當藥研遇上人工智能

AlphaGo繼去年橫掃韓國棋手李世石后，在網絡上化名為Master不斷尋找高手挑戰，經過深度學習，今年又狠狠地虐了柯潔一把。人工智能在圍棋對抗上被人們熟知，實際上在很多領域，人工智能已經發揮了非常關鍵的作用，從人臉識別到醫學影像分析，人工智能的表現已經趕上甚至超越了人類的表現。

在藥品研發方面，人工智能的表現可謂搶眼。它能改變過去藥品研發周期長、成本高的問題，已經被越來越多的藥企應用于新藥研發領域。這些藥企希望借此探索提高新藥研發效率、節省更多成本的路徑。痛點明顯

2016年11月，禮來（Eli Lilly）宣布其阿爾茨海默病治療藥物solanezumab在IⅡ期臨床試驗中失敗，讓許多人感到十分失望。就在當年的8月6日，輝瑞（Pfizer）及強生（JNJ）宣布，阿爾茨海默病藥物bapineuzumab IV在兩個Ⅲ期試驗中失敗，并退出臨床，對于數以百萬計的阿爾茨海默病患者來說，禮來的solanezumab是他們最后的希望。禮來在Solanezumab上的研發時間超過10年，投入超過10億美元。

世界范圍內與Solanezumab類似的案例幾乎每個星期都在上演，新藥的研發往往在長期巨額的投入之后面臨失敗的結局。

傳統的藥品研發，尤其是新藥研發是一個漫長而且充滿失敗可能的過程。要研發出針對某種特定疾病的藥品，通過不斷試驗、試錯，使這種候選藥物從實驗室研究到最終上市銷售，平均要花費12年的時間。數據顯示，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26億美元。

傳統的藥品研發并不像外界想象的那樣非常具有指向性。實際上，藥物發現的一個主要方式其實是：偶然發現。

藥物發現、生物標志物篩選等環節均是一個苦苦尋覓的過程，要在自然界中找到一種能治療某種特定疾病的物質。大多數情況下，科學家是無限擴大篩選對象以期邂逅目標分子，人們通常利用高通量篩選（HTS，指通過一次實驗獲得大量的信息，并從中找到有價值的信息）進行篩選，HTS成本十分昂貴，它由機器人自動完成，通過在同一時間進行數以百萬計的試驗，找出最有潛力達到目標的化合物，提高藥物發現的“命中”幾率。

在這個過程中，錯誤的嘗試耗費了太多的時間和金錢。由于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，然后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。

成本和效率是一方面，另一方面，患者的需求也在這漫長的等待中遲遲無法得到滿足，尤其是那些病程短、病情兇險，且突然暴發的流行性疾病，要求在短時間內研發出特效藥，幾乎是一項不可能完成的任務。

有著強大計算分析能力的人工智能正在改變這一現狀。

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。如今，人工智能將這一過程縮短至幾個月，并大幅降低研發成本。在歐美國家的燎原之勢

人工智能可應用于藥物開發的不同環節，包括新藥開發、藥物有效性/安全性預測、構建新型藥物分子、篩選生物標志物、研究新型組合療法等。

在新藥有效性、安全性預測上，Atomwise是一家很有代表性的、深度運用人工智能的初創公司。這家位于舊金山的創業公司和著名的孵化企業Y Combinator，建立了一個名為AtomNet（pdf）的核心技術平臺。利用深度卷積神經網絡（人工神經網絡的一種，已成為當前語音分析和圖像識別領域的研究熱點），通過自主分析大量的藥物靶點和小分子藥物的結構特征，AtomNet可以學習小分子藥物與靶點之間相互作用規律，并且根據學習到的規律預測小分子化合物的生物活性，從而加快藥物研發進程。

簡單而言，Atomwise用超級計算機分析已有數據庫，并用人工智能和復雜的算法來模擬藥品研發的過程，在研發早期評估新藥研發風險，讓藥物研究的成本降至數千美元，并且大大縮短評估時間，一般可以在幾天內完成。

