18個月發現5種新葯！這些AI不僅在拯救生命，還在拯救行業未來

藥物研發是一項漫長而艱難的工作。製藥公司每年在研發上花費超過1720億美元，而且一種新葯的研發往往要花費漫長的數年乃至十數年時間。

不僅如此，使用傳統技術發現的90%以上的分子在人體臨床試驗中都會失敗，而且75%的新批准藥物無法承擔開發成本。一些分析師甚至預測，到2020年藥品研發的投資回報率可能會降低為零。

不過，這種現狀有可能被人工智慧改變。利用AI進行藥物研發已經成為了一個頗有潛力的新興領域。

近日，愛爾蘭一家初創公司Nuritas預計，到2021年，他們將利用人工智慧技術發現五種新的醫療成分。總部位於都柏林的這家公司已經證明，它能夠勝任這項任務。

這家初創公司利用人工智慧發現了一種有助於治療炎症的成分，預計到2019年底，這種成分將用於運動營養產品。

第一種成分是在與德國化工巨頭巴斯夫的合作中發現的。用傳統方法發現一種新成分的標準時間是5到7年，而這對搭檔利用人工智慧只用了2年就發現了它。

Nuritas首席執行官埃米特?布朗(Emmet Browne)表示:「與通常情況下的特定領域相比，在市場上迅速推出某種產品是極具顛覆性的。」

雖然目前還不清楚下一個發現的藥物是什麼，但Nuritas預計在未來12-18個月內還會發現五種成分。該公司60%的成功率遠遠高於行業標準。

「實際上，我們所做的就是利用人工智慧來解開大自然的秘密。這就是它的深層意義。」Nuritas已從一系列知名投資者那裡籌集了4000萬英鎊，其中包括Salesforce創始人馬克?貝尼奧夫(Marc Benioff)、U2樂隊主唱波諾(Bono)和the Edge。

人工智慧如何發現新葯?

當前藥物研發過程的主要缺陷之一是需要大量的時間成本和前期投入。整個過程可能需要幾十年才能開花結果，而且在效率、安全、優化以及臨床前期和臨床期安全方面，與其他行業形成了鮮明對比。

目前，製藥業在每一種藥物上花費近10億美元。儘管大部分成本都來自優化過程、找到合適的分子、開發測定目標活性的方法，但要找到合適的化學物質卻需要數年時間。

接下來是在動物身上進行的藥物試驗，儘管已經在化學發現上投入了多年，但成功率仍只達到了1:10。這往往是製藥企業合併的原因，因為巨額投資帶來的回報機會很小。

目前關於藥物研發的研究是如此之多，每天都有近10,000篇論文被發表，光憑人力不可能將所有數據關聯、吸收和連接起來，從而產生一個有用的結果。但如果不這樣做，新葯的研發更是毫無頭緒。

人工智慧和機器學習使收集和分析數據成為可能。首先利用人工智慧提取「有用的信息」，然後經歷一個專家小組的嚴格審查。

例如，正在研究ALS的AI新葯研發公司BenevolentAI開發了一個「判斷相關係統」，可以從數百萬篇科學研究論文和摘要中審查數十億段和行的字句。該技術在數據和已知事實之間建立了直接的關係，因此未知的聯繫也被發現。

科學家和研究人員正在對這一假說的有效性進行判斷，並對其潛在的新葯機制進行測試。

除此之外，人工智慧還提供了對疾病的機理洞察，並提供了新的解決方法。它可以給出一個整體的新目標，如果在「複合意義上」使用，它允許我們在更大的化學調色板中選擇我們的目標分子。

人工智慧還可以在確定任何有關化合物的安全性和有效性的問題方面發揮重要作用，比目前所需的時間更少，從而節省用於治療嚴重疾病的時間和資源。它可以用來建立一種負擔得起、可持續和有效的新葯供應渠道。

AtomWise的研究人員還發布了一個名為AtomNet的系統，旨在簡化藥物發現的初始階段。它專註於觀察不同化學物質之間的相互作用，從而輕鬆地確定目標分子。

AtomNet減少了這一過程中的手工工作，並利用深度學習來預測分子行為。雖然它沒有發明一種新葯，但它通過預測分子的行為減少了時間消耗。它已經通過幫助研發對付埃博拉和多發性硬化的藥物證明了自己。

另一個例子是總部位於加州的two XAR，該公司正在將人工智慧應用到藥物發現機制中。它使用定製的計算平台來識別「藥物和疾病之間的相關性」。該平台沒有人為的偏見，並且通過小型和大型圖書館篩選，擴大資料庫和並提高更快找到新葯的機會。

