AI：新藥研發(fā)工業(yè)化的開始

　　人工智能（AI）——從計算機算法中學習如何解開復(fù)雜的基因組數(shù)據(jù)，例如疾病的基因表達模式——已經(jīng)準備好為藥物開發(fā)，臨床研究和醫(yī)學治療等各個方面帶來革命。但它也可能為人類實現(xiàn)又一個里程碑——降低藥品價格。

　　即使不能徹底消除目前這種效率低下、時間密集、不斷試錯的創(chuàng)新過程，人工智能也能為其帶來顯著改觀。這正是許多人工智能專家所強調(diào)的價值。要知道，美國藥物研究與制造商協(xié)會（PhRMA）的研究表明，進入臨床試驗的藥物只有約12％能最終獲得監(jiān)管部門的批準。

　　AI或機器學習，以及更復(fù)雜的延伸技術(shù)“深度學習”，旨在改變藥物研發(fā)的成功率。專家說，AI技術(shù)與傳統(tǒng)的實踐相比，有可能加快研究，更有效地將候選藥物變成上市藥物。

　　總之，AI代表了生物技術(shù)和制藥創(chuàng)新工業(yè)化的開始。

　　NuMedii首席執(zhí)行官Gini Deshpande博士說，這并不意味著人工智能會取代研究科學家，他更喜歡“智能增強”這個術(shù)語，它將人機智能相結(jié)合，“簡化相關(guān)疾病生物學的發(fā)現(xiàn)，從而縮短發(fā)現(xiàn)時間，但更重要的是，顯著提高成功的可能性。”

　　Andreesen Horowtiz普通合伙人Vijay Pande博士指出，如果AI有效，它可以通過兩種方式對降低藥物價格產(chǎn)生影響。

　　首先，制藥公司不必將所有臨床試驗失敗的成本轉(zhuǎn)嫁給付款人；90％的候選藥物從未獲得批準。其次，通過加快上市速度，企業(yè)將擁有更多的專利保護年限，以平衡其研發(fā)成本。

　　到目前為止，比其他行業(yè)相比，生物技術(shù)和制藥公司接受人工智要更慢。但他們已經(jīng)開始注意到了。 “與生物領(lǐng)域的任何新技術(shù)一樣，” Pande博士說：“AI也需要一段時間才能被接受。在某個時點AI會開始發(fā)揮作用，這正是我們努力的方向?！?/span>

　　AI新藥研發(fā)的現(xiàn)在

　　基于AI在其他領(lǐng)域的成功，人工智能（AI）在生物醫(yī)學上應(yīng)用令人興奮。在其他領(lǐng)域，人工智能算法已經(jīng)訓練機器學習如何識別面孔，說話，駕駛汽車，玩游戲，以及譜寫音樂。

　　正如《Molecular Therapeutics》的一篇文章中所描述的：“這些任務(wù)所需要的學習類型是表征學習；即輸入原始數(shù)據(jù)后，機器能夠檢測或分類模式或表征信息?！?/span>

　　這使得人工智能及其子集，機器學習和深度學習很適合用于挖掘大量的基因型和表型數(shù)據(jù)，這些數(shù)據(jù)來源于全球公共和私有數(shù)據(jù)庫，醫(yī)院和醫(yī)生辦公室，學術(shù)研究期刊和個人可穿戴健康監(jiān)測設(shè)備。

　　Andreessen Horowitz的Pande博士說：“我認為生物學家近幾十年甚至近幾個世紀已經(jīng)認識到的一件重要的事情是——生物學非常復(fù)雜。生物學如此復(fù)雜，以至于人類的大腦無法理解所有這一切；我們在理解生物學方面的局限性導致了晚期臨床試驗結(jié)果的復(fù)雜性。”

　　人工智能在模式識別和表征學習方面的熟練程度不斷進化，可以更準確地預(yù)測結(jié)果，因此在揭示疾病通路的基因水平的復(fù)雜性，設(shè)計治療干預(yù)措施以及確定將從中受益的患者等方面，人工智能是最有前途的研究工具。

　　Pande博士說：“生物學可能對于人類大腦來說太復(fù)雜了，但對于某些類型的AI可能不是太復(fù)雜；AI可以用人腦無法實現(xiàn)的方法整合數(shù)據(jù)，然后能夠?qū)⒀芯咳藛T引導到有趣的新地方?！?/span>

