人工智慧＋藥物發現，吸引了製藥公司的目光

人工智慧（artificial intelligence，AI）輔助藥物開發的典型例子是武田製藥與Numerate公司的合作，武田製藥將利用Numerate公司的AI組件來尋找腫瘤、胃腸疾病和中樞神經系統疾病的小分子藥物。羅氏製藥子公司基因泰克與GNS Healthcare公司也達成了一項協議，基因泰克將使用GNS Healthcare的AI平台，以更好地了解何種因素影響了腫瘤藥物的療效。2017年5月，Exscientia公司與賽諾菲公司簽訂了一項協議，其中包含了高達2.8億美元的分期付款。Exscientia將為賽諾菲提供化合物設計服務。這一趨勢表明，製藥行業對AI的長期懷疑態度正轉為真正的興趣，這可能是因為AI有望解決該行業的主要痛點：臨床失敗率較高。

製藥行業願意考慮AI的做法，反映了這樣一種現實，即藥物發現是費力、耗時的，而且不是特別有成效。在臨床成功率方面，持續20年的下降趨勢最近才有所改善。儘管如此，目前只有十分之一的藥物進入了1期臨床試驗。BenevolentAI子公司BenevolentBio的CEO Jackie Hunter說，「一半的失敗是由於缺乏療效，這說明，我們沒有選好正確的靶標。」

那些一直在觀望AI的公司現在也加入了進來。最著名的藥物發現機器學習模型也許是IBM的沃森。IBM於2016年12月與輝瑞公司簽署了一項協議，以幫助輝瑞公司發現腫瘤免疫藥物。IBM的沃森通過對大量的文本數據進行分類，提供快速的分析，從而發現藥物，並通過對大量實驗室數據、臨床報告和科學文獻進行分類來檢驗假設。BenevolentAI也採用了類似的方法來挖掘研究文獻和專有研究資料庫。

生物醫學數據的爆炸式增長推動了業界對AI的興趣。海量數據促使科學家們尋找能夠幫助他們駕馭大量信息的學習演算法。

許多對AI藥物研發的興奮之情已從其他領域外溢出來。機器視覺領域已產生了複雜的多層人工神經網路，被稱為深度學習演算法，可以用來模擬實驗數據和文本數據的生物處理過程。

耶魯大學的Mark Gerstein說，過去，人們沒有足夠的數據來正確地訓練深度學習演算法。現在，研究人員已經能夠建立大規模的資料庫，並利用這些演算法處理數據。

Numerate公司是越來越多的AI公司之一，這些公司利用這些海量數據，將其應用於藥物發現。Numerate的CEO Guido Lanza說，「我們把AI應用到化學設計上」。Numerate將通過虛擬化合物篩選、設計和優化化合物及對吸收、分布、代謝和排泄與毒性的建模，為武田製藥公司提供臨床試驗的候選藥物。

學術實驗室也在擁抱AI工具。2017年4月，Atomwise公司推出了「AI分子篩選獎勵計劃」，該計劃將向多達100所大學的研究實驗室免費提供72種潛在的治療性化合物。Atomwise是多倫多大學的衍生公司，其在2015年與默克公司結成聯盟。Atomwise將利用它的AtomNet平台來篩選1000萬個分子，為每個實驗室提供72種化合物，這些化合物針對的是實驗室選擇的特定靶標。

日本政府於2016年啟動了一個以日本「K」超級計算機為中心的研究聯盟，以提高數十家當地公司和機構的藥物發現效率。其中包括武田製藥、富士通、日本電氣公司、京都大學醫院及日本理化研究所Riken。

上海一家科技公司與耶魯大學的研究人員合作進行了一項研究，該研究使用了上海這家公司的深度學習演算法來識別血管生長的關鍵機制。這一結果可能有助於發現抑制腫瘤血管的藥物。

