1956年，制藥逐鹿約翰·麥卡錫（John McCarthy）在達特茅斯會議（Dartmouth conference）上提出了人工智能（AI）的群雄概念，AI領域因此而來。從A車道幾十年來，到待這一領域發(fā)展勢頭迅猛，量計在制藥行業(yè)也已嶄露頭角，算藥獲得了許多制藥巨頭的物研青睞，大量初創(chuàng)企業(yè)也應運而生。發(fā)快
AI賦能藥物研發(fā)
新藥研發(fā)是蓄勢一個十分漫長的過程，一個新藥從發(fā)現(xiàn)到成功上市通常要花費10-15年，制藥逐鹿而且大量的群雄藥物在臨床階段停滯或失敗，未能成功進入市場，從A車道上市藥物的到待價格也會因為高昂的研發(fā)成本而變得十分昂貴。
機器學習利用大數(shù)據(jù)快速處理功能，量計可以使藥物開發(fā)中的算藥許多分析過程變得更加高效，這有可能縮短數(shù)年的研發(fā)工作，節(jié)省數(shù)億元的投資。
目前，藥物開發(fā)的4個主要階段AI已成功進行應用：
階段1：確定干預靶點 藥物開發(fā)的第一步是了解疾病的生物學起源（通路）及其耐藥機制，然后確定疾病治療的良好靶點（通常是蛋白質）。高通量技術的普及，如短發(fā)夾RNA（shRNA）篩選和深度測序，大大增加了發(fā)現(xiàn)可行靶點途徑的數(shù)據(jù)量，但如何使用傳統(tǒng)技術整合大量數(shù)據(jù)源仍然是一個挑戰(zhàn)。
將機器學習與多模態(tài)數(shù)據(jù)集和幾乎無限的計算能力相結合，不僅可以讓研究人員"重建疾病的潛在機制"，而且可以更輕松地分析所有可用數(shù)據(jù)，甚至可以學習自動識別準確的靶蛋白。
代表公司：BenevolentAI、Standigm
階段2：發(fā)現(xiàn)候選藥物 確定靶點后，藥物開發(fā)者需要從數(shù)千乃至數(shù)百萬個潛在化合物中篩選出一種能以所需的方式與之相互作用的化合物，還需要避免這種化合物對非靶點產(chǎn)生副作用。
目前所用的篩選軟件存在準確度不高，可能會產(chǎn)生假陽性的問題，而且將篩選范圍縮小到最佳候選藥物的過程耗時也較長。
機器學習可以學習根據(jù)結構指紋和分子描述符來預測分子的適用性，算法快速在海量的潛在分子中搜索和過濾，找到符合要求的分子，這為藥物設計節(jié)省了大量的時間。
代表公司：Exscientia、Insilico Medicine
階段3：加快臨床試驗 臨床試驗是藥物開發(fā)階段的關鍵，招募患者面臨著許多問題，如果招募到了不合適的患者，臨床試驗時間會發(fā)生延長，這將耗費大量的時間和資源。
機器學習可以通過自動識別合適的候選患者，確保試驗參與者群體的正確分布，從而加快臨床試驗的設計。算法還可以對臨床試驗沒有產(chǎn)生結論性結果進行早期預警，使研究人員能夠更早干預，并有可能挽救藥物的開發(fā)。
代表公司：IBM Watson、Deep6 AI
階段4：尋找診斷疾病的生物標志物 患者只有在確診后才能接受治療，體液（通常為血液）中的生物標志物可以精確判斷病人是否患有某種疾病。此外，生物標志物還可以被用來確定疾病的進展，有助于醫(yī)生選擇正確的治療方法并監(jiān)測藥物是否有效。但是，發(fā)現(xiàn)適合特定疾病的生物標志物很難，而且這一過程昂貴又耗時。
AI可以實現(xiàn)很大一部分人工工作的自動化，利用算法區(qū)分生物標志物候選分子的優(yōu)劣將有助于臨床醫(yī)生專注于分析最佳前景。
代表公司：ReviveMed、Berg Health
AI還可以做：藥物再利用、分析研究文獻、出版物和專利等。“舊”藥物在人體試驗中產(chǎn)生意外毒性或副作用的風險較小，將其重新用于新的治療領域也可能會降低所需的研發(fā)支出，尤其在目前全球COVID-19大流行的情況下，利用AI減少加速藥物篩選顯得更有利用價值。
巨頭群雄逐鹿
目前，全球開發(fā)AI輔助藥物研發(fā)的公司已達200余家，大型藥企也通過收購與合作積極布局，從靶點篩選、藥物設計再到臨床試驗都有AI的身影。
表1 制藥巨頭的部分AI合作
數(shù)據(jù)來源：各公司官網(wǎng)
此外，還有部分互聯(lián)網(wǎng)等領域的大型技術公司利用自身的技術優(yōu)勢加入制藥領域，國外企業(yè)包括谷歌、IBM、英特爾、蘋果、微軟等，國內有騰訊、百度、字節(jié)跳動、華為等知名企業(yè)。這些企業(yè)或自身搭建藥物開發(fā)平臺，或利用技術優(yōu)勢與傳統(tǒng)藥企合作，還有的積極投資許多AI制藥的初創(chuàng)公司。
表2 國內入局AI制藥的大型技術公司
數(shù)據(jù)來源：各公司官網(wǎng)
量子計算熱潮漸起
此間AI發(fā)展和競爭好不熱乎，那山量子計算賦能藥物研發(fā)又現(xiàn)苗頭。
量子計算依托于量子計算機，能實現(xiàn)傳統(tǒng)計算機無法完成的任務。例如，中國的“九章”量子計算機只需要200秒就可以完成世界上最強大的超級計算機需要花費6億年才能完成的計算量。
制藥巨頭早已嗅到了價值。1月11日，勃林格殷格翰宣布已與谷歌量子人工智能（Google Quantum AI）簽署了一項合作協(xié)議，共同研究和實施量子計算在藥物研發(fā)中，特別是分子動力學模擬方面的應用。
1月28日，劍橋量子計算（Cambridge Quantum Computing）宣布與羅氏就早期藥物發(fā)現(xiàn)和開發(fā)中的NISQ（noisy-intermediate-scale-quantum）算法的設計和實施達成合作，應用的疾病領域將是阿爾茨海默癥，而在2020年9月，羅氏宣布了與AC Immune聯(lián)合開發(fā)的semorinemab在臨床II期試驗中的失敗，選擇量子算法，是羅氏在阿爾茨海默癥領域的又一次新的嘗試。
小結
無論是大型互聯(lián)網(wǎng)公司的轉向，還是新公司的成立，它們各自攻堅著傳統(tǒng)制藥流程的一個或多個環(huán)節(jié)，通過技術發(fā)展和交易合作，都將為這一領域帶來發(fā)展和進步。
未來藥物研發(fā)究竟能有多快呢，只能留給時間去證明了。
參考資料：
1# Artificial Intelligence in Medicine（來源：datarevenue）
2# Eight ways machine learning is assisting medicine（來源：Nature Medicine）
3# How artificial intelligence is changing drug discovery（來源：Nature）
4# Quantum Computing: Boehringer Ingelheim and Google Partner for Pharma R&D（來源：勃林格殷格翰官網(wǎng)）
5# Cambridge Quantum to Develop Quantum Algorithms with Roche for Drug Discovery & Development（來源：Cambridge Quantum Computing官網(wǎng)）
6# 各公司官網(wǎng)資料
來源：新浪醫(yī)藥。