　　各位專家關(guān)于AI的各種描述，強調(diào)了它為揭秘生物學和改善患者的醫(yī)療保健所帶來的承諾。

　　藥明明碼（WuXi NextCODE）的首席執(zhí)行官Hannes Smarason先生觀察到，AI將藥物研究從假設(shè)驅(qū)動轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動的過程。他解釋說：例如“一個科學家需要做一個實驗，在他意識到這點之前，知識系統(tǒng)對他說：‘你應(yīng)該做三件事情。’或者，‘你為什么不看一下這四個結(jié)果？我已經(jīng)為你做了實驗。’”

　　Exscientia的首席執(zhí)行官Andrew Hopkins博士補充說，人工智能“把目前需要手動，依賴于技術(shù)人員水平的研發(fā)工作系統(tǒng)化”。

　　對于NuMedii公司的Deshpandi博士來說，AI可以讓研究人員找到“想要尋找的模式，或者是未知或想不到的模式”。

　　Numerate首席執(zhí)行官Guido Lanza博士說，AI把“真正的學習環(huán)路”的概念引入業(yè)界，“所有的決策都可以從以前所有成功和失敗的經(jīng)驗推倒出來，這個想法令人印象深刻” 。

　　那么什么時候才能釋放人工智能算法的實力呢？ 大多數(shù)專家認為，生物技術(shù)和制藥公司距離人工智能完全整合到其研發(fā)部門大約有10年的時間。 但他們也同意這項技術(shù)將成為藥物開發(fā)的重要工具。

　　“我不知道未來是否還會給不使用AI的生物技術(shù)或制藥公司留有一席之地，”Smarason先生說：“這是一個非常全面和普遍的技術(shù)，所以我認為如果沒有充分理解和接受AI技術(shù)，藥企參與競爭將變得非常困難。”

　　AI新藥研發(fā)的現(xiàn)在

　　人工智能最初對生物制藥公司的吸引力在于簡化研發(fā)操作，提高臨床試驗的速度和成功率。 這并不奇怪。

　　PhRMA估計開發(fā)一種新藥的平均成本是26億美元，其中包括失敗的花費，大約耗費10年時間，大部分時間用于候選藥物的臨床試驗測試。

　　來自TechEmergence的一份報告研究了所有行業(yè)的人工智能應(yīng)用，結(jié)果表明，人工智能可以將新藥研發(fā)的成功率從12％提高到14％，可以為生物制藥行業(yè)節(jié)省數(shù)十億美元。

　　PhRMA關(guān)于藥物開發(fā)成本的這份報告提出，研發(fā)和臨床研究成功一個要素曾被認為是“運氣”，這正是AI公司希望減少的因素，即使不能完全消除。

　　Pande博士說：“我們發(fā)現(xiàn)制藥公司開始對AI非常感興趣。”他曾是斯坦福大學（Stanford University）教授，之后加入Andreesen Horowitz，領(lǐng)導該公司對AI生物制藥創(chuàng)新公司的投資。目前斯坦福大學的實驗室還以他的名字命名。

　　“我們現(xiàn)在看到的，”他補充道：“以及我在斯坦福大學進行的研究工作能夠?qū)崿F(xiàn)的是，通過機器學習和人工智能，我們可以從藥物研發(fā)的hit階段迅速進入臨床前試驗，這個過程需要一年或者更短?！?/span>

　　Pande博士說，基因組學為人工智能建立了良好的基礎(chǔ)。 “主要的挑戰(zhàn)是如何以一種適合的方式表征生物制藥數(shù)據(jù)。在某些類型的數(shù)據(jù)上AI會很有效，如基因組學數(shù)據(jù)。診斷測試等領(lǐng)域的數(shù)據(jù)幾乎像一個一維的圖片，真的很漂亮，”他說： “我們的投資公司之一，F(xiàn)reenome就是一個很好的例子。他們可以使用基因組學數(shù)據(jù)和AI通過血液檢測發(fā)現(xiàn)早期癌癥，這是我們以前無法辦到的事情。”

