人工智慧＋藥物研發：AI葯神真的來了嗎？

全文共2269字，預計學習時長4分鐘

如今，越來越多的醫療工作可以用機器來完成。事實證明，機器可以有效地幫助診斷疾病或選擇治療方案等等——AI解決這些問題的潛力確實是無窮的。

25億美元、10年的研究——一個藥物的開發過程大概需要如此高昂的成本。但是，只有十分之一的藥物能通過所有階段最終到達病人手中。當今這浮躁且快節奏的時代既擔不起這樣巨大的開支, 也經不住這樣漫長的等待。

正是在藥物研發領域，AI技術可以發揮最大效用，使藥物研發更快速、更低價、更有效。雖然一些藥劑師對此仍持懷疑態度，但大多數專家預測AI工具將在這一領域變得日益重要，人工智慧和機器學習將開創一個更快速、更低價且更高效的藥物研發時代。

據麥肯錫估計，大數據和機器學習技能夠優化決策、優化創新以及提高醫學研究、臨床試驗和新工具創建的效率，每年可以在製藥和醫療領域創造高達100億美的收入。

AI有可能改變藥物發現的整個過程。目前，從設想開始到測試，藥物開發的各階段之間沒有聯繫。相反，從機器學習的角度來看，各階段之間變得相互關聯，因為你可以使用下一階段的數據來理解前一階段或之前兩階段發生的情況。此外，同時訪問多個數據可以識別可量化的片段，而不是使用廣泛的描述符，例如疾病癥狀。藉助機器學習技術，研究人員可以對大量患者進行試驗，獲得不同的結果，並將其映射到患者的分子標記遺傳上，從而在更穩固的基礎上定義疾病。

人工智慧已成功應用於藥物開發的所有主要階段：

· 第零階段：文獻綜述

· 第一階段：確定干預目標

· 第二階段：發現候選藥物

· 第三階段：加快臨床試驗

· 第四階段：尋找診斷疾病的生物標誌物

藥物研發的主要階段

第零階段：文獻綜述

當下，每天都有大量的研究被發表。如果我們能整理所有研究的觀點，就可以進行更好的假設。然而，一個人不可能閱讀所有的摘要和科學論文，因此科學領域工作的研究人員通常只關注某一個領域，而不閱讀其他期刊。然而，這些期刊包含大量相關數據，可以為一個人提供其研究領域的信息。

針對這種情況，解決方案是讓機器讀取所有可用的文獻、專利和文檔，並將數據彙集在可從文獻中提取的實例資料庫中。這構成了尋找疾病治療切入點的假設的基礎。

第一階段：確定干預目標

藥物開發的第一步是了解疾病的生物學起源及其抗性機制。要治療疾病，確定合適的目標（通常是蛋白質）是至關重要的。高通量技術的廣泛應用，如短髮夾RNA（shRNA）篩選和深度測序，已經增加了用於發現可行目標途徑的數據量。但是，整合大量多樣化數據源，然後找到相關模式仍是一個挑戰。眾所周知，機器學習演算法在這些任務中表現良好，並且能處理所有可用數據以自動預測合適的目標蛋白質。

第二階段：發現候選藥物

確定目標後，研究人員需要尋找一種化合物，它能以理想的方式與所確定的目標分子相互作用。此過程包括篩選成千上萬種潛在的天然、合成或生物工程化合物，以了解它們對目標的影響及其副作用。機器學習演算法可以根據結構指紋和分子描述符來預測分子的適宜性，快速分析數百萬個潛在分子，並以最小的副作用將這些分子過濾出最佳選擇。

第三階段：更快速的臨床試驗

成功試驗的關鍵是準確選擇合適的候選人，因為選擇錯誤會延長試驗，浪費時間和資源。機器學習可以通過自動識別合適的候選人，並確保試驗參與者被正確分配到各組，從而加快臨床試驗的設計。機器學習演算法可以識別能夠預測良好候選者的模式。此外，如果臨床試驗沒有產生確鑿的結果，機器學習可以提醒研究人員，以便研究人員能儘早干預。

第四階段：尋找診斷疾病的生物標誌物

最後，只有在確定診斷結果後，你才能對患者進行治療。生物標誌物是在體液（如血液）中發現的分子，它為患者是否患有疾病提供絕對確定性的依據。生物標誌物使診斷疾病的過程安全且廉價。它們還可用於精準定位疾病的進展，以便醫生更容易選擇正確的治療方法，並監測藥物是否有效。

然而，生物標誌物的探索要篩選數以萬計的潛在分子候選物。同樣，AI可以自動工作並加速該過程。演算法會將分子分類為——合適的候選分子與不合適的候選分子，研究人員可專註於分析最佳前景。

生物標誌物可以識別：

· 診斷型生物標誌物：儘早發現疾病

· 風險型生物標誌物：評估病人患病的風險

· 診後型生物標誌物：病情的可能發展情況

· 預測型生物標誌物：患者是否會對藥物產生反應

生物標誌物的種類

雖然人工智慧的推廣仍處於初級階段，但有不少製藥公司已經將這些技術投入使用。例如，製藥巨頭默克公司正在開展一個項目，旨在利用深度學習技術發現新型小分子。輝瑞公司已開始與IBM Watson合作研發免疫腫瘤藥物。總部位於馬薩諸塞州的生物技術公司Berg的研究人員開發了一種模型，通過對1000多種癌細胞和健康人類細胞樣本的測試，來識別以前未知的癌症機制。

這種轉變表明，該行業不僅已經意識到機器學習的優勢，而且正在積極地利用機器學習的好處來識別和篩選藥物，更準確地預測候選藥物，並最終降低研發成本和工作量。

人工智慧將如何改變人類專家的未來？

關於AI在醫學領域的未來，研究頻出，爭論不停，觀點各異。普遍的共識是，雖然日常任務和數據收集或錄入的工作應該由機器完成，但是對人類專家的需求一直存在。因為現代科技無法提供「人為」因素，比如判斷力、創造力和同理心。

作為監管人，人類專家會設置問題，並讓演算法或機器人解決它。專家會針對具體的化合物、癥狀、疾病或其他因素進行特定治療，而不是僅關注隨機或微小的問題。此外，人類專家會根據機器無法理解的相關結論與背景，通過不同階段的測試和探索，對進一步的選擇進行審批。

總之，人與機器的合作是未來大勢。面對科技進步，人類臨床專家需要適應、學習和成長。雖然未來的專家需要同時精通醫術和計算機，但對於醫藥學來說，這是進化，而不是滅絕。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！