如何找到人工智能药？

导读：很多朋友问到关于如何找到人工智能药的相关问题，本文新媒号就来为大家做个详细解答，供大家参考，希望对大家有所帮助！一起来看看吧！

人工智能在药物研发中的应用（上）：AI与制药场景如何相互“适配”？

近年来，人工智能（AI）已经被广泛应用于多个行业，彻底改变了 社会 生活的许多领域。

在制药这一传统行业，AI也已经有了诸多应用。AI逐渐应用于药物发现的靶点发现，虚拟筛选，化合物设计与合成，ADME-T性质和理化性质预测，药物临床试验设计、管理、患者招募，药物警戒应用和真实世界证据生成等多个流程和环节。

那么，AI应用于制药的逻辑是什么？AI会如何改变药物研发？如何应对制药行业的效率挑战？本文分为上下篇，本篇重点介绍AI在制药行业多场景中展开及面临的挑战。

制药受困

从制药行业的困境说起。

在过去的数十年里，许多科学、技术和管理因素都取得了巨大进步，这有助于提高药物研发的生产率（RD）。然而，自1950年以来，每10亿美元研发投入获得批准的新药数量几乎每9年减少一半，该趋势在60年间非常稳定，被称为制药行业的反摩尔定律（Eroom’s Law）。新药的开发成本越来越高，药物研发面临着严重的生产力危机。

对于反摩尔定律主要有三种解释，即低垂果实假设（好摘的果子被摘走了）、监管障碍假设（新药申报的监管要求不断增高）、研发模式问题。前两种解释都是客观事实难以改变，那么，是否有更好的药物研发模式？这是制药行业一直在思考的问题。

制药行业在遭遇生产力困境的同时，也面临着数据困境。

随着全 社会 数字化信息化的快速推进、药物研发设备的升级和长期的积累，可用的药物研发数据越来越多，以至于在一定时间范围内无法使用常规方法和软件工具分析和处理所有数据。传统的统计学在浩瀚的大数据面前越来越力不从心。制药企业正在经历数字化转型，大量的数据产生。于是，日益增长的数据处理的需求，与现有数据分析能力之间的矛盾，推动制药行业寻求新出路。

AI的橄榄枝

2016年3月，AI程序AlphaGo大胜韩国著名棋手李世石，是AI发展 历史 上的里程碑事件。这一事件加快了AI在 社会 生活多个领域的 探索 和应用，也让制药行业看到了提高药物研发生产率的希望。2016年后，AI在制药行业的技术测试大量开展。实验科学不再是唯一选项，以数据为中心的药物发现逐渐走上舞台。

在随后的几年时间里，AI制药逐渐 \"升温\"，概念验证研究持续不断、大量的资本涌入AI驱动的生物技术初创公司、制药公司与AI生物技术公司和AI技术供应商之间的合作越来越多。一些领先的制药公司的高管认为，AI不仅仅是一个先导化合物发现的工具，而且是一个促进生物学研究、发现新的生物靶点和开发新的疾病模型的更通用的工具。

AI在制药的多场景中展开

数年间，AI已经被尝试应用于药物研发的几乎所有流程和环节，主要有以下方面：

/ / 靶点确认

靶点确认是药物开发中的关键步骤，也是最复杂的步骤之一。目前已知的药物靶点绝大多数为蛋白质，通过机器学习的方法，从蛋白质原始信息中提取特征，构建准确稳定的模型进行功能的推断、预测和分类，已经成为靶点研究的重要手段。从患者的样本中、海量的生物医学资料中提取基因组学、蛋白质组学、代谢组学等多组学数据，借助深度学习来分析非疾病和疾病状态之间的差异，也可用来发现对疾病有影响的蛋白质。

/ / 基于表型的药物发现

在过去的三十多年里，基于靶点的药物发现都是药物发现的主要方法。近年来，基于表型的药物发现（直接使用生物系统进行新药筛选）受到关注。机器学习可以在表型筛选中将细胞表型与化合物作用方式联系起来，获得靶点、信号通路或遗传疾病关联的聚类。而AI强大的图像处理能力，能够将生物系统的所有形态特征整合，系统研究药物潜在的作用方式和信号通路，扩展对于疾病的生物学认识。

