人工智慧是藥物研發的未來？
雷鋒網按：開發新藥是是一項漫長而且低效率的工作。
資料顯示，所有進入臨床試驗階段的藥物，只有不到12%的藥品最終能夠上市銷售，而且一款新藥的平均研發成本高達26億美金。
藥物研發人員需要對各種不同的化合物以及化學物質進行測試，這個試驗過程中的錯誤嘗試耗費了太多的時間和金錢。由於需要測試的分子太多，研發人員不得不使用移液機器人一次測試幾千種變體，然後選擇最有效的變體進行動物模型或者細胞培養試驗，希望其中一些最終能夠進入人類臨床試驗階段。
由於不斷試錯的成本太高，越來越多的藥物開發廠商開始轉向電腦和人工智慧，希望利用這種技術來縮小潛在藥物分子的範圍，從而節省後續測試的時間和金錢。為了識別那些有很大潛力可以作為藥物靶標的蛋白質的編碼基因，這些廠商把希望寄託了演算法上。目前，一些新的演算法模型（包括近日發佈在《
Science Translational Medicine
》上）增加了新層次的複雜性，用來縮小相關蛋白質、藥物和臨床資料的範圍，以便更好地預測哪些基因最有可能讓蛋白質和藥物結合。
“許多原因都可能導致藥物研發失敗。”遺傳流行病學家Aroon Hingorani說，“然而，其中一個主要的原因是沒能針對疾病選擇正確的靶標。”一種藥物可能在細胞、組織、以及動物模型的早期實驗中顯示初步的前景，但是這些早期實驗往往過於簡單，很少使用到隨機盲法實驗進行對照。科學家們會使用這些結果來預測哪些蛋白質可以作為藥物標靶，但是由於這些研究往往規模很小而且時間較短，因此有很多因素會造成誤判。
然而，Hororani的小組並沒有依賴這些有局限性的試驗，他們建立了一個將基因資訊、蛋白質資料結構和已知藥物的作用過程相結合的預測模型。最終，他們獲得了將近4500種潛在藥物靶標，相比之前預測的可成藥人類基因組數量，翻了一倍。然後，兩名臨床醫生梳理出了具有正確形狀和化學物質的144種藥物，除了那些已經發現的可與之相結合的標靶蛋白外，這些藥物還可以與其他的蛋白質結合。由於這些藥物此前已經通過了安全測試，這意味它們可以很快被用於治療其他疾病。對於藥物開發商來說，時間就是金錢。
研究人員估計，大約15%~20%的新藥成本都耗費在探索階段。通常情況下，這意味著高達幾億美元的支出，以及3~6年的工作。如今，有人希望通過AI將這一過程縮短至幾個月，並大幅降低研發成本。
不過，目前市場上還沒有一款藥物是AI系統一開始挑選出來的，但是他們正在走上正軌。
Hingorani的合作者之一是BenevolentAI生物醫學資訊學副總裁。BenevolentAI是一家英國AI公司，最近剛剛與Janssen（強生旗下子公司）簽署了一項收購和開發臨床試驗候選藥物的協議。他們計畫在今年晚些時候開始IIb階段的試驗。（IIa階段會先入組少量受試者，確立合適的治療劑量；IIb則是在a的基礎上有效組擴大樣本量，明確劑量等有效性、安全性。）
此外，其他製藥企業也在紛紛跟進。據雷鋒網瞭解，上個月，日本眼藥巨頭Santen與位於Palo Alto的twoXAR公司簽訂了一份協定，Santen將利用twoXAR的AI技術來確定針對青光眼（glaucoma）的候選藥物。而幾個星期 之前，兩家歐洲公司——Pharnext和Galapagos也宣佈展開合作，開發AI系統模型用來尋找神經退行性疾病（neurodegenerative diseases）的新療法。
但是，長期從事藥物開發研究的Derek Loewe在《Science》的個人博客上撰文稱，他對於這種純粹的計算方法持懷疑態度。“從長遠來看，我並不覺得這個東西是不可能的。”他說，“但是如果有人告訴我，他們能預測所有這麼多化合物的活動，那麼我可能會認為這是在胡說八道。在相信之前，我想看到更多證據。”
像twoXAR這樣的公司就正在努力建立起這樣的證據。去年秋天，他們與斯坦福大學的Asian Liver Center（亞洲肝病中心）合作，為成年肝癌患者篩選了25000種候選藥物。他們利用自己開發的電腦軟體，結合遺傳、蛋白質組學、藥物和臨床資料篩選了出了10種可能的藥物。
Asian Liver Center的主任Samuel So對結果非常驚訝，因為其中幾種利用電腦軟體篩選出的藥物和實驗室研究人員的預測相同，所以他決定測試所有的10種候選藥物。其中最有希望的一種藥物，能夠殺死5種不同的肝癌細胞，並且沒有傷害到健康細胞，現在正準備進行人體試驗。
目前，唯一一款針對同一癌症的藥物花費了5年時間才獲得了FDA（美國食品藥品監督管理局）的批准，而twoXAR和斯坦福到現在為止才用了4個月。
令人興奮的是：對於失敗率如此高的行業，即使是很小的進步，也可能撬動數十億美元的市場，更不用說那些那些可能因此被拯救的生命。但是，除非通過AI系統發現的藥物真正上市銷售，否則這個行業的研發模式不會發生根本性的變革。
via.
Wired
，雷鋒網編譯