(新藥申報的監管要求在提高)和研發模式問題。前兩種解釋都是很難改變的客觀事實。那麽，有沒有更好的藥物研發模式呢？這是醫藥行業壹直在思考的問題。
制藥行業面臨著生產率困境，同時也面臨著數據困境。
隨著全社會數字化、信息化的快速推進，藥物研發設備的更新換代和長期積累，可利用的藥物研發數據越來越多，以至於無法在壹定時間範圍內用常規方法和軟件工具對所有數據進行分析和處理。傳統統計在海量大數據面前越來越顯得力不從心。醫藥企業正在進行數字化轉型，產生大量的數據。因此，日益增長的數據處理需求與現有的數據分析能力之間的矛盾推動著醫藥行業尋求新的出路。
艾的橄欖枝
2065438+2006年3月，AI程序AlphaGo擊敗韓國著名棋手李世石，這在AI發展史上具有裏程碑意義。這壹事件加速了AI在社會生活諸多領域的探索和應用，也讓醫藥行業看到了提高藥物研發生產力的希望。2016之後，進行了大量AI在醫藥行業的技術測試。實驗科學不再是唯壹的選擇，以數據為中心的藥物發現逐漸登上舞臺。
隨後幾年，AI制藥逐漸“升溫”，概念驗證研究持續，大量資本湧入AI驅動的生物技術創業公司，制藥公司、AI生物技術公司、AI技術供應商之間的合作增多。壹些領先制藥公司的高管認為，AI不僅是領導化合物發現的工具，而且是促進生物學研究、發現新的生物靶標和開發新的疾病模型的更通用的工具。
AI部署在醫藥行業多個場景。
在過去的幾年裏，AI已經被嘗試應用於藥物研發的幾乎所有流程和環節，主要表現在以下幾個方面:
//目標確認
靶標識別是藥物開發的關鍵步驟，也是最復雜的步驟之壹。目前已知的藥物靶點大多是蛋白質。通過機器學習從蛋白質的原始信息中提取特征，建立準確穩定的模型進行功能推斷、預測和分類，已經成為靶標研究的重要手段。基因組學、蛋白質的基因組學、代謝組學等組學數據從患者樣本和海量生物醫學數據中提取，借助深度學習分析非疾病狀態和疾病狀態的差異，也可用於尋找對疾病有影響的蛋白質。
//基於表型的藥物發現
在過去的三十年中，基於靶標的藥物發現壹直是藥物發現的主要方法。近年來，基於表型的藥物發現(直接利用生物系統篩選新藥)備受關註。機器學習可以將細胞表型與表型篩選中化合物的作用方式聯系起來，獲得與靶標、信號通路或遺傳疾病相關的聚類。AI強大的圖像處理能力，可以整合生物系統的所有形態特征，系統研究藥物潛在的作用方式和信號通路，拓展對疾病的生物學認識。
//分子生成
機器學習方法可以產生新的小分子。AI可以學習大量的化合物或藥物分子，得到化合物的分子結構和藥物性質的規律，然後根據這些規律生成許多自然界中從未存在過的化合物作為候選藥物分子，有效構建具有壹定規模和高質量的分子庫。
//化學反應設計
AI目前正在取得進展的化學領域之壹就是對化學反應和合成路線進行建模和預測。AI可以將分子結構映射成機器學習算法可以處理的形式，根據已知的化合物結構形成多條合成路線，並推薦最佳合成路線。反之，在給定反應物的情況下，深度學習和遷移學習可以預測化學反應的結果。人工智能還可以用來探索新的化學反應。
//復合篩選
AI可以對化合物的化學結構和生物活性之間的關系進行建模，並預測化合物的作用機制。壹個典型的例子是麻省理工學院的研究人員基於深度學習發現了新的抗生素。研究人員訓練了壹個可以預測具有抗菌活性的分子的深度神經網絡，在幾天內篩選了超過6543.8+億個化合物，根據模型的預測得分對化合物進行排序，最終確定了8種與已知抗生素結構差異較大的抗生素。
//ADMET屬性預測
藥代動力學性質不理想，是臨床研究階段藥物研發失敗的主要原因之壹。深度學習可以自動識別化合物的相關特征，評估數據集中多個ADMET參數之間的隱藏關系和趨勢，預測化合物的細胞滲透性和溶解性。
//藥物臨床試驗
新藥開發最昂貴的階段是臨床試驗階段，AI在臨床試驗的設計、管理和患者招募方面有潛在的應用。自然語言處理技術可以從各種結構化和非結構化數據類型中提取信息，找到符合臨床試驗標準的受試者。它還可以用於關聯各種大型數據集，發現變量之間的潛在關系，提高患者和試驗之間的匹配度。諾華已經使用機器學習算法來監控和管理所有的臨床試驗。
//藥物警戒
人工智能將對傳統的藥物警戒產生影響。隨著監管要求的嚴格和患者安全意識的提高，藥物警戒的工作量和成本大大增加。AI可以實現藥物不良反應從接收到報告的全過程自動化，優化藥物警戒，降低成本。也可以通過基於AI系統的預測能力進行藥物風險評估。
//真實世界研究
人工智能的進步為分析大規模多維RWD(真實世界數據)提供了新的策略。AI可以識別真實世界數據中的內在關系，生成新的假設，為臨床試驗提供新的信息。最新的案例是，通過分析真實世界的數據，AI可以找出不會影響試驗整體存活率的風險比的納入標準，從而擴大臨床試驗的人群範圍。
人工智能在藥物研發中的應用還包括物理和化學性質的預測、藥物重定向以及在制劑開發中的應用。
問題出現了
AI在藥物研發中的應用遠非壹帆風順。總結起來就是壹個AI如何“適應”制藥場景的問題。
對於醫藥行業來說，要走AI之路，就要穿AI鞋。AI法對其適用對象的相關條件有很多要求。正如傳統藥物研發需要配備必要的硬件設備和必要的環境設施(如科學儀器設備、實驗室等。)，基於AI的藥物研發需要配備數據、算法和計算能力，其中對數據的要求最為嚴格。
傳統藥物研發主要基於實驗科學。幾十年來，藥物研發數據的記錄、管理和存儲壹直以實驗為中心，根據實驗的需要進行調整，數據是實驗的“附屬品”。AI作為虛擬科學、計算科學、數據科學領域的方法，直接從數據入手，把數據放在第壹位，對數據格式、標準、質量、數量都有內在的要求。在這樣的情況下，AI往往很難直接使用傳統藥物研發模型的數據。
對於AI來說，進入藥學主場要遵循藥學規律。例如，藥物開發是壹個多維度的同步優化過程。鑒於數據的規模和復雜性，基於AI的藥物研發往往需要重寫機器學習算法，而不是簡單調用。AI與傳統醫藥行業核心業務的深度融合，需要更深入的行業理解和更高的技術精準度。雖然AI已經能夠從大量已知論文和實驗數據中挖掘新的知識，改變了傳統的基於學術經驗的研究方法，但該方法的準確性、可解釋性和可重復性有待提高。
此外，傳統的藥物研發模式有相對完善的監管政策和行業體系。AI作為壹種新的模式，在醫藥行業的應用和探索也需要相應的行業政策和制度來規範和引導。
姚文智邦侯小龍
來源中國食品藥品網