人工智能（AI）發(fā)展至今，已成為社會(huì)生活和生產(chǎn)中一種非常真實(shí)的力量。這種力量將會(huì)，甚至已經(jīng)，顛覆了世界上的幾乎所有行為。隨著機(jī)器人、智能手表、智能音箱、虛擬助理等科技產(chǎn)品的出現(xiàn)，人工智能技術(shù)的迅猛發(fā)展及其在醫(yī)療衛(wèi)生領(lǐng)域的深度應(yīng)用，將極大改變?cè)猩鐣?huì)的面貌。

目前，人工智能在醫(yī)療衛(wèi)生領(lǐng)域廣泛應(yīng)用正形成全球共識(shí)。可以說，人工智能以獨(dú)特的方式捍衛(wèi)著人類健康福祉。除了在診療手術(shù)、就醫(yī)管理、醫(yī)療保險(xiǎn)領(lǐng)域發(fā)揮作用，基于算法的人工智能近年來更是推動(dòng)著疾病與藥物研究的革新，并越來越體現(xiàn)其優(yōu)勢(shì)。

制藥業(yè)作為一個(gè)古老悠久又對(duì)人類至關(guān)重要的行業(yè)，人工智能何以成為制藥業(yè)未來趨勢(shì)？在人工智能制藥全面到來之前，制藥業(yè)還將面臨什么挑戰(zhàn)？

AI制藥，潛力無限

制藥業(yè)是危險(xiǎn)與迷人并存的行業(yè)。通常，一款藥物的研發(fā)可以分為藥物發(fā)現(xiàn)和臨床研究?jī)蓚€(gè)階段。

在藥物發(fā)現(xiàn)階段，需要科學(xué)家先建立疾病假說，發(fā)現(xiàn)靶點(diǎn)，設(shè)計(jì)化合物，再是展開臨床前研究。而傳統(tǒng)藥企在藥物研發(fā)過程中則必須進(jìn)行大量模擬測(cè)試，研發(fā)周期長(zhǎng)、成本高、成功率低。根據(jù)《自然》數(shù)據(jù)，一款新藥的研發(fā)成本大約是26億美元，耗時(shí)約10年，而成功率則不到十分之一。

其中，僅發(fā)現(xiàn)靶點(diǎn)、設(shè)計(jì)化合物環(huán)節(jié)，就障礙重重，包括苗頭化合物篩選、先導(dǎo)化合物優(yōu)化、候選化合物的確定、合成等，每一步都面臨較高的淘汰率。

對(duì)于發(fā)現(xiàn)靶點(diǎn)來說，需要通過不斷的實(shí)驗(yàn)篩選，從幾百個(gè)分子中尋找有治療效果的化學(xué)分子。此外，人類思維有一定趨同性，針對(duì)同一個(gè)靶點(diǎn)的新藥，有時(shí)難免結(jié)構(gòu)相近、甚至引發(fā)專利訴訟。最后，一種藥物，可能需要對(duì)成千上萬種化合物進(jìn)行篩選。即便這樣，也僅有幾種能順利進(jìn)入最后的研發(fā)環(huán)節(jié)。

然而，通過人工智能技術(shù)卻可以尋找疾病、基因和藥物之間的深層次聯(lián)系，以降低高昂的研發(fā)費(fèi)用和失敗率?；诩膊〈x數(shù)據(jù)、大規(guī)?；蚪M識(shí)別、蛋白組學(xué)、代謝組學(xué)，AI可以對(duì)候選化合物進(jìn)行虛擬高通量篩選，尋找藥物與疾病、疾病與基因的鏈接關(guān)系，提升藥物開發(fā)效率，提高藥物開發(fā)的成功率。

具體而言，科研人員可以使用人工智能的文本分析功能搜索并剖析海量文獻(xiàn)、專利和臨床結(jié)果，找出潛在的、被忽視的通路、蛋白、機(jī)制等與疾病的相關(guān)關(guān)系，進(jìn)一步提出新的可供測(cè)試的假說，從而找到新機(jī)制和新靶點(diǎn)。漸凍人癥（ALS）就是由特定基因引起的一類罕見病，而IBM Watson使用人工智能技術(shù)來檢測(cè)數(shù)萬個(gè)基因與ALS的關(guān)聯(lián)性，成功發(fā)現(xiàn)了5個(gè)與ALS相關(guān)的基因，推進(jìn)了人類對(duì)漸凍人癥的研究進(jìn)展（此前醫(yī)學(xué)已發(fā)現(xiàn)了3個(gè)與ALS相關(guān)基因）。

