锐客网

  1. 首页 > 科技 > >

生物医药|人工智能新药研发，落地难还是新希望？( 二 )


要知道，太阳系里面所有的原子加到一起，数量大概也只有10的54次方 。更不用说在传统实验室里，通过传统的药物筛选办法能够接触到的分子数量，大概仅有10的11次方 。11和60，这两个数字中间，就是横亘在一款新药走向临床道路的巨大天堑 。
并且，一种药物，即便是经过成千上万种化合物的筛选，也仅有几种能顺利进入最后的研发环节，大约只有10%新药能被批准进入临床期，最终只有更小比例的药物分子可以上市 。在这样的筛选比例下，无怪投资人将新药“从实验室进入临床试验阶段”描述为“死亡之谷” 。
并且，随着现代医学的精进，其所研发新药的难度也日益提升 。一方面，2017年全球TOP12制药巨头在研发上的投资回报率仅有3.2%，处于8年来的最低水平 。过去公认的高投入和高回报，似乎落到了低谷 。另一方面，全球新药管线中处于后期阶段的项目越来越少，2016年尚有189个III期项目，2017年则落到159个III期项目 。传统的制药似乎已经走到穷途末路 。
开启制药行业的新篇章面对传统制药行业高成本、高投入、高风险的困境，人工智能作为一种新兴技术，被寄予希望成为拧动这一难题的好钥匙 。
事实上，人工智能进发制药并不是近来才有的事情 。1981年的《Discovery》杂志就已经清楚地解释了计算机对于制药业的重要性：“平均下来，医药公司每筛选出的8000个药用分子中，只有1款能最终问世 。计算机有望能提高这个比例——化学家们再也不用整周、甚至是整月地呆在实验室，去测试那些计算机认为难以成功的分子 。”
几个月后，《财富》杂志的封面则对计算机辅助的药物发现进行了专题报道，并称这项技术为“下一次工业革命” 。人工智能被制药业寄予颠覆性的期望并不是没有原因的，面对似乎已经走到穷途末路的传统制药，用人工智能制药无疑是实现制药业降本增效的重要方式之一 。
一方面，人工智能可以帮助寻找疾病、基因和药物之间的深层次联系，以降低高昂的研发费用和失败率 。基于疾病代谢数据、大规模基因组识别、蛋白组学、代谢组学，人工智能可以对候选化合物进行虚拟高通量筛选，寻找药物与疾病、疾病与基因的链接关系，提升药物开发效率，提高药物开发的成功率 。
具体而言，科研人员可以使用人工智能的文本分析功能搜索并剖析海量文献、专利和临床结果，找出潜在的、被忽视的通路、蛋白、机制等与疾病的相关关系，进一步提出新的可供测试的假说，从而找到新机制和新靶点 。
渐冻人症（ALS）就是由特定基因引起的一类罕见病，而IBMWatson使用人工智能技术来检测数万个基因与ALS的关联性，成功发现了5个与ALS相关的基因，推进了人类对渐冻人症的研究进展（此前医学已发现了3个与ALS相关基因） 。
目前，人工智能算法模型被诸多学者提出，随着药物研发数据的高速累积和数字化转型，以及人工智能技术的加速发展，决策树（DT）、随机森林（RF）和支持向量机（SVM）等机器学习模型以及深度神经网络（DNN）、卷积神经网络（CNN）和循环神经网络（FNN）等深度学习算法逐渐被应用于药物发现领域 。
另一方面，工智能可以虚拟筛选候选药物，帮助科研人员高效找到活性较高的化合物，提高潜在药物的筛选速度和成功率 。人工智能可以通过模拟小分子化合物的药物特性，在较短时间内挑选出最佳模拟化合物进行合成试验，大幅提高化学合成路线设计速度，以降低操作成本 。
比如，美国Atomwise公司使用深度卷积神经网络AtomNet来支持基于结构的药物设计辅助药品研发，通过人工智能分析药物数据库模拟研发过程，预测潜在的候选药物，评估新药研发风险，预测药物效果 。

推荐阅读


上一篇：小红书|摘下滤镜看小红书：社区叙事中的误读与错位

下一篇：厂商|高通骁龙新品发布，国产厂商竞相献媚：我们还要自欺多久？