過去的幾十年中，人工智能(AI)已經(jīng)從科幻小說中的故事變成了一種非常真實的力量。這種力量可能，甚至已經(jīng)顛覆了地球上的幾乎所有行為。AI可以幫助我們?yōu)槠?，飛機和太空飛船導航，在網(wǎng)飛(Netflix)上推薦電影，并促進了其他大大小小、數(shù)以百計的變化。
那么，盡管可以隨意使用計算機和諸如AI之類的工具，為什么制藥業(yè)這樣一個生死攸關(guān)的行業(yè)，卻幾乎沒有受到任何影響?
專家們認為，制藥行業(yè)現(xiàn)在仍然是效率最低的行業(yè)之一，可以說是對科技進步最后的抵抗。理由是，盡管其他行業(yè)正在變得更高產(chǎn)高效，專家發(fā)現(xiàn)制藥業(yè)的效率自1950年代以來就在持續(xù)下降。
舉個例子，現(xiàn)在將一種新藥，或者說一種新分子實體(NME)推向市場，成本超過26億美元。這些成本，以及許多失敗的藥物開發(fā)成本，最終都會直接轉(zhuǎn)嫁給你我——患者，消費者和納稅人。
這篇文章既不是對AI不切實際的炒作，也不是同樣不切實際的懷疑，而是討論了傳統(tǒng)制藥行業(yè)面臨的挑戰(zhàn)。如今AI在藥物發(fā)現(xiàn)過程中的應(yīng)用，以及最后，新的科技和流程是否有潛力革新制藥行業(yè)。
一場豪賭：傳統(tǒng)藥物發(fā)現(xiàn)
為了理解AI在小分子藥物發(fā)現(xiàn)領(lǐng)域的潛能和局限，首先要了解制藥公司一直以來是怎樣進行藥物發(fā)現(xiàn)的。
如前面所說，制藥業(yè)是地球上風險最高的行業(yè)。小分子藥物發(fā)現(xiàn)可以分成以下幾步：科學家先建立疾病假說，發(fā)現(xiàn)靶點，設(shè)計化合物，再展開臨床前研究。這些平均需要五年時間，可能要花費數(shù)億美元。臨床開發(fā)過程可能再需要五年，以及另外幾億美元的投入。在這個過程中，藥物需要經(jīng)過臨床I期(安全性)，臨床II期(有效性)，和臨床III期(大規(guī)模的安全性和有效性)的測試。
藥物發(fā)現(xiàn)和開發(fā)階段
因此，藥物發(fā)現(xiàn)更像是一個分子的賭場。在這場輪盤賭中，有超過2000種可能開發(fā)成藥物的靶點，數(shù)千種疾病，而每位患者在某種程度上都是獨一無二的。為特定的患者亞人群選出正確的靶點極其復(fù)雜，因此每種選擇的賠率極高。這就是為什么輪盤賭很少能帶來豐厚的回報，而玩家必須習慣失敗。
盡管在制藥行業(yè)這場輪盤賭中下注的都是全世界最聰明的人，他們?nèi)匀?9%的時間都在輸。每次賭博都至少8年之后才能揭開勝負，在前4年中你可以更改賭注，而在之后4年，臨床試驗開始了，你只能選擇放棄之前的投資以減少損失，或者追加賭注來進行更多的試驗。而通常在前4年中下注的，和在臨床試驗中放棄或加注的并不是同一個人。
AI的作用：輔助，希望還是炒作?
面對這些荒唐的賠率和如今數(shù)據(jù)密集的環(huán)境，你也許會以為既然制藥公司希望以更大的幾率開發(fā)出可以上市的藥品，AI是一個完美的選擇。然而，盡管科技進步顛覆了移動通訊，個人電腦，互聯(lián)網(wǎng)和基因測序等等領(lǐng)域，開發(fā)新藥的成本卻在穩(wěn)步上升。
實際上，“AI可以降低賠率”對制藥行業(yè)來說是一個喜憂參半的說法。一方面，它為這個領(lǐng)域吸引了更多投資和更多人才。但是，隨著炒作愈演愈烈，藥物開發(fā)成本卻一路走高。因此這種說法引起了越來越多的懷疑。制藥業(yè)的資深人士曾見證過看起來很有希望的技術(shù)突破卻并沒有帶來研發(fā)水平的顯著提高。因此，他們寧愿在現(xiàn)有藥物發(fā)現(xiàn)過程的整個流程中逐步提升內(nèi)部能力，而不是在某一種新技術(shù)上下重注。
AI到底是希望還是炒作的爭論一直在繼續(xù)。事實上，從作者開始從事AI藥物發(fā)現(xiàn)以來，新的文章或者分析報告每天都會出現(xiàn)，不斷地討論AI的前景。一方面，AI專家們宣稱革命即將到來，而另一方面，對AI存疑的藥物研發(fā)專家們則把科技的新進展通通降格為炒作。
這也是為什么大多數(shù)行業(yè)專家對AI的前景持懷疑態(tài)度，包括深度學習。
用深度學習“洗白”AI