在候選化合物方面，人工智能可以進(jìn)行虛擬篩選，幫助科研人員高效找到活性較高的化合物，提高潛在藥物的篩選速度和成功率。比如，美國(guó)Atomwise公司使用深度卷積神經(jīng)網(wǎng)絡(luò)AtomNet來支持基于結(jié)構(gòu)的藥物設(shè)計(jì)輔助藥品研發(fā)，通過AI分析藥物數(shù)據(jù)庫模擬研發(fā)過程，預(yù)測(cè)潛在的候選藥物，評(píng)估新藥研發(fā)風(fēng)險(xiǎn)，預(yù)測(cè)藥物效果。制藥公司Astellas與NuMedii公司合作使用基于神經(jīng)網(wǎng)絡(luò)的算法尋找新的候選藥物、預(yù)測(cè)疾病的生物標(biāo)志物。

當(dāng)藥物研發(fā)經(jīng)歷藥物發(fā)現(xiàn)階段，成功進(jìn)入臨床研究階段時(shí)，則進(jìn)入了整個(gè)藥物批準(zhǔn)程序中最耗時(shí)且成本最高的階段。臨床試驗(yàn)分為多階段進(jìn)行，包括臨床I期（安全性），臨床II期（有效性），和臨床III期（大規(guī)模的安全性和有效性）的測(cè)試。

傳統(tǒng)的臨床試驗(yàn)中，招募患者成本很高，信息不對(duì)稱是需要解決的首要問題。CB Insights的一項(xiàng)調(diào)查顯示，臨床試驗(yàn)延后的最大原因來自人員招募環(huán)節(jié)，約有80%的試驗(yàn)無法按時(shí)找到理想的試藥志愿者。

臨床試驗(yàn)中的一大重要部分，在于嚴(yán)格遵守協(xié)議。簡(jiǎn)言之，如果志愿者未能遵守試驗(yàn)規(guī)則，那么必須將相關(guān)數(shù)據(jù)從集合當(dāng)中刪除。否則，一旦未能及時(shí)發(fā)現(xiàn)，這些包含錯(cuò)誤用藥背景的數(shù)據(jù)可能嚴(yán)重歪曲試驗(yàn)結(jié)果。此外，保證參與者在正確時(shí)間服用正確的藥物，對(duì)于維護(hù)結(jié)果的準(zhǔn)確性也同樣重要。

但這些難點(diǎn)卻可以在人工智能技術(shù)下被解決。比如，人工智能可以利用技術(shù)手段從患者醫(yī)療記錄中提取有效信息，并與正在進(jìn)行的臨床研究進(jìn)行匹配，從而很大程度上簡(jiǎn)化了招募過程。

對(duì)于實(shí)驗(yàn)的過程中存在的患者服藥依從性無法監(jiān)測(cè)等問題，人工智能技術(shù)可以實(shí)現(xiàn)對(duì)患者的持續(xù)性監(jiān)測(cè)，比如利用傳感器跟蹤藥物攝入情況、用圖像和面部識(shí)別跟蹤病人服藥依從性。蘋果公司就推出了開源框架ResearchKit和CareKit，不僅可以幫助臨床試驗(yàn)招募患者，還可以幫助研究人員利用應(yīng)用程序遠(yuǎn)程監(jiān)控患者的健康狀況、日常生活等。

AI制藥，時(shí)候未到

既然人工智能已經(jīng)展現(xiàn)出了在制藥業(yè)領(lǐng)域的優(yōu)勢(shì)和潛力，為什么人工智能制藥產(chǎn)業(yè)至今還未密集爆發(fā)？反而是人們對(duì)人工智能領(lǐng)域不斷取得的突破屢見不鮮。對(duì)于“人工智能算法因發(fā)現(xiàn)了一種強(qiáng)效的新抗生素”之類的頭版新聞并不再感到稀奇。

新冠肺炎疫情是對(duì)人工智能的一塊試金石，在協(xié)助診療和管理上，人工智能的表現(xiàn)可圈可點(diǎn)。

然而，對(duì)于制藥來說，盡管國(guó)內(nèi)有阿里云與全球健康藥物研發(fā)中心GHDDI合作開發(fā)人工智能藥物研發(fā)和大數(shù)據(jù)平臺(tái)，針對(duì)冠狀病毒的歷史藥物研發(fā)進(jìn)行數(shù)據(jù)挖掘與集成，國(guó)外有DeepMind使用其AlphaFold人工智能系統(tǒng)來預(yù)測(cè)和發(fā)布與新冠病毒相關(guān)的結(jié)構(gòu)。就像人工智能掌握了古老的中國(guó)棋盤游戲圍棋一樣，人工智能在制藥上顯示了巨大希望。然后呢，并沒有答案。

此外，盡管科技進(jìn)步顛覆了移動(dòng)通訊，個(gè)人電腦，互聯(lián)網(wǎng)和基因測(cè)序等等領(lǐng)域，開發(fā)新藥的成本卻在穩(wěn)步上升。人工智能制藥為這個(gè)領(lǐng)域吸引了更多投資和更多人才。但隨著炒作愈演愈烈，藥物開發(fā)成本卻一路走高。于是，一直以來，看起來很有希望的人工智能技術(shù)突破，卻并沒有帶來研發(fā)水平的顯著提高。

