陈根：从潜力无限到时候未到，AI制药可堪大用？文/陈根人工智能（AI）发展至

【陈根：从潜力无限到时候未到，AI制药可堪大用？】文/陈根
人工智能（AI）发展至今，已成为社会生活和生产中一种非常真实的力量。这种力量将会，甚至已经，颠覆了世界上的几乎所有行为。随着机器人、智能手表、智能音箱、虚拟助理等科技产品的出现，人工智能技术的迅猛发展及其在医疗卫生领域的深度应用，将极大改变原有社会的面貌。
目前，人工智能在医疗卫生领域广泛应用正形成全球共识。可以说，人工智能以独特的方式捍卫着人类健康福祉。除了在诊疗手术、就医管理、医疗保险领域发挥作用，基于算法的人工智能近年来更是推动着疾病与药物研究的革新，并越来越体现其优势。
制药业作为一个古老悠久又对人类至关重要的行业，人工智能何以成为制药业未来趋势？在人工智能制药全面到来之前，制药业还将面临什么挑战？
文章插图
AI制药，潜力无限
制药业是危险与迷人并存的行业。通常，一款药物的研发可以分为药物发现和临床研究两个阶段。
在药物发现阶段，需要科学家先建立疾病假说，发现靶点，设计化合物，再是展开临床前研究。而传统药企在药物研发过程中则必须进行大量模拟测试，研发周期长、成本高、成功率低。根据《自然》数据，一款新药的研发成本大约是26亿美元，耗时约10年，而成功率则不到十分之一。
其中，仅发现靶点、设计化合物环节，就障碍重重，包括苗头化合物筛选、先导化合物优化、候选化合物的确定、合成等，每一步都面临较高的淘汰率。
对于发现靶点来说，需要通过不断的实验筛选，从几百个分子中寻找有治疗效果的化学分子。此外，人类思维有一定趋同性，针对同一个靶点的新药，有时难免结构相近、甚至引发专利诉讼。最后，一种药物，可能需要对成千上万种化合物进行筛选。即便这样，也仅有几种能顺利进入最后的研发环节。
然而，通过人工智能技术却可以寻找疾病、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， AI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IBM Watson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）。
在候选化合物方面，人工智能可以进行虚拟筛选，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。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AI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。制药公司Astellas与NuMedii公司合作使用基于神经网络的算法寻找新的候选药物、预测疾病的生物标志物。
当药物研发经历药物发现阶段，成功进入临床研究阶段时，则进入了整个药物批准程序中最耗时且成本最高的阶段。临床试验分为多阶段进行，包括临床I期（安全性），临床II期（有效性），和临床III期（大规模的安全性和有效性）的测试。
传统的临床试验中，招募患者成本很高，信息不对称是需要解决的首要问题。 CB Insights的一项调查显示，临床试验延后的最大原因来自人员招募环节，约有80%的试验无法按时找到理想的试药志愿者。
临床试验中的一大重要部分，在于严格遵守协议。简言之，如果志愿者未能遵守试验规则，那么必须将相关数据从集合当中删除。否则，一旦未能及时发现，这些包含错误用药背景的数据可能严重歪曲试验结果。此外，保证参与者在正确时间服用正确的药物，对于维护结果的准确性也同样重要。
但这些难点却可以在人工智能技术下被解决。比如，人工智能可以利用技术手段从患者医疗记录中提取有效信息，并与正在进行的临床研究进行匹配，从而很大程度上简化了招募过程。