AI药物研发

节选自百度AI2018发布的《以人为本，人工智能助力医疗体系科学发展》白皮书

    新药研发成本极高、周期极长。业界一直流传着“双10”的说法，即新药的开发需要10年的时间和10亿美元的资金投入。然而，实际上所需的投资远不止于此，据美国塔弗茨药物开发研究中心最新研究，每种新药的研发需要28.7亿美元的投资10。而且药物研发的失败率很高，平均研制的5,000种药物中，只有5种能够进入动物实验阶段，而这其中又只有1种药物能够进入临床试验阶段。AI技术的发展可助力研发人员更高效的锁定解决方案，大大缩短研发周期，并降低总体成本。药物研发阶段，人工智能的主要应用包括靶点筛选、药物挖掘、药物优化三部分。在靶点筛选阶段，人工智能可以通过挖掘海量文献(包括论文、专利、临床试验结果)进行生物化学预测，进而发现新靶点，也可以通过交叉研究和匹配市面上已曝光的药物和人体上的1万多个靶点，以发现新的有效的结合点。相较于靶点发现，人工智能在药物挖掘方面的应用更为成熟，例如利用虚拟筛选技术，在计算机中模拟实体筛选过程，建立合理的药效团模型与化合物数据库进行匹配，通过分子模拟手段计算化合物库中的小分子与靶标结合的能力，提高筛选的速度和成功率，减少在构建大规模的化合物库、提取或培养靶酶或者靶细胞等方面的成本投入。在药物优化阶段，AI可通过对千万级的分子监控，预测它们的活性、毒性和不良反应等，完成候选化合物的挑选和开发，快速全面改进先导物的分子缺陷。在药物晶型预测方面，AI可以挖掘一个分子药物的所有可能晶型，具有巨大的专利价值。此外，计算机视觉通过分析化合物的细胞图像数据也在表型筛选中发挥作用。大型药企及药物研究机构以项目的方式与AI技术公司(如Atomwise、enevolentAI、晶泰科技)进行合作，加快药物研发进程。以英国初创公司BenevolentAI为例，该公司研发了JACS(Judgment Augmented Cognition System，增强判断认知系统)平台，集成了大量的科学论文、专利、临床试验信息化信息，协助药物研发人员在药物研发过程中确定正确的调制机制、筛选出最合适的靶点并预测患者的反应。BenevolentAI已与全球多家大型药企达成合作，如在2019年4月宣布与阿斯利康开始长期合作，将利用AI和机器学习数据来研发慢性肾病(CKD)和特发性肺纤维化(IPF)的新疗法。双方的研发人员把阿斯利康的基因组学、化学和临床数据与BenevolentAI的靶标发现平台相结合，通过机器学习系统地分析数据来识别关联关系，以了解这些复杂疾病的潜在机制，以便更快的确定药物靶点。辉瑞与晶泰科技、药明康德与Insilico Medicine也有在新药研发方面的合作。当前在药物发掘过程中AI应用面临的主要问题是高质量数据的缺乏，大部分数据来源于文献和实验，数据量不大且结构化难度高，将大大影响筛选的结果。此外，AI企业需要对药物设计逻辑和医药知识的理解也是制约其作用发挥的痛点。在近期应用方面，考虑到绝大多数国内药企在现阶段主要专注于仿制药的开发，如能有成熟的AI技术协助，找到与原研药相似的化学结构并优化设计，实现近似或更好的诊疗效果，则能够在加速国内药品上市的同时，帮助药企控制研发成本。

核心观点：AI将帮助药企缩短研发周期、降低研发成本、提高研发成功率。