人工智慧可大大縮短新型重症藥物的研發週期

開發新藥絕不是一件容易的事。平均而言，新型藥品的開發工作需要耗時十年，且研發成本高達26億美元——只有這樣的鉅額投入之下，藥物才能由實驗室真正走向市場。而由於其安全性及有效性的不確定性，最終往往只有約5%的實驗性藥品能夠被實際投放市場。

不過藥物製造商與各大科技企業正投入數十億美元以建立人工智慧解決方案，希望藉此加快藥物發現速度並降低藥物成本。

華盛頓州雷蒙德市微軟研究實驗室主任Eric Horvitz在近期於德克薩斯州奧斯汀市召開的美國科學促進會年會上指出，“我認為人工智慧堪稱醫療衛生領域的沉睡巨人。”他解釋稱，微軟公司正積極投資人工智慧技術以推動藥物設計與藥理學研究，研究藥物如何在體當中發揮作用，並將這項技術描述為“巨大的機遇”。

微軟公司絕不是惟一在人工智慧技術身上押下重注的廠商。截至2月底，位於多倫多的生物技術企業BenchSci已經發布統計結論，發現目前已經有16家制藥公司以及60多家初創企業在利用人工智慧技術進行藥物開發。

最大的瓶頸

藥物開發領域最大的瓶頸通常在於研究工作的早期階段，特別是從確定潛在致病目標(通常為人體內的蛋白質)到測試候選藥物能否達成治療目的之間所需要的時間。

由於只有5%的實驗性藥物能夠最終被投放市場，因此人工智慧技術的引入將有助於改善週期漫長且以勞動密集型為主的藥物發現過程。

當然，這項崇高的目標暫時還未能達成。不過總部位於倫敦的歐洲最大私營人工智慧企業BenevolentAI公司表示，一旦確定了有望攻克的疾病目標，那麼此項技術的引入將能夠顯著減少候選藥物所需試驗數量與錯誤量。到目前為止，該公司估計其能夠將相關研發成本降低60%，並將藥物的研發時間由原本的三年縮短至一年。

其它以人工智慧為導向的藥物開發工作也顯示出振奮人心的早期收益，其中包括更有效地治療艾滋病、高血壓、傳染病以及癌症等。

提前預測失敗

由於成功開發出新藥的可能性極低，因此製藥業已經習慣了這種“幾乎總是以失敗告終”的狀況。但英國葛蘭素史克公司新近於巴爾的摩建立的AI藥物發現部門負責人John Baldoni表示，人工智慧檢測方法能夠有效清除部分候選藥物，同時提取其中的有價值資料以推動其它專案的發展。

舉例來說，透過對其所在公司的資料庫進行搜尋，Baldoni和他的同事們發現超過23萬種用於對大腦疾病進行靶向治療的候選藥物。他指出，這些分子雖然都不適合其目前所推動的專案(專注於其它疾病)，但人工智慧演算法仍有助於揭示這類能夠進入大腦的化學成分中的共通性結構特徵。

Baldoni的團隊目前正在明智其它人工智慧程式來模擬如何將這些分子以新的方式組合在一起，並預測其中哪些部分可能有助於滲透至大腦之內以達到治療疾病的目的——而哪些組合可能產生毒性。

BenevolentAI公司已經擴大了其研究規模，其中涉及20多種針對罕見型癌症、炎症、神經退行性疾病以及中樞神經系統疾病的藥物研發計劃。在接受NBC新聞的採訪時，該公司董事長Ken Mulvany表示，他們所使用的計算機經過訓練以瞭解生物醫學語言，並能夠在人體之內找到藥物、疾病以及蛋白質之間存在的神秘關聯。

該公司的一項臨床實驗目前正在測試一種名為bavisant的失敗藥物對帕金森患者日間過度嗜睡症狀的治療效果。在2012年利用bavisant對患有注意力缺陷多動障礙的成年病人進行臨床實驗時，雖然藥物最終未能起到應有療效，但研究人員們發現其副作用之一正是失眠。該公司利用AI演算法建模方式證實了該化合物對睡覺的潛在影響，而這也正是目前治療帕金森相關嗜睡症狀臨床實驗的契機。

BenevolentAI公司還利用其它AI計算機演算法為肌萎縮側索硬化(簡稱ALS)探索新的治療方案選項——這是一種退行性神經系統疾病。2016年，該公司在一週之內確定了五種假造藥物。如果沒有人工智慧技術的幫助，這一過程可能需要數年時間才能完成。

