人工智能可大大缩短新型重症药物的研发周期

本篇文章2310字，读完约6分钟

2006年3月6日，北京——开发新药绝非易事。平均而言，新药开发需要十年时间，研发成本高达26亿美元。只有如此巨大的投资，药物才能从实验室走向市场。然而，由于其安全性和有效性的不确定性，只有大约5%的实验药物能够真正投放市场。

然而，药物制造商和主要技术公司正在投资数十亿美元来构建人工智能解决方案，希望能加快药物发现并降低药物成本。

位于华盛顿雷德蒙的微软研究实验室主任埃里克·霍维茨(Eric horvitz)在最近于德克萨斯州奥斯汀举行的美国科学进步协会年会上指出，我认为人工智能可以被称为医疗保健领域的沉睡巨人。他解释说，微软正在积极投资人工智能技术，以促进药物设计和药理学研究，研究药物如何在体内发挥作用，并把这项技术描述为一个巨大的机遇。

微软绝不是唯一在人工智能技术上下了大赌注的制造商。截至2月底，总部位于多伦多的生物技术公司benchsci发布了统计结论，发现16家制药公司和60多家初创企业正在利用人工智能技术进行药物开发。

最大的瓶颈

药物开发领域的最大瓶颈通常在于研究工作的早期阶段，尤其是从确定潜在致病靶点(通常是人体内的蛋白质)到检测候选药物是否能达到治疗目的所需的时间。

许多最雄心勃勃的人工智能组织，包括atom公私联盟，希望将这一过程从4到6年缩短到1年。

由于只有5%的实验药物最终可以投放市场，引入人工智能技术将有助于改善长期和劳动密集型的药物发现过程。

当然，这一崇高目标尚未实现。然而，总部位于伦敦的欧洲最大的私人人工智能公司benevolentai表示，一旦确定了预期要克服的疾病目标，这项技术的引入将大大减少候选药物所需的试验和错误数量。到目前为止，该公司估计可以将相关的R&D成本降低60%，并将药物研发时间从三年缩短到一年。

其他以人工智能为导向的药物开发工作也显示出令人兴奋的早期成果，包括更有效地治疗艾滋病、高血压、传染病和癌症。

提前预测失败

由于成功开发新药的可能性极低，制药业已经习惯了这种几乎总是以失败告终的局面。然而，英国巴尔的摩葛兰素史克(GlaxoSmithKline)新成立的人工智能药物发现部门负责人约翰巴尔多尼(john baldoni)表示，人工智能检测方法可以有效去除一些候选药物，并从中提取有价值的数据，以推动其他项目的发展。

例如，通过搜索他公司的数据库，baldoni和他的同事发现了超过23万种用于脑部疾病靶向治疗的候选药物。他指出，尽管这些分子不适合他们目前正在推广的项目(专注于其他疾病)，人工智能算法仍然有助于揭示这些可以进入大脑的化学成分的共同结构特征。

巴尔多尼的团队目前正在使用其他人工智能程序来模拟如何以一种新的方式组合这些分子，并预测哪些部分可能有助于渗透到大脑中以达到治疗疾病的目的，以及哪些组合可能产生毒性。

Benevolentai扩大了其研究规模，涉及20多项针对罕见癌症、炎症、神经退行性疾病和中枢神经系统疾病的药物研发计划。在接受nbc新闻采访时，该公司董事长肯·马尔瓦尼(ken mulvany)表示，他们使用的电脑已经过训练，能够理解生物医学语言，并能发现药物、疾病和人体蛋白质之间的神秘关系。

该公司的一项临床试验目前正在测试一种名为巴维桑的失败药物对白天过度嗜睡的帕金森病患者的治疗效果。2012年，当巴威司特被用于成人注意力缺陷多动障碍患者的临床试验时，尽管该药物未能达到预期效果，但研究人员发现其副作用之一是失眠。该公司通过人工智能算法建模证实了该化合物对睡眠的潜在影响，这是目前治疗帕金森病相关嗜睡症状的临床试验机会。

Benevolentai还使用其他人工智能计算机算法探索肌萎缩性侧索硬化(als)的新治疗方案，als是一种退化性神经系统疾病。2016年，该公司在一周内发现了五种假药。没有人工智能技术的帮助，这个过程可能需要几年才能完成。

前景和挑战

当然，并不是每个人都相信人工智能技术会改变药物开发的前景。

哈佛大学的化学家alan aspuru-guzik博士曾将人工智能应用于材料科学，但现在它正转向药物研究和开发领域。在他看来，这个领域确实充满了炒作。尽管如此，他认为脾气暴躁的反对者显然忽视了他在这方面的努力，真正的实践者不会受到影响。他说，在不同领域的交界处总会有许多令人兴奋的新事物，摩擦也是不可避免的。

目前，一个主要的挑战在于如何收集足够和可靠的信息来正确训练沃森和其他人工智能系统。Aspuru-guzik指出，人工智能的实际质量取决于数据质量。

基于他自己为工业分子应用设计的人工智能策略，他解释了如何基于药物研发更好地训练计算机。首先，他将几十万种类似药物的分子信息输入人工智能算法，帮助他学习各种分子的共同特征。最终，计算机将变得足够聪明，能够自己预测新药的结构表达。

他指出，是的，人工智能可以无数次预测垃圾结果。然而，科学家可以设计相应的方法来消除无用的预测，奖励好的预测结果，从而训练计算机并不断提高其准确性。

目前，普遍关注的生成对抗网络的方法是在两套人工智能网络之间建立竞争机制。生成器网络负责猜测药物分子，而鉴别器网络对每个猜测结果做出正确或错误的判断。Aspuru-guzik说，起初，这两个网络都太笨了，不能直接看。但是随着时间的推移，这两个网络将相互学习，同时变得更加聪明。

当然，计算机仍然会被人类愚弄，这被认为是对那些死于gps输入或由于临时道路封闭而无法前进的用户的深刻体验。根据aspuru-guzik的说法，人工智能将提高人类的能力，但它永远不会取代它。他得出结论，人工智能会给我们带来新的能力，但最终还是会被人类控制和使用。

来源：搜狐微门户