早在2015年，Atomwise便宣布在尋找埃博拉病毒治療方案方面有一些進展：在一周內，Atomwise從已有的七千多種藥物中找到兩種或許能用來抗擊埃博拉病毒的藥物，而整個過程的成本不超過1000美元。而用傳統藥物研發的方法則可能需要耗費好幾年的時間。

據悉，在研發抗擊埃博拉病毒的新藥過程中，Atomwise準備了埃博拉病毒入侵生物細胞的“爪”的模型，然后利用類似人腦神經的深度卷積神經網絡進行藥物成分分析，檢測到目前已知的7000種可對抗這種“爪”的藥物，以此來篩選、組合。

如今Atomwise已經開始為制藥公司、創業公司和研究機構提供候選藥物預測服務，以預測哪些新藥品真的有效。在今年4月，Atomwise宣布推出其人工智能分子屏幕（AIMS）計劃。該計劃免費向具有藥物分子測試能力的美國或加拿大大學研究人員開放，今年9月將確定100位候選人，他們將從AtomNet平臺中獲益。平臺每天能篩選數百萬藥物前體分子。一旦篩選完成，候選人將收到72個可供測試的定制選擇分子。

事實上Atomwi se不是第一個試水的公司，英國的人工智能初創企業BenevolentAI也在進行類似的嘗試。與把重點放在新藥有效性、安全性預測上的Atomwi se不同，BenevolentAI的側重點在藥物挖掘上。這家公司將人工智能應用于醫學研究的龐大數據庫中，快速篩選和組織數據，它想要用人工智能顛覆整個藥物研發過程。通過對大量的生物科學信息（專利、基因組數據和所有生物醫學期刊和每天上傳1萬多份出版物的數據庫）的深度學習和分析，BenevolentAI集中處理全世界大量高度碎片化的信息，用以加速科學研究和發展。自2013年以來，BenevolentAI已經開發出24個候選藥物，且已經有藥物進入臨床試驗階段。

除了人工智能初創公司，許多藥企也在不斷深入人工智能領域，以此獲得先發優勢。美國的Berg Health生物醫藥公司通過研究生物數據研發新型藥物，其開發的InterrogativeBiology人工智能平臺對患者樣本進行高通量質譜分析，獲得患者的基因組、蛋白組、代謝組以及線粒體功能等多方面的信息。在這過程中，可以從一個患者樣本中獲得上兆個數據點，將這些數據與患者的臨床信息相結合，通過人工智能分析，詳細描繪出患者體內生物系統個體化狀態。根據這些信息，研究人員可以進一步發掘與疾病相關的生物標記物、檢測手段和治療方法。

生物標記物是可以標志系統、器官、組織、細胞以及亞細胞結構功能的改變或可能發生改變的生化指標，可用于疾病診斷、判斷疾病分期或者用來評價新藥或新療法在目標人群中的安全性及有效性。

我國的機遇

人工智能開發新藥的企業逐漸增多，除了歐美藥企，日本藥企也積極面對新科技。2016年日本武田藥品工業、富士膠片及鹽野義制藥等企業就計劃利用人工智能推進新藥開發。當時，包括富士通和NEC等IT企業在內，大約有50家企業參加該項目，計劃與日本理化學研究所和京都大學合作，開發研究新藥用的人工智能，以快速尋找能夠用于制作新藥的候選物質。

與上述國家相比，我國藥企在人工智能推進新藥開發方面障礙重重，亟待突破創新發展。我國是制藥大國，而新藥研究與開發的成就則代表制藥工業發展的水平，使用人工智能有利于提高開發效率，在激烈的全球新藥開發中提高競爭力。在高風險、高投入、高成本的壓力下，我國制藥企業必須借助人工智能大趨勢，提高藥物自主創新能力、研發能力，推動制藥大國走向制藥強國。相信隨著科研人員找到現有知識體系中的新模式，世界乃至我國也必將出現一波不可小覷的醫藥創新。