前景與挑戰

當然，並不是所有人都相信人工智慧技術會改變藥物的開發前景。

哈佛大學化學家Alan Aspuru-Guzik博士曾經開發出面向材料科學的人工智慧應用，而目前其正轉向藥物研發領域。在他看來，這一領域確實充斥著大量炒作氣息。儘管如此，他認為“脾氣暴躁”的反對者們顯然忽略了他在這方面付出的努力，而真正的從業者也不會受到影響。他表示，“在不同領域之間的邊界位置，總會出現眾多令人興奮的新生事物，而摩擦也將同樣不可避免。”

目前的一大主要挑戰，在於如何收集充足且可靠的資訊來正確訓練沃森以及其它人工智慧系統。Aspuru-Guzik指出，“人工智慧的實際質量取決於資料質量。”

基於他自己設計的、用於工業類分子應用的人工智慧策略，他解釋了應如何立足藥物研發領域對計算機進行更好地訓練。首先，他將數十萬種類似藥物的分子資訊輸入到AI演算法當中，以幫助其學習各類分子間的共通性特徵。最終，計算機將變得足夠聰明，從而自行預測新藥的結構表達。

他指出，“沒錯，人工智慧會無數次預測出垃圾結果。”然而，科學家們可以設計出對應方法以排除那些無用的預測，並獎勵好的預測結果，從而訓練計算機並不斷提升其準確性水平。

目前受到廣泛關注的生成對抗網路(簡稱GAN)方法就是在兩套人工智慧網路之間建立一種競爭機制。其中的發生器網路負責猜測藥物分子，而鑑別器網路則對每一項猜測結果作出對錯判斷。Aspuru-Guzik表示，“剛開始，這兩套網路都愚蠢得不忍直視。但隨著時間的推移，兩套網路會相互學習並同時變得更加聰明。”

當然，計算機仍然會被人類所愚弄，這一點相信對於GPS匯入死路或者因臨時封道而無法前進的使用者們可謂深有體會。在Aspuru-Guzik看來，人工智慧會提升人類的能力，但絕不會取而代之。他總結稱，“人工智慧會給我們帶來新的超能力，但最終仍將由人類對其進行控制與使用。

現在測試很多藥物都要先經過動物實驗，但是一項最新研究說，用機器學習的方法來分析大資料，可以讓電腦在判斷一些藥物的毒性時，表現得比動物實驗還要好。

美國約翰霍普金斯大學（Johns Hopkins University）的研究人員近日在《毒理科學》（Toxicological Sciences）上報告說，他們設計了一套機器學習的程式，讓它學習了已有的關於化合物毒性的大資料，這些資料涉及1萬種化合物，建立在80萬次動物實驗的基礎上。

電腦在對這些海量資料進行分析後，總結出化合物中哪些分子結構可能對動物有哪些毒性，隨後給電腦一種新化合物，它就能判斷出這種化合物的毒性如何。

與需要消耗較長時間的動物實驗相比，讓電腦判斷化合物毒性不僅更快，並且在某些時候結果更好。因為在動物實驗中，不同動物因為個體差異所給出的反應不同，往往需要多批次動物實驗，才能得到較可靠的結果。研究人員在論文中說，電腦的判斷結果常常更好，其可靠性超過任何單次的動物實驗。

但是，這種用來預測藥物毒性的人工智慧也有缺陷，就是還只能分析一些簡單的毒性，比如化合物混在空氣中被吸入後立即產生的毒性等，而對於一些長時間和複雜的毒性反應，比如對於癌症和生殖系統的影響，這種電腦程式還無法替代動物實驗。

展望未來，研究人員認為隨著資料的不斷積累和人工智慧演算法的提高，用電腦軟體預測藥物可能引起的反應，而不是依靠動物實驗，是一種逐漸興起的趨勢。據介紹，美國國家衛生研究院（National Institutes of Health）和歐洲化學品管理局（European Chemicals Agency）等機構都在推動這方面的發展。

也許將來宇航員到了外星球，發現一種新物質後，用電腦軟體一分析，就能知道是穿腸毒藥還是靈丹妙藥呢。

藥物研發是一個非常耗時耗力的研發，一個公司用10年耗費15億也不一定能研發出來。

目前AI在藥物研發領域應用還處於起步階段，但是未來3-5年，會有很大的發展。

AI輔助藥物研發主要在藥物靶點發現，先導化合物的發現、特定作用的化學分子的合成等等。

AI藥物研發頭部公司Insilico Medicine，在2019年9月在國際頂級學術雜誌《Nature》子刊上發表了《深度學習能夠快速識別強效DDR1激酶抑制劑》，從最初的靶點確定，到完成苗頭化合物結構虛擬篩選，僅用時21天，到苗頭化合物的合成及初步體外實驗驗證，用時僅46天。讓整個研發時間縮短到5-10年的時間。

目前用AI成功為藥企開發出藥物分子還不多。

上面的文獻連結：

https://www.nature.com/articles/s41587-019-0224-x?fbclid=IwAR14t