AI在药物研发中的实质作用是什么？【VB思享会】
收藏
关键词：
药研发药物药物研发
资讯来源：动脉新医药 + 订阅账号
发布时间：
2022-09-07
2020年至今，伴随AI技术的不断成熟，人工智能企业与生物医药企业的合作频次与范围不断扩宽拓深，AI+新药行业进入高速发展期，最早成长起来的一批AI+新药企业跨越式进入端到端的解决能力提供层面，开启了AI药物管线在临床方面的验证。
以数学、物理精密学科为技术底层支撑的方法学，人工智能技术与传统化学在药物开发领域开启了新的碰撞，在二者通力合作同时，究竟是哪一方在药物开发关键环节起了决定性作用，成为业内人士广泛谈论的话题。除此之外，在头部公司AlphaFold突破性地解决了生物学界长达50年的蛋白质空间结构预测难题下，国内AI+新药公司又如何开发出自己的算法提升算力来推动创新药产业的发展？
8月30日，动脉新医药联合英矽智能首席执行官、首席科学官、药物研发负责人任峰先生、水木未来副总裁管峥先生和深势科技创始人＆CEO孙伟杰先生通过案例讲解的方式，全面深度分享对AI+新药行业发展的见解，以期推动创新加速释放。
思享会伊始，动脉网产业研究员陈宣合简要介绍了蛋壳研究院发表的《2022AI+新药研发行业研究》报告内容，这份报告通过对近20位AI+新药行业资深人士进行了深度访谈，以细致入微的方式准确描绘出AI+新药研发行业的发展。此外，陈宣合研究员还从AI+制药行业宏观角度出发，分别讲述了AI+制药经历的阶段、现状以及挑战进行了多维度探讨。
2020年至今行业进入高速发展期：伴随着技术的不断成熟AI+新药企业与药企的合作频次、合作范围、合作深度不断拓宽拓深，最早成长起来的一批AI+新药企业继续增强端到端解决方案能力，同时接连开启 AI药物管线在临床方面的验证。另外，包括谷歌、腾讯、百度、华为、阿里巴巴、字节跳动在内的多家科技互联网巨头相继进场AI制药，谷歌旗下Deepmind团队开发的两代AlphaFold算法解决了生物学界长达50年的蛋白质空间结构预测难题，在为AI+新药领域吸引更多目光的同时，也为该领域带来更多资源和人才。
伴随着AI技术的快速发展与推广，AI+已经渗透到医疗健康领域的各个赛道。起初，AI大规模应用于医疗影像，后逐渐渗透到药物研发领域，使得传统药物开发模式正在发生一系列的变化：从随机筛选到合理设计，从经验主义到数据驱动，从完全人工到使用传统CADD（Computer Aided Drug Design，计算机辅 助药物设计）进行辅助，最终完成从传统CADD方法到Al与传统CADD相融合的转变。如今，AI技术在药物研发各个环节逐步参与，学术界和产业界都在尝试研究使用AI来辅助药物的研发，为新药的发现与开发寻求助力。
AI+新药企业的服务链条在纵向拉长：从提供特定环节的技术服务到提供端到端的解决方案到逐渐覆盖药物发现全流程。经蛋壳研究院不完全统计在目前研发化药的52家AI+新药企业中，有能力做到端到端（从给定靶点到先导化合物的交付）服务能力的AI+新药企业有39家，占比75%。目前国内AI+新药企业的布局主要集中在药物发现阶段，虚拟筛选、分子生成、靶点发现及ADMET预测成为布局最多的四个场景。
英矽智能联合首席执行官、首席科学官、药物研发负责人任峰博士表示：
传统方法研发一款新药，从早期靶点发现到完成临床试验推进到市场，研发的平均耗时约为10年至15年。其中包括不少通过试错的方法进行筛选、优化及评估等等，这一过程费时且成本较高，而且很大程度上依赖于研发人员的专业知识和经验，具有很大的不确定性。另一方面，传统药物开发也面临着识别和确定靶点困难、生成化学小分子挑战与临床试验开展费用高昂等痛点。
基于此英矽智能利用对抗式生成网络、强化学习、预训练模型等人工智能技术，开发了PandaOmics、Chemistry42和InClinico三款软件，分别对应高效识别药物靶点、从头生成和设计化合物以及预测临床试验方案结果三个领域，把生物学、化学结合起来，针对特定疾病进行定制化药物或疗法开发。
以致死率极高的罕见病—特发性肺纤维化（IPF）为例，全球有超过70万IPF患者，他们的用力肺活量（FVC）正在以每年7%的速度下降。目前全球市场仅有吡非尼酮、尼达尼布这两款药物能够对这类患者产生疗效。遗憾的是，这两款药物存在一点的局限性，比如说：10%到40%的患者因无法耐受药物的毒副作用而被迫停药或影响疗效。