/ / 分子生成

机器学习方法可以产生新的小分子。AI可以通过对海量的化合物或者药物分子的学习，获得化合物分子结构和成药性方面的规律，进而根据这些规律生成很多自然界从未存在过的化合物作为候选药物分子，有效构建拥有一定规模且高质量的分子库。

/ / 化学反应设计

AI目前正在取得进展的化学领域之一是对化学反应和合成路线进行建模和预测。AI可以将分子结构映射为可以由机器学习算法处理的形式，根据已知化合物的结构，形成多条合成路线，并推荐最佳合成路线。反过来，在给定反应物的情况下，深度学习、迁移学习可以预测化学反应结果。AI还可用来 探索 新的化学反应。

/ / 化合物筛选

AI能够对化合物的化学结构与生物活性之间的关系进行建模，预测化合物的作用机制。一个典型的例子是MIT的研究人员基于深度学习发现了新的抗生素。研究人员训练了一个能够预测具有抗菌活性的分子的深层神经网络，在几天内筛选超过 1 亿个化合物，根据模型的预测分数对化合物进行排名，最终确定了8种与已知抗生素在结构上差别较大的抗生素。

/ / ADMET性质预测

药代动力学性质不够理想，是临床研究阶段药物研发失败的主要原因之一。深度学习可以自动识别化合物的相关特征，评估数据集中多个ADMET参数之间的隐藏的关系和趋势，预测化合物的细胞渗透性和溶解性等性质。

/ / 药物临床试验

新药开发中资金投入最多的阶段是临床试验阶段，AI在临床试验的设计、管理、患者招募方面皆有应用潜力。自然语言处理技术可从各种结构化和非结构化数据类型中提取信息，找到符合临床试验入组标准的受试者；也可用于关联各种大型数据集，找到变量之间的潜在关系，改进患者与试验的匹配情况。诺华已使用机器学习算法监控和管理所有的临床试验。

/ / 药物警戒

AI将对传统的药物警戒带来冲击。随着监管要求的严格和患者安全意识的提高，药物警戒的工作量和成本大大增加。AI可以将药物不良反应从接收到报告的整个流程实现自动化，优化药物警戒的工作并降低成本。基于AI系统还有可能通过预测能力展开药物风险评估。

/ / 真实世界研究

AI的进步提供了分析大型多维RWD（真实世界数据）的新策略。AI能够识别真实世界数据中的内在关联，生成新的假设，也能为临床试验提供新的信息。最新的一个案例是，AI通过分析真实世界数据，可以找出不会影响试验的总生存期的风险比的入组标准，从而扩大临床试验的人群范围。

AI在药物研发中的应用还包括 理化性质预测、药物重定向、制剂开发中的应用 等。

问题显现

AI在药物研发中的应用远非一帆风顺，归结起来，是AI如何与制药场景相互“适配”的问题。

对制药行业来说，走AI的路，就要穿AI的鞋。AI方法对于其适用对象的相关条件有诸多要求。如同传统药物研发需要配备必要的硬件设备和必要的环境设施（如科学仪器设备、实验室等），基于AI的药物研发需要配备数据、算法、算力，其中对数据的要求最为严格。

传统的药物研发以实验科学为主。数十年来，药物研发数据的记录、治理和储存都以实验为核心，根据实验的需求来调整，数据是实验的“附属”。而AI作为虚拟科学、计算科学和数据科学范畴内的方法，直接从数据入手，将数据放在第一位，对于数据的格式、标准、质量、数量都有内在的要求。在这样的情况下，AI直接使用传统药物研发模式的数据往往遇到困难。