　　藥明明碼公司的Smarason先生也同意AI是基因組學解讀方面一直缺失的一環(huán)。 他說：“深度學習會為我們帶來的能力之一，能讓我們在生物學領(lǐng)域中確定一些事物之間的真正因果關(guān)系。我們能找到驅(qū)動疾病的基因或通路，并有望能站在更高的起點上開發(fā)療法?！?/span>

　　Smarason先生舉例說，他的公司與耶魯大學醫(yī)學系合作，發(fā)現(xiàn)了一種以前未知的人體血管系統(tǒng)發(fā)育機制，這對于更好地了解心血管系統(tǒng)和癌癥的血管系統(tǒng)具有重要意義。

　　他說：“我們的深度學習算法預(yù)測到了一種特定的機制，它是血管系統(tǒng)發(fā)育途徑的關(guān)鍵驅(qū)動因素。這是一個以前沒有被發(fā)現(xiàn)過的機制。耶魯大學的生物學家隨后在動物模型中驗證了這一機制?！币虼?，Smarason觀察到，研究人員現(xiàn)在有了一個”全新的可成藥通路“來探索。

　　NuMedii公司的Deshpande博士說，自2010年以來，她的公司“一直是大數(shù)據(jù)，人工智能和系統(tǒng)生物學綜合運用的先驅(qū)，以加速發(fā)現(xiàn)精準治療。 她補充說：“人工智能方法很適合利用大數(shù)據(jù)，因為它們提供了框架來“訓練”計算機識別模式，從大量新的或現(xiàn)有的基因組和其他生物醫(yī)學數(shù)據(jù)中篩選，以解決疾病過程中的各種復(fù)雜的生物網(wǎng)絡(luò)?！?/span>

　　她說，NuMedii正在使用“我們使用多種AI方法，從傳統(tǒng)的機器學習到最新的深度學習，能夠在系統(tǒng)層面快速發(fā)現(xiàn)藥物和疾病之間的聯(lián)系。我們也用AI方法確認患者亞群，以及可能適合每個患者亞群的療法?！?/span>

　　Exscientia正在使用AI來自動化設(shè)計新的藥物分子。Hopkins博士說：“采用我們的方法，藥物研發(fā)項目從開始到發(fā)現(xiàn)候選藥物所需的時間僅僅是醫(yī)藥研發(fā)行業(yè)平均時間的四分之一。 我們的方法已經(jīng)得到驗證，我們現(xiàn)在有了第一個進入臨床的候選分子，使用我們的平臺，這個項目從靶標開始12個月內(nèi)就進入臨床。 對我們來說，AI藥物設(shè)計可以帶來深遠的戰(zhàn)略優(yōu)勢?！?/span>

　　除了為生物制藥公司設(shè)計分子外，Exscientia還計劃開發(fā)一些自己的發(fā)現(xiàn)。Hopkins博士說：“我們公司重視合作，但我們也在開發(fā)自己的化合物組合。我們的系統(tǒng)具有很高的擴展性，因此不希望受到合作伙伴選擇的靶標的限制。”

　　Lanza博士說，Numerate是“在沒有人關(guān)注AI的時候”就成立的一家先驅(qū)。他們的初創(chuàng)團隊里有計算機科學家和新藥研發(fā)人員，他們在臨床和市場上都有化合物。

　　該公司正在將AI用于小分子藥物研發(fā)。 Lanza博士說：“從科學的角度來看，我們的差異化在于轉(zhuǎn)化能力。首先，我們能夠使用非常小的數(shù)據(jù)集來解決新興的生物學問題，即使這些數(shù)據(jù)不適合用深入學習的方法進行研究。其次，我們的建模是基于3D配體信息。另一個轉(zhuǎn)化能力就是我們的ADME和毒性預(yù)測功能?！?/span>

　　AI新藥研發(fā)的未來

　　Numedii的Deshpande博士總結(jié)了這些公司所引領(lǐng)的AI生物制藥行業(yè)的方向。

　　她說：“我們的目標是加快藥物研發(fā)，降低研發(fā)成本，降低臨床試驗的失敗率，所有這些都可能最終導致更好，更精確的藥物?！?/span>

　　另外，當前藥物成本逐漸升高，這樣一種研發(fā)的重大轉(zhuǎn)變，應(yīng)該從邏輯上以較低的價格到達消費者端或者支付端。

　　Tufts藥物開發(fā)研究中心2014年的一項研究顯示，一款上市新藥的平均藥物研發(fā)成本在10年內(nèi)增長了145％。

　　Pande博士預(yù)測，通過實現(xiàn)兩個重要的行業(yè)里程碑，AI可能會導致藥品價格降低。 他說：“一是大大縮短開發(fā)時間，開發(fā)時間的壓縮是巨大的?！?/span>

