長久以后，新藥研發(fā)的高回報和高風(fēng)險讓人又愛又恨。新藥研發(fā)的高風(fēng)險主要源于研發(fā)的周期復(fù)雜、耗時長，從活性到成藥性，從制劑到生產(chǎn)工藝，任何一個環(huán)節(jié)的失敗都會讓一款被寄予厚望的新藥研發(fā)前功盡棄。
根據(jù)美國Tufts大學(xué)2014年的一項研究統(tǒng)計，一款新藥從首次合成到進入臨床平均耗時31.2個月，而從臨床I期到成功上市平均再需96.8個月。也正因為投入資金巨大、耗時長、風(fēng)險高，新藥研發(fā)幾乎一直是財力雄厚的巨頭藥企才玩得起的游戲。
另一方面，環(huán)境惡化、全球化、老齡化等現(xiàn)代社會問題所帶來的新的醫(yī)藥市場需求愈發(fā)凸顯，尤其集中在癌癥、傳染性疾病、心血管疾病、神經(jīng)退行性疾病等方面。有預(yù)計到2024年，全球醫(yī)藥市場總規(guī)模將超過11萬億。
面對如此巨大的用藥缺口，制藥行業(yè)亟需能在各個環(huán)節(jié)上降本增效的突破性解決方案，包括高速篩選和設(shè)計有潛力的候選藥、提高藥劑開發(fā)和快速優(yōu)化工藝流程、以及加速臨床試驗的樣本篩選和不良反應(yīng)監(jiān)測等多管齊下，從而實現(xiàn)新藥和新療法的加速研發(fā)和市場化。
在計算方法輔助藥物設(shè)計之前的時代，新藥的篩選幾乎完全依靠化學(xué)合成和生物試驗，成本高耗時長。隨著計算化學(xué)和計算生物學(xué)等學(xué)科的發(fā)展，藥物篩選實現(xiàn)了高通量初篩，既縮小了先導(dǎo)化合物的范圍又以非常低成本的方式覆蓋了更大范圍的化合物結(jié)構(gòu)。
只是早期的計算輔助藥物篩選和設(shè)計的方法效果不穩(wěn)定，這一方面受限于這些模型和算法依賴于科學(xué)家對化合物理化和藥學(xué)性質(zhì)的認知，另一方面計算力的限制導(dǎo)致虛擬篩選其實遠不能覆蓋這種技術(shù)應(yīng)該搜索的全部結(jié)構(gòu)和能量空間（數(shù)量級可能達到10的60次方）。
而伴隨著機器學(xué)習(xí)、人工智能等核心技術(shù)的快速發(fā)展，計算能力的大幅提升，這兩方面的問題都可以迎刃而解。機器學(xué)習(xí)等人工智能算法就是為了處理海量數(shù)據(jù)而生的。而隨著有效數(shù)據(jù)累計的越多計算結(jié)果則越好，并且可以最小程度的依賴于人的先驗知識。
AI或人工智能，是用以指代一個能夠獨立學(xué)習(xí)和決策的系統(tǒng)，它能夠從被給予的輸入（數(shù)據(jù)）中學(xué)習(xí)“知識”，找出規(guī)律，并據(jù)此進行推演和預(yù)測。目前已應(yīng)用于醫(yī)藥行業(yè)的很多方法，比如機器學(xué)習(xí)（包括深度學(xué)習(xí)）、自然語言處理、計算機視覺等都屬于人工智能的范疇。
機器學(xué)習(xí)在靶點識別、藥物篩選、藥物設(shè)計、疾病診斷、傳染病預(yù)測等多方面都有廣泛的應(yīng)用；自然語言處理是一種機器從文本中提取信息的方法，可以被用于分析電子檔案等文本數(shù)據(jù)，甚至于在臨床試驗中招募合適的患者和優(yōu)化實驗設(shè)計；而計算機視覺則在基于醫(yī)學(xué)圖像的疾病診斷、疾控視頻監(jiān)測等應(yīng)用場景中已經(jīng)取得了實質(zhì)性的進展。
人工智能正在逐個擊破醫(yī)療行業(yè)的高成本低效率之痛。
