打破成見 AI在醫藥研發領域頻顯身手

在藥物研發領域，AI正從無人問津的邊緣角落走向舞台的中央。最有名氣的藥物發現機器當屬IBM的Watson。但是，AI能夠最終成為醫藥研發的工具還面臨著諸多挑戰。首要的困難就是數據的可及性，另一個難點是費用問題。

(深度學習演算法開始「入圍」藥物研發領域)

在與世界圍棋冠軍的對弈中，人們驚嘆於阿爾法狗的收放自如，獨孤求敗;近日，由百度研發的無人駕駛汽車現身北京五環，引燃輿論……目前人工智慧(Artificial intelligence, AI)已越來越多地介入到我們生活的方方面面。同樣，在醫藥研發領域，AI也頻顯身手。

今年6月，武田製藥與Numerate達成協議，Numerate開發的AI將幫助武田製藥開發腫瘤、消化系統以及神經系統的藥物;同樣在上個月，馬薩諸塞州劍橋市的GNS醫療保健機構與羅氏子公司基因泰克達成協議，後者將藉助GNS的AI平台來深入研究影響目前腫瘤治療效果的因素;今年5月，賽諾菲與Exscientia達成2.8億美元的里程碑付款協議，Exscientia幫助賽諾菲設計治療糖尿病和心血管疾病的藥物。

長期以來，醫藥研發者對AI持懷疑態度，但最近AI與葯企頻頻聯手，正在打破這種成見。因為AI正直面醫藥研發的「痛處」——較高的臨床失敗率。

傳統的醫藥研發模式耗時耗力，且成功率不高。據統計，目前進入臨床I期的候選藥物最終成功上市的概率只有10%，研發失敗的藥物中，約50%是因為缺乏療效。缺乏療效的可能原因是選擇了錯誤的靶點，而AI或許有助於降低因缺乏療效而導致藥物研發失敗的風險。

在藥物研發領域，AI正從無人問津的邊緣角落走向舞台的中央。也許，最有名氣的藥物發現機器當屬IBM的Watson。2016年11月，IBM與輝瑞達成協議，幫助後者開發腫瘤免疫類藥物。Watson通過快速發掘、分析海量的文獻數據、實驗室數據、臨床報告等來發現藥物。目前，生物醫藥信息爆炸式增長，研究者需要一些能夠自主學習的機器，以應對海量數據。目前，已有一些AI介入醫藥研發的實踐，如表1所示。

表1 一些AI公司與醫藥公司合作研發的案例

在研究諸如無人駕駛汽車，自然語言處理的過程中，AI已經升級了複雜的多級人工神經網路(sophisticated multilevel artificial neural networks)，也叫深度學習演算法(Deep-learning algorithms)，如今這些方式可以運用到藥物研發中。Numerate就是這樣眾多AI公司中的一員，它試著將AI應用到藥物研發的每一個階段，從化合物靶點的虛擬篩選，到化合物結構的設計與優化，以及建立藥物吸收、分配、代謝、排泄和毒性的模型。Numerate與武田製藥合作，計劃為後者提供臨床候選藥物。

不光服務葯企，AI同樣在學術圈大顯身手。Atomwise——多倫多大學的分支機構，建立了AtomNet平台，它計劃篩選1000萬個化合物。今年，它免費為超過100所大學的藥物實驗室提供服務，根據各實驗室選定的靶點，Atomwise為各實驗室提供了72個潛力候選藥物。

但是，AI能夠最終成為醫藥研發的工具還面臨著諸多挑戰。首要的困難就是數據的可及性。大數據公司已經搜集了自1980年以來能夠共享的臨床數據，很多公司也都加入到化合物共享以及老葯新用的探索中。比如，葛蘭素史克正在向ATOM分享他們實驗數據、基因數據、藥理以及葯代數據。儘管如此，大型製藥企業的原始數據比較凌亂，需要進行有序的數字化整理。

AI在藥物研發中應用的另一個難點是費用問題。在諸如計算機視覺這樣的領域，研究者可以得到巨額的數據集，這是因為每個數據點的費用極小。但在製藥領域，每個數據點的花費相當昂貴，這就要求研究者必須開發出一套不依賴海量數據的演算法。加利福尼亞州斯坦福大學的研究者們正為此努力，他們開發出一種演算法，依靠少許數據，只需要幾次簡單的學習，計算機就能推測藥物的性能。

隨著計算機計算能力的不斷升級，深度學習演算法的不斷進步，AI看起來會對藥物研發產生深遠的影響。據估算，小分子藥物的數據量大約在1060，未來的藥物研發者們或許在做每個決定前，需要依據手頭有限的數據，建立n種新的模型，儘可能實現1060次檢索。

在AI領域，谷歌大腦(Google Brain)早已名聲在外，這是谷歌的深度學習工程。谷歌匯聚了全球頂尖的AI開發人才，目前正擴充生物科學團隊，他們最近完成了量子化學與深度學習技術的對接。據行業分析師預測，在不久的將來，谷歌將會設立由AI驅動的藥物研發公司。

大家都在討論AI在藥物研發領域的潛力，似乎前景光明。但事實上，多數葯企巨頭對AI還持觀望態度。因為到目前為止，生物信息學還沒有對藥物研發的成功率產生積極的影響。在醫藥研發領域，AI必須帶來成功的故事，只有如此，才能引領更多的葯企進入AI時代。