藥物可以治療范圍廣泛的人類疾病，但大規(guī)模發(fā)現(xiàn)和制造藥物是一個復(fù)雜的過程，需要制藥公司耗費時間和金錢。根據(jù)塔夫茨藥物開發(fā)中心的數(shù)據(jù)，2014 年的 25 億美元估計值每年增長 8.5% 。更糟糕的是，德勤健康解決方案中心發(fā)布的《2019 年藥物創(chuàng)新回報衡量十年報告》指出，投資回報率在短短十年內(nèi)下降了十倍。

如果制藥公司要保持競爭力，就需要降低成本和縮短上市時間。在 COVID-19 大流行之后，對速度的關(guān)注變得更加緊迫。人工智能正在提供一劑良藥，在藥物發(fā)現(xiàn)過程的早期階段提高效率。

藥物是如何被發(fā)現(xiàn)的

理想的藥物必須滿足許多標(biāo)準(zhǔn)。它不僅必須達(dá)到殺死目標(biāo)毒素的預(yù)期效果，而且還必須在不產(chǎn)生令人擔(dān)憂的副作用的情況下實現(xiàn)。理想的藥物必須具有合適的大小和成分，才能附著在有毒細(xì)胞上并穿透細(xì)胞壁以輸送藥物?？茖W(xué)家還必須確保該藥物一旦進(jìn)入人體就不會轉(zhuǎn)化為其他物質(zhì)，并且其劑量不會因血液中的其他相互作用而增加或減少。

前四個階段包括從數(shù)以百萬計的潛在候選人中縮小理想候選人的范圍。公司篩選數(shù)量驚人的分子——據(jù)估計有 300 萬個——以縮小一些候選者的范圍，然后對這些候選者進(jìn)行評估以進(jìn)一步選擇和優(yōu)化先導(dǎo)分子。整個過程可能需要五到六年的時間，但人工智能已經(jīng)在這個時間軸上產(chǎn)生了令人印象深刻的凹痕，將它壓縮至少十倍甚至更多。以下是取得的進(jìn)展。

人工智能快速研究文學(xué)

即使在最好的時代，醫(yī)學(xué)的進(jìn)步也在快速發(fā)展，因此保持更新并在現(xiàn)有研究的基礎(chǔ)上發(fā)展需要仔細(xì)挑選已發(fā)表的文獻(xiàn)。COVID-19 大流行帶來了大量的試驗、研究和見解，必須研究其中的數(shù)千項才能弄清楚疫苗或藥物治療的效果。

科學(xué)家們首先會盡可能多地收集可用的文獻(xiàn)，并將其公開，以便研究界的其他人可以利用集中式數(shù)據(jù)庫高效地開展工作。在整理 COVID-19 研究的過程中，這一點很明顯。谷歌的 Kaggle 是一個機器學(xué)習(xí)和數(shù)據(jù)科學(xué)知識庫，它承載著相關(guān)的研究挑戰(zhàn)，充當(dāng)有關(guān)大流行的各種信息的交換所。擁有數(shù)十年研究經(jīng)驗的大型制藥公司也維護(hù)著自己的數(shù)據(jù)庫，可以重新利用這些數(shù)據(jù)庫。在某些情況下，公司與醫(yī)院等臨床機構(gòu)建立合作伙伴關(guān)系，在那里他們可以獲得對個別患者使用藥物的匿名結(jié)果，包括針對不同適應(yīng)癥使用多種藥物。

要有效地搜索研究論文庫，最基本的方法是“文本挖掘”，主題專家?guī)椭x相關(guān)術(shù)語，搜索引擎從研究中提取相關(guān)文本。這種方法有助于研究人員識別藥物相互作用和觀察結(jié)果，這些觀察結(jié)果與類似藥物或藥物組合的試驗有關(guān)，否則他們可能會錯過這些。這有助于減少重復(fù)研究，加快搜索速度。

人工智能技術(shù)可以通過自動識別相似藥物或相似患者特征中的模式來幫助改進(jìn)文本挖掘。這些模式可以幫助提出或檢驗假設(shè)，例如：某種藥物模型是否有效？或者是否有特定情況下會出現(xiàn)副作用或與其他藥物相互作用？

人工智能了解哪些分子起作用

為了解哪種藥物有效，科學(xué)家需要研究所考慮分子的結(jié)構(gòu)——看看哪些分子會正確附著以及如何附著。分子是否會保持足夠長的時間以使藥物發(fā)揮作用？為數(shù)以百萬計的分子評估這樣的模型是一項乏味的工作——如果不是人類不可能的話。