有很多證據(jù)可以表明，“AI可能拯救制藥行業(yè)”不僅僅是一句炒作。作者尤其看好一種深度學習模型——生成對抗網(wǎng)絡(luò)(GAN)。
雖然有些想法可以追溯到1990年代，生成對抗網(wǎng)絡(luò)的第一篇論文2014年才由Ian Goodfellow發(fā)表，他也因此被稱為“GAN之父“?？梢钥闯觯珿AN還是一個比較新的概念。顧名思義，GAN可以被想成兩個深層對抗網(wǎng)絡(luò)之間的競爭。生成器(generator)會根據(jù)需要的條件來創(chuàng)建新的數(shù)據(jù)，而判別器(discriminator)會測試生成器的輸出是否是為真。這項技術(shù)一問世就推動了一些有趣的研究。2016年，一些團隊使用GAN根據(jù)自然語言生成了真實的圖像。比如，如果給出一些描述：”這只小鳥的胸和冠是粉色的，主翼羽和副翼羽是黑色的“，那么GAN就會生成，或者說“想象”出大量具有這些性質(zhì)的鳥類圖像。
與此同時，作者在Insilico的團隊開始研究GAN是否可以用于發(fā)現(xiàn)新型化學結(jié)構(gòu)或分子，以實現(xiàn)在制藥行業(yè)中應(yīng)用。從鳥類圖像和換臉APP到超高精度的新分子設(shè)計，聽起來也許不太合邏輯，但作者和他的團隊在2016年發(fā)表的一些早期論文相當成功。從那時起，他們發(fā)布了大量的生成方法，并開始嘗試將它們與深度強化學習相結(jié)合。但盡管在多個會議上發(fā)表了數(shù)十篇論文和演講，許多制藥行業(yè)的計算化學和藥物化學專家仍然對此保持懷疑。
這些懷疑也并不是空穴來風。如果要清晰地證明生成方法會對制藥行業(yè)產(chǎn)生重大影響，唯一的方法就是選則一種影響了數(shù)百萬人的疾病(僅僅罕見病是不夠的)，以完全無人干預(yù)的方法，僅靠AI發(fā)現(xiàn)一個全新的生物靶點，再無人干預(yù)地用AI為這個靶點生成新的分子，然后寄希望于這個分子能夠通過生物測定，動物實驗，最終，人類實驗。
證明AI在藥物發(fā)現(xiàn)中的價值，需要靶點確認，分子生成，實驗驗證這一完整周期
這樣的壯舉在學術(shù)界幾乎不可能實現(xiàn)，因為它花費甚巨，而且需要分析開發(fā)、化學合成等各個領(lǐng)域的專家。同樣，初創(chuàng)公司也很難做到。作者的預(yù)測是，他們會在今年或者明年做到這一步——針對一個重大疾病，找到絕對創(chuàng)新的靶點，絕對創(chuàng)新的分子，在實驗室環(huán)境中進行疾病相關(guān)的測定。在兩到三年后，這些分子會經(jīng)過臨床II期驗證。只有那時，懷疑論者才會滿意。但那都是幾年之后的事了。
人工智能在制藥行業(yè)的未來
作者毫不懷疑AI將來可以創(chuàng)造出人類急需的藥品，改善健康，治療疾病。無論是生成強化學習等方法的結(jié)合，還是量子計算的迷人前景，都讓他對未來充滿信心。然而，他不想假裝沒看到眼前的困難——生物學很復(fù)雜，化學很復(fù)雜，臨床試驗也很復(fù)雜。同時在三個領(lǐng)域取得成功簡直不敢想!
涵蓋藥物發(fā)現(xiàn)和開發(fā)所有領(lǐng)域的“制藥行業(yè)AI大腦”
他還相信，AI在制藥行業(yè)成功的關(guān)鍵是大規(guī)模整合現(xiàn)有的系統(tǒng)，從合識別生物靶點，設(shè)計新分子，到提供個性化治療和預(yù)測臨床試驗結(jié)果。
我們需要一個強大的“制藥大腦”，來跨越藥物發(fā)現(xiàn)和開發(fā)長達十幾年的周期，把臨床數(shù)據(jù)帶回到最初發(fā)現(xiàn)靶點的時候。
完成這些設(shè)想可能需要很多年。從事AI藥物發(fā)現(xiàn)的科學家們需要精通藥物發(fā)現(xiàn)的各種策略，才能為小分子藥物開發(fā)顯著提速。
最近的新冠病毒大流行暴露出如今傳統(tǒng)制藥方法和AI制藥方法的無能為力。作者估計再過四個月，所有FDA批準的藥物中(再加上漂白劑，紫外線，還有一些強一點的光)，有百分之十都會被重新包裝成新冠病毒的治療方法。然而到時新藥開發(fā)估計還沒走到臨床前研究這一步。要想大大加快藥物發(fā)現(xiàn)的速度，AI和實驗室自動化還有很長的路要走。
文章來源：大數(shù)據(jù)文摘
（轉(zhuǎn)載）