人工智能制藥似乎依舊不堪大用。究其根本，還在于當(dāng)今的人工智能存在的固有局限性。對(duì)于目前的人工智能來說，其主要還是通過在數(shù)據(jù)中尋找模式來學(xué)習(xí)的。通常，輸入的數(shù)據(jù)越多，人工智能就越智能。

總部位于舊金山的OpenAI發(fā)布的GPT-3算法，只需幾個(gè)詞的提示就可以寫出任何主題的連貫段落。值得一提的是，第一版GPT于2018年發(fā)布，包含1．17億個(gè)參數(shù)。2019年發(fā)布的GPT-2包含15億個(gè)參數(shù)。相比之下，GPT-3擁有1750億個(gè)參數(shù)，比其前身多100倍，比之前最大的同類NLP模型要多10倍。于是，該算法通過分析近5千億個(gè)單詞實(shí)現(xiàn)了智能。然而這些數(shù)據(jù)也限制了GPT-3。

要實(shí)現(xiàn)超自然的性能，一般來說，必須輸入模擬特定行為的高質(zhì)量數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行訓(xùn)練。這在圍棋等游戲中容易實(shí)現(xiàn)，每一步都有明確的參數(shù)，但在不太可預(yù)測(cè)的現(xiàn)實(shí)生活場(chǎng)景中則要困難得多。這也使得人工智能在應(yīng)用到現(xiàn)實(shí)場(chǎng)景的過程中，經(jīng)常會(huì)遇到困難。

疫情期間，在法國(guó)、美國(guó)等地，人工智能之所以也未能支持政府建立有效的接觸者追蹤系統(tǒng)的努力，很大一部分原因就是缺少必要的“原料”。在英國(guó)，由于缺乏系統(tǒng)的數(shù)據(jù)采集來追蹤和溯源新冠病例，短期內(nèi)幾乎不可能使用人工智能技術(shù)實(shí)施接觸者追蹤干預(yù)。

當(dāng)然，即便人工智能可以創(chuàng)造出人類急需的藥品，改善健康，治療疾病。但無論是生成強(qiáng)化學(xué)習(xí)等方法的結(jié)合，還是量子計(jì)算的迷人前景，都需要生物學(xué)、化學(xué)以及更多學(xué)科的支持。只有保證科學(xué)的供給，才能更好地產(chǎn)出科學(xué)。

生活水平提升引起的人口結(jié)構(gòu)變化和疫苗、抗生素等醫(yī)學(xué)技術(shù)的出現(xiàn)加快了人類疾病譜變遷的速度，慢性病取代傳染病成為人類主要的疾病負(fù)擔(dān)。目前的醫(yī)療衛(wèi)生體系是人類在對(duì)抗傳染病和急性病過程中形成的。醫(yī)學(xué)理念、臨床干預(yù)方式難以應(yīng)對(duì)慢性病的挑戰(zhàn)，逐漸表現(xiàn)出效率低下，醫(yī)療保健成本高速增長(zhǎng)等特征，日趨不堪重負(fù)。

人工智能技術(shù)的巨大突破，融合了深度學(xué)習(xí)算法、數(shù)據(jù)建模、大規(guī)模GPU并行化平臺(tái)等技術(shù)構(gòu)成的深度神經(jīng)網(wǎng)絡(luò)，能模擬人腦的工作機(jī)制。國(guó)家可以在提升早期檢測(cè)準(zhǔn)確度、加強(qiáng)診斷和風(fēng)險(xiǎn)控制、降低治療費(fèi)用、輔助病人自我健康管理、提升治療效果等方面給予醫(yī)療工作者充分支持。

在制藥行業(yè)從識(shí)別生物靶點(diǎn)，設(shè)計(jì)新分子，到提供個(gè)性化治療和預(yù)測(cè)臨床試驗(yàn)結(jié)果方面，人工智能制藥更是具有巨大潛力。目前，人工智能制藥或許依然會(huì)輸給傳統(tǒng)的生物學(xué)和化學(xué)，但這并不意味著它還沒有準(zhǔn)備好進(jìn)入黃金期。未來，隨著醫(yī)療大數(shù)據(jù)的形成與完善，患者檢查、診斷、治療全過程的數(shù)字化之后，AI就能通過自動(dòng)學(xué)習(xí)來研發(fā)藥物?？梢灶A(yù)見，不久的將來，隨著AI制藥黃金期的到來，也將給制藥這一歷史悠久且至關(guān)重要的行業(yè)帶來前所未有的變革。

責(zé)任編輯：xj