　　這里的理由是，更快地進入市場可以解決生物制藥公司面臨的一個主要問題—— 缺乏專利保護以獲得市場專有權(quán)來收回研發(fā)費用。

　　2016年5月23日，一篇發(fā)表在科學雜志《SpringerPlus》上的文章指出，一款新藥從最初的專利申請到獲得監(jiān)管部門批準平均需要12到13年，最后只剩下7到8年的專利保護期獲得市場排他性。研究人員的結(jié)論是，“大部分新藥都沒有足夠的時間來收回前期的研發(fā)費用，并且獲得投資的正面回報。”

　　Pande博士說：“如果我們能夠更快地開發(fā)成功，就可以有更多的時間來攤銷成本。這點特別吸引人?！?/span>

　　AI可能影響藥價的第二種方法是提高臨床試驗的成功率。根據(jù)2016年10月3日《Clinical Leader》的一篇文章，臨床試驗失敗的成本估計在8億美元至14億美元之間，相當于平均26億美元的新藥開發(fā)成本的三分之一到一半以上。

　　Pande博士說，臨床試驗失敗 “也要支付，所以如果可以減少失敗的試驗，當然會降低成本”。

　　Pande博士說，除了這兩個“簡單的勝利”之外，AI可能會以人們無法期望的方式在某些領(lǐng)域產(chǎn)生影響。他說：“我們看到的一個領(lǐng)域是數(shù)字療法的興起。這些是用于行為療法的軟件程序，通常是關(guān)于認知行為療法?！?/span>

　　例如，他指出，美國疾病控制和預(yù)防中心（The U.S. Centers for Disease Control and Prevention）進行的糖尿病預(yù)防項目顯示，對2型糖尿病的行為療法比藥物二甲雙胍更有效。

　　Pande博士認為，數(shù)字療法也可以用于治療焦慮，抑郁癥，甚至阿茲海默病，提供藥物替代療法。

　　他說：“另一個有趣的領(lǐng)域是，你可以結(jié)合數(shù)字治療和現(xiàn)有的小分子（藥物）。你甚至可以用低成本方式，將一個非專利藥物做成同類最好的藥物。”

　　AI新藥研發(fā)的挑戰(zhàn)

　　然而，大多數(shù)這些預(yù)期的研發(fā)節(jié)省措施是長期的，在人工智能應(yīng)用方面仍然存在挑戰(zhàn)。

　　Smarason先生說，還沒有直接與AI相關(guān)的產(chǎn)品被批準。 “但是我會說，我們肯定會在10年的時間框架內(nèi)，看到一些跟AI相關(guān)的重要（藥物）產(chǎn)品面世。”

　　根據(jù)Hopkins博士的觀點，目前AI面臨的挑戰(zhàn)之一是要求“藥物研發(fā)領(lǐng)域?qū)＜叶x合理的問題。如果提出的問題太宏大，相關(guān)數(shù)據(jù)不足，提交給AI的問題就會不完善?！?/span>

　　Deshpande博士說，另一個挑戰(zhàn)是獲得“高質(zhì)量和一致性的數(shù)據(jù)來訓練算法。目前數(shù)據(jù)通常保存在孤島中，并且跨越多個組織?！?/span>

　　Lanza博士補充說，克服傳統(tǒng)的研發(fā)文化也是一個挑戰(zhàn)。 他說：“人工智能本質(zhì)上意味著不可以解釋，而是更多地用作‘黑匣子’。我經(jīng)常聽到，為了使這些預(yù)測預(yù)言，科學家們想知道AI是如何做到的。 這是通常思考AI的錯誤方式。關(guān)鍵是，這些算法可以看到的數(shù)據(jù)中的信號對于人類而言太窄或太寬。因此，如果我們要求人工智能產(chǎn)生人為可解釋的結(jié)果，就可能限制AI去解決最有趣的問題。”

　　原始英文報告《Artificial Intelligence Poised to Transform the Drug Industry from Laboratory to Bedside》