“我的工作区”显示问题(相应的工作区没有打开)
600
2022-05-29
过去十年左右的时间里,人工智能(AI)已经从科幻小说变成了一种非常真实的力量,它几乎颠覆或者说威胁要颠覆地球上的每一个过程。人工智能帮助汽车、飞机和航天器导航,为你推荐Netflix上的电影,并促进其他数十种重大事件。
尽管可以很容易的使用计算机和计算工具,但相对来说,制药业几乎没有被颠覆的迹象?专家认为,制药业仍然是效率最低的行业之一。事实上,尽管其他行业的生产力和效率更高,但自1950年以来,该行业的效率一直在下降。举例来说,将一种药物或新分子实体(NME)推向市场的成本现在超过26亿美元。这笔费用,甚至失败药物尝试费用最终都会直接转移给您我、患者、客户和纳税人。
本文中,Alex Zhavoronkov博士希望能介于对人工智能的不切实际的炒作和同样不切实际的怀疑之间,讨论了传统药物发现的挑战性环境,人工智能在药物发现中的当前路径及最终的潜力,以及新技术和新工艺对该领域的革新。
下注:传统药物发现
为了了解AI在小分子药物发现中的潜力和局限性,重要的是要了解制药公司传统上是如何处理药物发现过程的。
如前所述,制药业是地球上风险最高的行业之一。小分子药物发现的过程包括几个步骤:科学家形成疾病假说、确定靶标、设计分子、然后进行临床前研究,平均需要5年时间,并可能花费数亿美元。临床开发过程可能还需要五年时间,并增加数亿美元的收入。在此过程中,将在第一阶段(安全性)、第二阶段(有效性)和第三阶段(大规模的安全性和有效性)中测试干预措施。
因此,更好地将药物发现描述为分子娱乐场。在此轮盘赌轮上,有超过2000种可药物治疗的靶标、数千种疾病,并且每个患者在某种程度上都是独一无二的。为特定患者亚人群选择正确靶标是非常复杂的一件事,这就是为什么轮盘赌很少能带来丰厚的回报,而玩家必须习惯失败的原因。
即使制药业是轮盘赌,世界上最聪明的人都在下赌注,但他们仍然有99%的时间输了。每次赌博都是在八年或以上的时间内进行的,在最初的四年中可以更改赌注,而在第二个四年的临床试验中,车轮开始旋转并且只能减少损失或在其他临床计划上更多下注。通常,在头四年下注的人与在临床阶段决定减价或加倍投资的人不同。
AI帮助、AI 希望或AI炒作
面对这些荒唐的机会并在数据密集型环境中四处游荡,您可能会认为,人工智能非常适合寻求方法来提高其找到可销售药物的可能性。尽管技术的进步使得包括移动和个人计算,互联网以及基因组测序在内产生了重大影响,但开发药物的成本却在稳步增加。
事实证明,可以使用AI来降低赔率的想法已成为制药业的好消息和坏消息。一方面,AI为该领域带来了更多的投资和更多的人才。但是,随着药品价格飞涨,炒作愈演愈烈,这引起了极大的怀疑。另一方面,制药业的资深人士看到了有希望的技术突破,但并未显著提高研发水平,因此,他们宁愿在药物发现过程的整个范围内逐步开发内部能力,而不是押注特定的技术。
AI希望与AI炒作之间的紧张关系仍在继续。实际上,Alex开始从事AI药物发现的工作以来,每天都有很多文章或分析报告讨论AI药物发现的炒作和希望。一方面,AI专家预测在革新该领域,而另一方面,持怀疑态度的药物研发专家则将所有最新进展视作增量和炒作。
这就是为什么大多数行业专家对深度学习的前景持怀疑态度的原因之一。
使用深度学习突破炒作
有很多原因可以平息常常被吹捧为AI是制药行业潜在救星的对话中的炒作,但我们看到了基于深度学习模型(如生成对抗网络或GAN)的希望。
虽然有些想法可以追溯到1990年代,但Ian Goodfellow于2014年发表了有关“生成对抗网络”的第一篇论文,现在被称为“ GAN之父” 因此,生成对抗网络(GANs)的概念相对较新。顾名思义,将GAN视为两个深度神经网络之间的竞争。一个是生成器,它使用所需的一组标准来创建新颖的内容,另一种是称为鉴别器,用于测试生成器的输出是真还是假。这项技术推动了一些有趣的结果。2016年,一些使用GAN的团队使用自然语言创建了逼真的图像。
大约在同一时间,Insilico Medicine的团队开始研究GAN是否可以用于发现制药业可以使用的新型化学结构或分子。从制作鸟类图片和DeepFakes到为新分子创建超精密设计,这听起来似乎是不合逻辑的一步,但是在2016年发表的一些早期同行评审论文中取得了相当大的成功。从那时起,Insilico Medicine的团队已经发布了许多生成方法,并且开始将它们与深度强化学习相结合。尽管会议上有许多论文和演讲,但是仍然面临制药业中许多计算化学家和药物化学家的怀疑。这种怀疑并非没有道理。明确证明生成方法可以对制药业产生重大影响的唯一方法是,选择一种会影响数以百万人的疾病,使用AI方法以完全“无人干预”的方式识别该疾病中的新生物学靶标,然后使用AI以“无人干预”的方式为AI挑选的靶标生成新分子,然后再生物学分析,动物研究乃至人体试验中验证该分子。
像这样的壮举在学术界几乎是不可能的,因为它非常昂贵,并且需要包括分析开发和化学合成在内的多种专业知识,出于同样的原因,在初创企业中很难做到这一点。Alex预测,Insilico Medicine的团队将在今年或明年达到这一点:绝对新颖的靶标和绝对新颖的分子,对一种主要疾病进行疾病相关的实验验证。2-3年后,Insilico Medicine的团队将在II期临床研究中看到这些分子。只有这样,怀疑论者才会满意,但是要过几年才能实现。
人工智能在制药行业的未来
Alex对AI方法的未来持乐观态度,这种方法可以生产急需的药物来改善健康和治疗疾病。诸如生成强化学习之类的方法的组合和集成以及量子计算的迷人前景,都是对未来充满激情的原因。但是,让人们对面临的挑战完全透明,生物学非常复杂,化学也很复杂,临床试验也很复杂。一次获得全部三个成功是一项艰巨的任务!
Alex认为,制药公司AI成功的关键是用于识别生物靶标的系统,有助于设计新分子的系统以及可个性化治疗并预测临床试验结果系统的大规模集成。
制药业需要一个庞大的药学大脑,可以跨越十年甚至更长的发现和开发周期,并将临床数据重新整合到靶标发现中。
可能要花费数年才能完成这些任务。由AI驱动的药物发现科学家将需要是药物发现的混合军事艺术家,结合许多策略和样式,以便开发可显着加速小分子药物发现的系统。
最近的COVID-19大流行证明了当今传统的和AI驱动的方法的无能为力。Alex估计在短短四个月内,大约有百分之十的FDA批准药物被提议重新利用,作为COVID-19的可能治疗方法,而新的发现工作确实尚未产生有希望的临床前候选方案。人工智能和实验室自动化还需要做更多的工作,以大大加快药物的发现。
参考资料
https://www.forbes.com/sites/cognitiveworld/2020/04/30/ai-hype-or-ai-hope-when-will-ai-disrupt-the-pharmaceutical-industry/#38d2e551ef42
Alex Zhavoronkov
AI 深度学习
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。