新藥研發(fā)的全過程大致可分為藥物發(fā)現(xiàn)、臨床前研究、臨床研究以及上市四個階段。計算機在傳統(tǒng)的驅(qū)動模式下，主要集中于藥物發(fā)現(xiàn)階段的藥物篩選、結(jié)構(gòu)優(yōu)化等環(huán)節(jié)，伴隨機器學(xué)習(xí)算法的深入，計算驅(qū)動的場景已經(jīng)擴展到了新藥研發(fā)的全過程，其中靶點發(fā)現(xiàn)、藥物篩選、藥物設(shè)計和優(yōu)化、臨床試驗患者招募、優(yōu)化臨床試驗設(shè)計等方面有較為深入的應(yīng)用。
靶點發(fā)現(xiàn)。已經(jīng)上市包括在管線上的藥物靶點數(shù)量非常有限，藥企除了針對已有靶點研發(fā)更有效的新藥，更需要尋找新的靶點以解決抗藥性問題或獲得更好的治療效果。新靶點的發(fā)現(xiàn)依賴于從海量的生物信息學(xué)數(shù)據(jù)找出與疾病的臨床指征的關(guān)聯(lián)，再從中發(fā)現(xiàn)有可藥性的靶點。各種機器學(xué)習(xí)、數(shù)據(jù)挖掘的算法被應(yīng)用于轉(zhuǎn)錄組、蛋白質(zhì)組、代謝組等高通量生物組學(xué)數(shù)據(jù)中，通過大量數(shù)據(jù)不斷的對算法的進行訓(xùn)練，從而挖掘出有潛力的新靶點。
臨床試驗患者招募。在臨床試驗中，機器學(xué)習(xí)和自然語言處理可以應(yīng)用于優(yōu)化和加速患者的招募選擇。通?；颊呷虢M的時間大概占用了全部試驗期的三分之一，而如果臨床試驗招募的患者不合適，會導(dǎo)致約80%的失敗病例。機器學(xué)習(xí)方法可以在臨床試驗的II期和III期中，通過分析患者特異性基因表達譜來選擇特定的患病人群進行招募，從而加速試驗過程，提升成功率。
此外，AI在上市過程中的市場分析定價，后期的不良反應(yīng)監(jiān)測的方面都有可發(fā)揮作用的空間。
人工智能技術(shù)和應(yīng)用場景的日趨成熟，帶來了市場的飛速發(fā)展，從2015年2億美元的市值到2018年的7億，預(yù)計2024年將達到50億美元。作為AI重要應(yīng)用場景之一的制藥行業(yè)，全球領(lǐng)先的制藥公司開始率先擁抱人工智能，或從內(nèi)部孵化或直接與AI科技公司合作。
輝瑞和IBM Watson合作利用后者的計算平臺和ML、NLP等技術(shù)搜索癌癥免疫療法的新靶點，賽諾菲與首個AI制藥臨床試驗公司Exscientia合作，利用Exscientia開發(fā)的AI藥物發(fā)現(xiàn)平臺來優(yōu)化用于心臟病和癌癥治療的先導(dǎo)化合物結(jié)構(gòu)；此外，諾華、拜耳、Lilly等都與微軟、IBM、XtalPi等AI技術(shù)或AI制藥公司在藥物研發(fā)等領(lǐng)域有合作。
除了只就計算可驅(qū)動新藥研發(fā)階段與大型藥企進行合作，像英矽智能這種“端到端”的新藥研發(fā)模式也是未來AI制藥公司可以發(fā)展的商業(yè)模式。AI制藥公司在計算驅(qū)動新藥研發(fā)方面，比之老牌藥企已經(jīng)先行，技術(shù)領(lǐng)先優(yōu)勢如果再配以完備的全鏈條研發(fā)能力，將有望在新藥研發(fā)的速度和成本之戰(zhàn)中勝出。
英矽智能目前不僅和全球三十多家領(lǐng)先的藥企達成合作，還擁有自有管線30多條，用于覆蓋各類疾病的藥物研發(fā)。這種級別的管線數(shù)量，越到后期，資金和資源的壓力越大。英矽的信心一方面來源于AI技術(shù)極大降低了初期研發(fā)的成本和時間，另外其自建的三款A(yù)I藥物研發(fā)平臺可以覆蓋新藥研發(fā)和臨床試驗的三大階段，包括靶點發(fā)現(xiàn)（PandaOmics）、藥物設(shè)計和生成（Chemistry42）、和臨床試驗的結(jié)果預(yù)測平臺InClinico。即便有AI加持，英矽目前的策略仍然是把管線推進到臨床I期，而在II和III時尋求強有力的合作伙伴。
文章來源：佰傲谷BioValley ，作者蔣萍