英矽智能的PandaOmics软件，通过集成其中的23款人工智能算法，对比和分析IPF患者与健康人的基因组学差异，挖掘和发现文献专利数据中的线索，最后筛选出20多个新颖靶点。再进一步经过对创新性、成药性、安全性等特定属性的选择和评估，最后锁定识别了1个全新的靶点---目前全球还没有任何一个针对这个靶点开发药物并进入临床，这是一个真正的first in class。
在确定靶点后，我们利用化合物设计和生成平台Chemistry42，针对这个新颖靶点从无到有生成小分子化学物，合成并测试了78个化合物，其中有一些候选化合物与现有临床用药对比，展现了较好的体内体外活性和成药性。比如：在小鼠模型中的验证我们发现候选药物对肺功能有明显改善，且与现有临床用药对比，我们的候选药物在十分之一的剂量下，能达到其对肺功能改善一致的效果。
这个项目从靶点发现，到生成化合物，再在临床前实验，研发时长为18个月，投入研发经费260万美金左右。对比传统的小分子药物研发，从确定的靶点到设计化合物再到发现临床前候选化合物，需要大概四年半的时间付出千万级美金的以上的研发费用。通过AI的加持，极大缩短新药的研发周期，提升研发效率与降低研发成本。
我从结构生物学和AI这两个相关的技术融合去推动新药研发加速方面进行案例分享。最原始的这个问题—AI+新药领域中的AI本质是什么？无疑是加速新药开发。对于我们做新药研发的人都深有感受当下处于资本市场寒冬，医疗行业的一些领域出现了疲软的信号，根本原因是对于创新能力的不足，或者说资本对医药创新的产出效率逐渐失去耐心，进而去寻找其他新的增长点，用AI计算驱动的方式去做新药的研发则是当下最理性的创新方向。
冷冻电镜是一项是用于电子显微镜的超低温冷冻制样及传输技术（Cryo-SEM)，可以通过电子束形成的高分辨率图像，直接观察液体、半液体及对电子束敏感的样品。通过冷冻电镜图像，研究人员可以了解生物大分子的结构及其在不同生理过程下的变化，从而理解生命现象的基本规律。基于此，研究人员可以有针对性地调制某些与特定疾病、生理过程直接相关的分子，或者通过小分子药物、蛋白质药物，造成分子功能变化，从而实现治疗或者防治疾病的目的。冷冻电镜技术经过多年的发展，现在已经成为最强有力的结构生物学方法之一，尤其在解析具有重要意义的膜蛋白和生物大分子复合体接近天然状态的高分辨率结构方面具有独特优势，为基于结构生物学的新药研发开辟了全新的空间。
AI for Science 新范式突破传统分子模拟计算局限
AI for Science 和 AI for Industry 有显著的区别。我们过去更多是 AI for Industry的这种范式。它的发展逻辑是很多行业，尤其是互联网行业的快速发展积累了海量的数据，我们用这些海量数据去训练一些 AI 模型，从中抽取一些高价值的规律，再进一步地去解决实际问题。比较典型的应用是图片的处理、自然语言的处理，包括生命科学行业的人类基因组工程，都是依赖大量数据训练的 AI for industry 模式。
药物、材料设计这些实体工业行业面临的最大挑战之一，就是相对于要解决的问题的复杂度而言，我们所拥有的数据非常有限，且这些数据还非常不标准。这时候我们就可以用 AI for Science 的方法。比如说，虽然这些行业里面没有积累大量的数据，但是科学家们可以对这些行业底层的运行规律先进行抽象，总结出背后的科学原理；再用 AI 去学习这些科学原理、科学知识乃至一些物理模型，得到一个通用的模型；最后再用这个 AI 模型去解决实际问题。比较典型的应用场景就是工业仿真、分子模拟，还有一些材料的设计和模拟。
基于这些 AI for Science的新范式，深势科技打造了一系列药物研发和材料研发的新工具。当一个领域里面有了系统的计算模拟的工具之后，研发流程会变为先用计算去设计和模拟，再去做实验的验证。进而在药物设计领域，实现从随机筛选走向理性设计，从经验驱动迈向数据与模型驱动，从“劳动密集”到“计算密集”的智能化转变，赋能药物研发企业在新时代背景下的跨越式发展。
AI+新药技术不是替代传统药物研发，是把人类的生产力从传统的、低效的工作中解脱出来，让人类去做需要更多智慧和创造力的事情，为人类创造更多的、新的生命科学研究方法。未来，随着算法的更新、算力的突破及大数据的发展，AI技术将深入应用到新药研发的各个环节，在化合物合成、药效预测及自动化研发等阶段扮演越来越重要的角色。此外，进一步深化AI技术的赋能作用，还需传统医药研发基础科学与AI核心技术进行深度结合，只有核心技术紧密贴合行业、深刻理解行业，才能真正实现药物研发的智能化。
想要联系动脉新医药报道的企业，请点击文末左下方“阅读原文”填写表单，我们的工作人员将尽快为您服务。
个人中心
我是园区
退出