人工智慧最廣為人知的應用之一(儘管相當間接)是在1999年科學家決定解碼我們的DNA時舉行的基因組計劃中。

它不僅為一些罕見的遺傳疾病和相關標誌物提供了線索，而且還為預防糖尿病、帕金森症、阿爾茨海默症等疾病提供了重要線索。如今，多靶點基因反應可以通過機器學習來處理，而初創企業Evisagenics的軟體技術通過剪接同位素量化與預測分析相結合，幫助發現新的藥物靶點和生物標誌物，對與疾病相關的基因進行優先排序，並提供一個有著良好證據支持的目標列表。

在藥物研發的每個環節，都有許多人工智慧初創公司已經進入。

這些環節包括聚合和綜合信息、了解疾病的機制、建立生物標誌物、生成數據和模型、修改現有藥物、產生新的候選藥物、驗證和優化候選藥物、設計藥物、臨床前實驗設計、進行臨床前實驗、設計臨床試驗、招募臨床試驗人員、優化臨床試驗、發布數據和分析真實世界的證據等。

比如Cambridge Cancer Genomics使用人工智慧，從血液樣本中的腫瘤DNA中預測癌症進展。CytoReason使用人工智慧整理組織和標準化與免疫相關的基因、蛋白質、細胞和微生物組數據，使之成為一個單一的、機器可讀的、細胞層次的免疫系統視圖，使研究人員獲得有關疾病機制、臨床標記、藥物發現和驗證的新見解。

Desktop Genetics使用AI確定影響CRISPR導向設計的生物變數。允許研究人員改善研究和減少實驗偏見。

BullFrog AI使用人工智慧預測哪些患者會對正在進行的治療產生反應。GNS Healthcare使用人工智慧將不同的生物醫學和醫療數據流轉換為代表個體患者的計算機模型，允許研究人員通過了解針對個別患者的最佳健康干預措施，大規模提供個性化藥物。

Aetion使用人工智慧分析醫療和藥品索賠數據，允許研究人員了解哪種治療方法在什麼時候對哪些病人最有效。

「AI 藥物研發」的市場現狀

據估計，一種新葯需要約1000人20年的努力以及高達16億美元的成本才能進入市場。這似乎是一項巨大的投資，往往會導致該領域的公司合併。

Deep Knowledge Ventures的研究表明，美國擁有人工智慧用於藥物開發的公司總數的59%，是競爭者中的「領導者」，而歐盟和亞洲目前至少似乎也已經踩在了起跑線上。

Deep Knowledge Ventures預計，亞太地區的投資將大幅增加，主要是外國公司(大多美國公司)，並且預計未來幾年我們將見證亞洲相關公司的大量增長——特別是太平洋和中國。

根據Deep Knowledge Ventures報告，AI藥物開發市場2015年的市場份額為2億美元，2018年市場達到7億美元，預計2024年價值超過50億美元。而另一些對2024年該行業估值的預測為100億美元甚至高達200億美元。

目前，大型製藥公司以及賽諾菲(Sanofi)、深基因組(Deep Genomics)、伯格健康(Berg Health)、雲製藥(Cloud Pharmaceuticals)、Kadmon Corporation、阿斯利康(Astra Zeneca)等初創企業已經在人工智慧藥物研發方面投入了數百萬美元。

來自BenevolentAI的Jackie Hunters教授表示:「目前的藥物開發過程既昂貴又太漫長。人工智慧提供了一種解決方案，可以將多年的工作縮短為幾個月，從而提高準確性和效率。」

這家總部位於人工智慧的生物製藥公司的首席執行官Radin補充說:「在我們存在的這幾年裡，我們已經被告知數百次，電腦無法做到這一點：生物學太複雜了，這是行不通的。在每一個疾病項目中，我們都對新人工智慧識別的候選對象進行了概念驗證研究，我們在標準端點上產生了有用的結果。」

AtomWise首席運營官亞歷山大?利維(Alexander Levy)進一步解釋道:「你可以在藥物和廣泛的生物系統之間進行互動，並將其分解成越來越小的互動群體。如果你研究了足夠多的這種分子的歷史例子，你就可以做出非常準確但又非常快的預測。」

人工智慧正越來越多地應用於醫療保健領域，這種變化很可能會改變我們的生活(甚至挽救生命。從外科機器人到可以進入人體的微型機器人，人工智慧已經確立了在醫療領域的影響力。

而在藥物研發領域，人工智慧將會帶來一個革命性的新時代。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！