对AI来说，进入制药的主场，就应当遵循制药的规律。比如，药物的开发是一个多维同步优化的过程，鉴于数据的规模和复杂性，基于AI的药物研发往往需要重写机器学习算法，而不是简单地调用。AI与制药这一传统行业的核心业务深度融合，需更深刻的行业理解力和更高的技术准确率。AI虽然已经可以从大量已知论文、实验数据中挖掘新的知识，改变了传统基于学术经验的研究方式，然而方法的准确性、可解释性、可重复性等还有待提高。

此外，传统的药物研发模式已有相对健全的监管政策、行业体系。作为一种新的模式，AI在制药行业的应用 探索 ，也需要相应的行业政策和体系来规范和引导。

文 智药邦 侯小龙

来源 中国食品药品网

谷歌成立人工智能药物公司，将AI应用于药物开发

财经 网 科技 11月7日讯，据新浪 科技 消息，11月4日，谷歌母公司Alphabet宣布在英国成立了一家名为Isomorphic Labs的人工智能药物公司。 该公司表示，将在伦敦人工智能实验室DeepMind成功预测蛋白结构的研究基础上发展，旨在将智能AI的深度学习方法应用于药物发现，并最终为人类面临的一些最具破坏性的疾病找到治疗方法。

DeepMind的负责人Demis Hassabis在一份文件中表示，他同时将成为Isomorphic Labs的首席执行官，两家公司可被视为姊妹公司，但仍会保持相对独立的运作。

将AI应用于药物开发是当下医疗行业的热点前沿领域。Demis Hassabis在接受Stat News采访时称，Isomorphic Labs接下来将进一步尝试建立能够预测药物如何与身体产生相互作用的模型。

2020年11月，DeepMind曾成功通过其深度学习模型，精确地基于氨基酸序列，预测了蛋白质的3D结构。其准确性可以与使用冷冻电子显微镜、核磁共振或X射线晶体学等实验技术解析的3D结构相媲美。

新药研发有了AI“参谋”！中关村AI新药研发平台落成

12月19日，由中关村生命科学园与角井（北京）生物技术有限公司共同发起建设的中关村AI新药研发平台在北京中关村生命科学园举办落成典礼。该平台于2020年12月正式开始筹建，将利用人工智能技术帮助制药企业快速进行药物靶点发现和筛选、药物作用机制 探索 、特异性抗体优化等工作，成为生物医药企业新药研发的AI“参谋”，为药物研发处理海量医疗数据。

“ 历史 上，生物医药的研发经历过几次重大的范式变革。”角井生物创始人周一鸣博士介绍，最早人类利用天然产物对抗疾病，这一阶段我们的中医中药达到了很高的成就，典型代表如青蒿素，挽救了无数人的生命；第二个时代是化学合成时代，针对天然活性分子进行筛选和改构，抗生素的研发是该阶段最经典的成就；第三个时代是生物制药时代，针对特定生物效应靶点进行药物的筛选和设计，典型代表如靶向药物的研发。

最近十几年来，随着多种高通量检测技术的突破，基因组、转录组、蛋白组等数据量呈现指数级增长，已经远超传统统计方法的分析能力，同时，近年来人工智能技术也有了突飞猛进的发展。“采用人工智能技术，有能力基于更强大的算法和算力来处理海量医疗数据，因此我们认为创新药物的研发已经进入了以数据和计算为基础的智能开发时代，为人类带来全新的药物和疾病治疗方案。”周一鸣说。

中关村AI新药研发平台正是抓住此次 历史 性变革的契机，建立了包含高性能计算中心、高通量自动化设备、药物验证实验室等功能模块的一体化研发平台，能够实现从数据生成到算法训练，再到实验验证的药物发现全流程工作。同时，平台也与多家国家级医疗数据中心、知名三甲医院和高校展开合作，共同进行基于海量医疗数据的药物开发。

作为平台的运营方，角井生物组建了一支经验丰富的专业团队，团队由国际统计界最高奖“考普斯奖”获得者、美国哈佛大学统计系教授刘军和原“863”生物医学大数据首席科学家周一鸣领衔，并包含国际知名AI算法科学家、数据科学家、抗体研发专家、资深商务负责人等，将为新药研发企业提供优质技术、产品和服务，助力更多创新药诞生。