在美國，奧巴馬政府期間，製藥行業和學術界聯合起來，應用AI加速藥物發現，這是「癌症登月計劃」（Cancer Moonshot initiative）的一部分。在2016年1月啟動的加速醫學治療研發聯盟（Accelerating Therapeutics for Opportunities in Medicine，ATOM）中，葛蘭素史克公司、勞倫斯利物莫國家實驗室和美國國家癌症研究所展開了合作。其中的計算機部分包括深度學習和其他AI演算法，將在頭兩年內進行測試。葛蘭素史克公司的負責人Martha Head說，「在第三年，我們希望第一天從疾病假設開始，並在第365天推出一個候選藥物。」

大學研究實驗室的AI專業知識已催生了一批致力於加速藥物研發的AI初創公司和合作項目。Insilico Medicine公司公布了ALS.AI，這是一個致力於肌萎縮側索硬化症的個性化藥物發現和生物標記物開發平台。這家公司專門研究生成式對抗網路，這是一種深度學習演算法，使兩個神經網路互相對抗；一個網路（生成網路）試圖模模擬實樣本，並將其改善，直到第二個網路（判別網路）無法區分真實樣本和生成網路的輸出結果。該公司對一個轉錄組學和轉錄反應資料庫（其數據來自不同分子培養的人類細胞系）使用了該工具，以預測分子的治療特性。Insilico Medicine公司的CEO Alex Zhavoronkov說，「我們主要是觀察正常組織和受疾病影響的組織之間的基因表達變化，然後研究哪種分子可以逆轉這一特徵。」AI通過將演算法應用於表型和定性分析，還具有加速臨床前開發的潛力，這可能需要幾個星期，或者數月。

但是，作為一種藥物發現工具，人工智慧的繁榮需要數據集來進行培訓，而獲取數據仍然是一個主要的挑戰。大型製藥公司已擁有可追溯至20世紀80年代的大型臨床前數據集，這些數據可能會被共享，而且事實上，許多公司已開始進行不同的化合物共享和重利用計劃。例如，葛蘭素史克公司正在為ATOM提供實驗數據、基因數據、藥物代謝和藥物動力學數據。Head說：「我們帶來了一些已進入臨床試驗但因某些原因被終止的分子藥物數據，以及我們早期發現過程中的大量數據。」儘管如此，在許多情況下，大型製藥公司的數據並不是很有條理的，需要數字化才能發揮作用。

另一個挑戰是成本。在機器視覺等領域，研究人員可以構建大量的數據集，因為每個數據點的成本都非常小。在製藥公司內部，數據點是昂貴的，這凸顯了無需大量數據演算法的必要性。為此，斯坦福大學的研究人員已對一種計算機視覺演算法——一次性學習（one-shot learning）進行了調整，從而產生了基於非常小的數據就能對藥物特性做出預測的演算法。

Numerate的首席技術官Allgood說，深度學習和其他AI演算法的進步，以及硬體和軟體的加速，對藥物發現產生了重大影響。他說，從理論上講，小分子藥物所有化學結構（chemical space）數在1060左右。在做出決定之前，「你要把所有的數據都拿去，建立n個新模型，儘可能多地探索1060個分子結構。」

在AI的整個領域，谷歌的深度學習項目——谷歌大腦（Google Brain）引人注目，其已聘請了許多世界領先的AI研究人員。谷歌大腦一直在擴增其馬薩諸塞州的生物科學團隊，並將深度學習技術應用於量子化學。許多業內人士表示，如果谷歌的母公司Alphabet在不遠的將來成立一家以人工智慧為基礎的藥物研發公司，他們不會感到驚訝。

但在AI技術能主導生物製藥藥物發現之前，AI公司首先需要兌現他們的承諾。Zhavoronkov說，到目前為止，生物信息學並未對失敗率造成影響，這使得大型製藥公司對AI仍持謹慎態度。他說，「我不認為人們非常信任AI，但確實對其很感興趣。我們真的需要一個成功的故事，才能讓製藥公司真正介入。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！