人工智能通過快速匹配潛在分子與所需特性來提供幫助。它能夠比人類更快地玩比較和丟棄游戲。

一種方法是利用現(xiàn)有的數(shù)據(jù)集，了解哪些分子傳統(tǒng)上可以作為一組特定條件的候選者，哪些沒有。通過篩選整個小分子庫和潛在候選者的模式匹配三維結(jié)構(gòu)，人工智能可以篩選化合物，只提供最有希望的化合物進(jìn)行進(jìn)一步分析。

使用 AI 進(jìn)行大規(guī)模模式識別是可行的，特別是如果該領(lǐng)域的專家能夠設(shè)置搜索參數(shù)。例如，研究人員可以考慮其他細(xì)胞條件和藥物運輸?shù)幕瘜W(xué)機制。鑒于這些參數(shù)，AI 搜索引擎可以提供更細(xì)微的候選對象以供進(jìn)一步探索。

隨著 COVID-19 大流行，研究人員已經(jīng)能夠插入冠狀病毒的先前迭代，最顯著的是嚴(yán)重急性呼吸系統(tǒng)綜合癥 (SARS)，以查看他們是否可以將現(xiàn)有藥物重新用作疫苗解決方案。例如，吉利德科學(xué)公司正在研究一種用于治療埃博拉病毒的抗病毒藥物，以了解哪些機制可能對治療新型冠狀病毒有用。

在某些情況下，可能不完全適合一種疾病的候選藥物可能對另一種疾病有效。如果 AI 學(xué)習(xí)集包含所有所需藥物的理想候選藥物的信息，那么拒絕一個藥物并不一定意味著該候選藥物完全無效。它可以被標(biāo)記為滿足另一個標(biāo)準(zhǔn)。

人工智能幫助從頭設(shè)計藥物

人工智能在合成新藥方面也很有價值。AI 無需篩選過去的候選分子，而是可以幫助從頭開始對新分子進(jìn)行建?！獜念^開始。如果我們知道最佳候選人必須符合一組特定的標(biāo)準(zhǔn)，就可以開發(fā)出可以即插即用這些條件的算法來構(gòu)建一個假設(shè)模型?？茖W(xué)家可以使用這種模型從頭開始研制新的疫苗或藥物。

以新型冠狀病毒為例，中國科學(xué)家解碼了病毒的基因序列，并在公共數(shù)據(jù)庫中分享了結(jié)果。加州生物技術(shù)公司 Inovio Pharmaceuticals 使用其專有的機器學(xué)習(xí)算法在短短幾天內(nèi)就獲得了候選疫苗。該藥物目前正處于臨床前試驗階段。

人工智能有助于識別副作用

作為藥物攝入的每個小分子不僅與其設(shè)計的目標(biāo)相互作用，而且與附近的其他蛋白質(zhì)相互作用。在最好的情況下，這種不需要的交互是無害的。如果不是，則需要對它們進(jìn)行分類、標(biāo)記和學(xué)習(xí)，以供將來的分析周期使用。人工智能和機器學(xué)習(xí)特別擅長從失敗的候選人身上學(xué)習(xí)，存儲這些信息并標(biāo)記哪些潛在候選人有可能遇到類似的麻煩。

破壞蛋白質(zhì)的分子實際上是治療某些癌癥的方式，因此使用 AI 對候選人進(jìn)行分類和篩選可以迅速將更多合格的線索排在首位。

結(jié)論

人工智能只是一種工具。具有該領(lǐng)域?qū)I(yè)知識的人類研究人員必須以可以使用的方式配置此工具。為了讓人工智能輸出有價值的答案，該領(lǐng)域的專家需要提出正確的問題。同樣，其輸出仍必須由人類研究人員進(jìn)行驗證。然而，人工智能的智能計算能力提供了在早期階段進(jìn)行研究的更快、更有效的方法。當(dāng)時間至關(guān)重要時，就像在 COVID-19 大流行中一樣，它可以產(chǎn)生無價的改變。

Poornima Apte 是一名工程師轉(zhuǎn)為作家，在機器人技術(shù)、人工智能、網(wǎng)絡(luò)安全、智能技術(shù)和數(shù)字化轉(zhuǎn)型方面擁有 B2B 專長。

審核編輯黃宇