人工智能如何加速药物开发周期

药物可以治疗范围广泛的人类疾病，但大规模发现和制造药物是一个复杂的过程，需要制药公司耗费时间和金钱。根据塔夫茨药物开发中心的数据，2014 年的 25 亿美元估计值每年增长 8.5% 。更糟糕的是，德勤健康解决方案中心发布的《2019 年药物创新回报衡量十年报告》指出，投资回报率在短短十年内下降了十倍。

如果制药公司要保持竞争力，就需要降低成本和缩短上市时间。在 COVID-19 大流行之后，对速度的关注变得更加紧迫。人工智能正在提供一剂良药，在药物发现过程的早期阶段提高效率。

药物是如何被发现的

理想的药物必须满足许多标准。它不仅必须达到杀死目标毒素的预期效果，而且还必须在不产生令人担忧的副作用的情况下实现。理想的药物必须具有合适的大小和成分，才能附着在有毒细胞上并穿透细胞壁以输送药物。科学家还必须确保该药物一旦进入人体就不会转化为其他物质，并且其剂量不会因血液中的其他相互作用而增加或减少。

前四个阶段包括从数以百万计的潜在候选人中缩小理想候选人的范围。公司筛选数量惊人的分子——据估计有 300 万个——以缩小一些候选者的范围，然后对这些候选者进行评估以进一步选择和优化先导分子。整个过程可能需要五到六年的时间，但人工智能已经在这个时间轴上产生了令人印象深刻的凹痕，将它压缩至少十倍甚至更多。以下是取得的进展。

人工智能快速研究文学

即使在最好的时代，医学的进步也在快速发展，因此保持更新并在现有研究的基础上发展需要仔细挑选已发表的文献。COVID-19 大流行带来了大量的试验、研究和见解，必须研究其中的数千项才能弄清楚疫苗或药物治疗的效果。

科学家们首先会尽可能多地收集可用的文献，并将其公开，以便研究界的其他人可以利用集中式数据库高效地开展工作。在整理 COVID-19 研究的过程中，这一点很明显。谷歌的 Kaggle 是一个机器学习和数据科学知识库，它承载着相关的研究挑战，充当有关大流行的各种信息的交换所。拥有数十年研究经验的大型制药公司也维护着自己的数据库，可以重新利用这些数据库。在某些情况下，公司与医院等临床机构建立合作伙伴关系，在那里他们可以获得对个别患者使用药物的匿名结果，包括针对不同适应症使用多种药物。

要有效地搜索研究论文库，最基本的方法是“文本挖掘”，主题专家帮助定义相关术语，搜索引擎从研究中提取相关文本。这种方法有助于研究人员识别药物相互作用和观察结果，这些观察结果与类似药物或药物组合的试验有关，否则他们可能会错过这些。这有助于减少重复研究，加快搜索速度。

人工智能技术可以通过自动识别相似药物或相似患者特征中的模式来帮助改进文本挖掘。这些模式可以帮助提出或检验假设，例如：某种药物模型是否有效？或者是否有特定情况下会出现副作用或与其他药物相互作用？

人工智能了解哪些分子起作用

为了解哪种药物有效，科学家需要研究所考虑分子的结构——看看哪些分子会正确附着以及如何附着。分子是否会保持足够长的时间以使药物发挥作用？为数以百万计的分子评估这样的模型是一项乏味的工作——如果不是人类不可能的话。

人工智能通过快速匹配潜在分子与所需特性来提供帮助。它能够比人类更快地玩比较和丢弃游戏。

一种方法是利用现有的数据集，了解哪些分子传统上可以作为一组特定条件的候选者，哪些没有。通过筛选整个小分子库和潜在候选者的模式匹配三维结构，人工智能可以筛选化合物，只提供最有希望的化合物进行进一步分析。

使用 AI 进行大规模模式识别是可行的，特别是如果该领域的专家能够设置搜索参数。例如，研究人员可以考虑其他细胞条件和药物运输的化学机制。鉴于这些参数，AI 搜索引擎可以提供更细微的候选对象以供进一步探索。

随着 COVID-19 大流行，研究人员已经能够插入冠状病毒的先前迭代，最显着的是严重急性呼吸系统综合症 (SARS)，以查看他们是否可以将现有药物重新用作疫苗解决方案。例如，吉利德科学公司正在研究一种用于治疗埃博拉病毒的抗病毒药物，以了解哪些机制可能对治疗新型冠状病毒有用。

在某些情况下，可能不完全适合一种疾病的候选药物可能对另一种疾病有效。如果 AI 学习集包含所有所需药物的理想候选药物的信息，那么拒绝一个药物并不一定意味着该候选药物完全无效。它可以被标记为满足另一个标准。

人工智能帮助从头设计药物

人工智能在合成新药方面也很有价值。AI 无需筛选过去的候选分子，而是可以帮助从头开始对新分子进行建模——从头开始。如果我们知道最佳候选人必须符合一组特定的标准，就可以开发出可以即插即用这些条件的算法来构建一个假设模型。科学家可以使用这种模型从头开始研制新的疫苗或药物。

以新型冠状病毒为例，中国科学家解码了病毒的基因序列，并在公共数据库中分享了结果。加州生物技术公司 Inovio Pharmaceuticals 使用其专有的机器学习算法在短短几天内就获得了候选疫苗。该药物目前正处于临床前试验阶段。 

人工智能有助于识别副作用

作为药物摄入的每个小分子不仅与其设计的目标相互作用，而且与附近的其他蛋白质相互作用。在最好的情况下，这种不需要的交互是无害的。如果不是，则需要对它们进行分类、标记和学习，以供将来的分析周期使用。人工智能和机器学习特别擅长从失败的候选人身上学习，存储这些信息并标记哪些潜在候选人有可能遇到类似的麻烦。

破坏蛋白质的分子实际上是治疗某些癌症的方式，因此使用 AI 对候选人进行分类和筛选可以迅速将更多合格的线索排在首位。

结论

人工智能只是一种工具。具有该领域专业知识的人类研究人员必须以可以使用的方式配置此工具。为了让人工智能输出有价值的答案，该领域的专家需要提出正确的问题。同样，其输出仍必须由人类研究人员进行验证。然而，人工智能的智能计算能力提供了在早期阶段进行研究的更快、更有效的方法。当时间至关重要时，就像在 COVID-19 大流行中一样，它可以产生无价的改变。

Poornima Apte 是一名工程师转为作家，在机器人技术、人工智能、网络安全、智能技术和数字化转型方面拥有 B2B 专长。

审核编辑 黄宇