对于平台的落户，中关村生命科学园总经理王文礼表示，这将进一步丰富生命科学园的产业要素，提升自主创新能力。目前，园区已经成为国内一流的生命科学研发和产业聚集区，形成以基础研究为核心，研发中试、生产流通、临床应用的完整产业链。在基础研究方面，北京生命科学研究所、北京脑科学与类脑研究中心、国家蛋白质工程中心、生物芯片北京国家工程中心等一批国际知名的科研机构已陆续落地。在研发中试方面，保诺 科技 、康龙化成等为生物制药项目提供一体化药物研发、中试生产服务，聚集了百济神州、诺诚健华等国内外知名创新药企。在临床应用方面，布局了北京大学国际医院、北京大学第六医院等超过3000个床位的医疗资源。

AI赋能乙肝创新药研发：中以海德或重新定义“药物发现”

新年伊始，我国乙肝创新药研发领域便传来好消息，中以海德人工智能药物研发股份有限公司（下称“中以海德”）近日宣布其旗下的四款乙肝项目创新药物已完成药物生物学验证，并将携手北京清华长庚医院副院长魏来教授团队、泰格医药围绕上述四种药物的临床研究启动真实世界研究。

值得注意的是，与传统制药公司在这一阶段的研发速度相比，这四款乙肝项目创新药物从开始筛选到进入临床研究，仅用了90天时间，快了30倍左右。

在“AI+新药研发”模式逐步被业内重视的当下，中以海德的实践给业内创新药物研发带来新的启发，或将重新定义“药物发现”。

中以海德致力于打造全球首个人工智能新药研发孵化平台，由美国科学家、斯坦福大学结构生物学教授、2006年诺贝尔化学奖得主Roger Kornberg，万科集团董事会名誉主席王石以及国内知名大 健康 领域投资机构东方高圣创始人陈明键于2019年底发起创立，首期目标致力于功能性治愈乙肝的创新药研发。

中以海德创始人陈明键

中以海德创始人陈明键表示，中以海德有三大革命性工作：一是将以色列科学家的最强大脑和中国科学家的勤奋结合起来，通过全球基层创新模式来做最根部的努力；二是药效验证革命，与传统临床研究相比，有些步骤能否同时进行，机制能否改变；三是在医药研发领域的人工智能革命，依托人工智能快速找到有效的药。

从“拿来主义”到“从0到1”

带量采购导致仿制药时代的落寞和创新药时代的到来，加上国内新药研发基础薄弱，导致“拿来主义”盛行，由国外直接引进创新药品的授权交易模式成为国内药企的主流模式。

但中以海德却致力于最基本、最前沿的“从0到1”的新药研发，希望集合犹太科学家的最强大脑，“移植”以色列“从0到1”的创新基因，并与国内科学家的勤奋和丰富的落地实践相结合，从根基性研发起步。所有研究成果均为自主知识产权。

据了解，中以海德在成立初期便在以色列建立了实验室，并由以色列海法理工学院教授Avraham Schroeder担任CEO。

在王石看来，之所以一开始就将实验室（孵化器）设在以色列而不是按一般习惯设置在中国，主要是出于对创新氛围和源动力的考虑。“截止目前，在中国创建的中以创业园有138个，而且数字还在增加，但坦率讲，这种希望以色列专家过来，中国出一切钱、物质、设备的逻辑不对。创新是犹太人的生存之本，但如果脱离了他们的宗教、社区、文化而来中国创新是非常难的。”

中以海德董事、万科集团董事会名誉主席王石

王石认为，真正建立孵化器最重要的不是获取技术，而是交流观念、思想，“但也不是说去了就能怎么样，最重要的是融入并建立信任关系，应该说中以海德搭建的中以科学家交流平台在这方面率先走了一步。”

陈明键介绍，当前中以海德业务布局包括三个方面：一是老药新用，通过对现有几千种药物的筛选，进一步挖掘新的对乙肝有特殊疗效的药物，前期的实验已经筛选出了4个药物，即前述进入真实世界研究的四款乙肝项目创新药物；二是真正发现新分子，当前已经从21亿个小分子里面筛出86个化合物，并已进入实验阶段；三是正在积极研发几款中药，后续将直接进行商业化。

中以海德之所以把功能性治疗乙肝作为第一个目标，是因为中国是乙肝大国，全世界大约1/3的乙肝携带者都在中国。柳叶刀一篇题为《乙肝在中国》的文章写到，中国生活着1.2亿乙肝病毒携带者。在全球肝硬化和肝癌患者中，由乙肝引起的约占30%至45%，中国的这两个比例更是高达60%和80%。但乙肝在国外却是罕见病，也不是医药研发的重点，因此对于乙肝目前尚无能够将其完全功能性治愈的药物。

AI 赋能，提效降本

多位业内人士普遍认为，中国生物医药产业一直处于上升态势，且未来有可能成为世界第一大市场，但最大的问题是成本。与摩尔定律（一种随着时间推移、技术进步，相同技术所花费的成本逐渐下降的理论）相反，医药研发领域成本是上升的，基本上每十年做药成本翻一番，现在研发一款药平均要花费26亿美金。第二个大的问题I是耗时很长，临床试验前需要4到7年，临床需要5到8年。

正是在这样的背景下，AI技术开始备受业内关注。中以海德首席科学家李瑛颖博士介绍，中以海德针对乙肝人群进行了全方位组学数据收集，并与真实世界临床数据相结合分析整理研究，从病理筛选到药物筛选、药物孵化全环节以AI技术赋能。先以Hi-C三维基因检测技术为基础，利用人工智能对疾病的病理数据进行高质量的采集及分析，形成10万人数量级乙肝数据库，通过大人群的基因组数据揭示病毒性肝炎易感基因机制，再基于测定数据和化合物分子数据建立生物过程模型，对研发药物中各种不同种类的化合物功能以及化合物相关性质进行分析和预测，最后通过 AI 筛选将 探索 过程缩短至几个月，在检测及筛选上保证精准性，并在药物孵化多环节提升效率、节约成本，实现药物研发的精准高效之路。

“传统研发是从一个靶点来做，但一开始靶点选错了的话，往后所有的一切都是无用的，AI算法可以跳过单一靶点这一不确定性，直接从药物和药效上建立连接关系，关键点就不仅仅在于一个靶点，还会看生物信息学、基因、病人检测数据，这样其实是给它的不确定性增加了很多确定的因素，准确率会更高一点，不仅节省时间且成本更低。”李瑛颖说。

值得注意的是，医药带量采购的不断深化，与很多生物医药创新药企要求的回报产生了比较大的冲突，如今年PD-1医保价格将降到一万美元以下，很多单抗药物可能降到500到1000元区间。

在预期被打破的情况下，创新还搞不搞？

陈明键认为，未来十年医药行业的繁荣来自于商业保险，尤其是创新药的繁荣肯定来自于商业保险，所以对创新药来说，要想拿回创新的红利，可能要把眼睛盯在商保上。

王石近年来致力于推动中国和以色列在各个层面的往来，中以海德项目就是一大成果，“中以交流本身是我感兴趣的，利用AI技术研发新药也非常值得期待，我觉得这种 探索 是非常值得的。”王石说。

中以海德在医药研发领域的三大革命性工作当前备受 社会 各界关注。据悉，在1月28日由经济观察报主办的“前瞻2060:可持续发展在中国”高峰论坛上，中以海德荣获了“践行可持续发展‘0到1’创新企业”荣誉,这是对中以海德在创新层面上所作出努力的认可与鼓励。

张力/文

结语：以上就是新媒号为大家整理的关于如何找到人工智能药的全部内容了，感谢您花时间阅读本站内容，希望对您有所帮助，更多关于如何找到人工智能药的相关内容别忘了在本站进行查找喔。

以上内容为新媒号(sinv.com.cn)为大家提供！新媒号，坚持更新大家所需的百科知识。希望您喜欢！