AI炒作 or AI希望 | AI何時會顛覆制藥業？

過去十年左右的時間里，人工智能(AI)已經從科幻小說變成了一種非常真實的力量，它幾乎顛覆或者說威脅要顛覆地球上的每一個過程。人工智能幫助汽車、飛機和航天器導航，為你推薦Netflix上的電影，并促進其他數十種重大事件。

盡管可以很容易的使用計算機和計算工具，但相對來說，制藥業幾乎沒有被顛覆的跡象？專家認為，制藥業仍然是效率最低的行業之一。事實上，盡管其他行業的生產力和效率更高，但自1950年以來，該行業的效率一直在下降。舉例來說，將一種藥物或新分子實體（NME）推向市場的成本現在超過26億美元。這筆費用，甚至失敗藥物嘗試費用最終都會直接轉移給您我、患者、客戶和納稅人。

本文中，Alex Zhavoronkov博士希望能介于對人工智能的不切實際的炒作和同樣不切實際的懷疑之間，討論了傳統藥物發現的挑戰性環境，人工智能在藥物發現中的當前路徑及最終的潛力，以及新技術和新工藝對該領域的革新。

下注：傳統藥物發現

為了了解AI在小分子藥物發現中的潛力和局限性，重要的是要了解制藥公司傳統上是如何處理藥物發現過程的。

如前所述，制藥業是地球上風險最高的行業之一。小分子藥物發現的過程包括幾個步驟：科學家形成疾病假說、確定靶標、設計分子、然后進行臨床前研究，平均需要5年時間，并可能花費數億美元。臨床開發過程可能還需要五年時間，并增加數億美元的收入。在此過程中，將在第一階段(安全性)、第二階段(有效性)和第三階段(大規模的安全性和有效性)中測試干預措施。

因此，更好地將藥物發現描述為分子娛樂場。在此輪盤賭輪上，有超過2000種可藥物治療的靶標、數千種疾病，并且每個患者在某種程度上都是獨一無二的。為特定患者亞人群選擇正確靶標是非常復雜的一件事，這就是為什么輪盤賭很少能帶來豐厚的回報，而玩家必須習慣失敗的原因。

即使制藥業是輪盤賭，世界上最聰明的人都在下賭注，但他們仍然有99％的時間輸了。每次賭博都是在八年或以上的時間內進行的，在最初的四年中可以更改賭注，而在第二個四年的臨床試驗中，車輪開始旋轉并且只能減少損失或在其他臨床計劃上更多下注。通常，在頭四年下注的人與在臨床階段決定減價或加倍投資的人不同。

AI幫助、AI 希望或AI炒作

面對這些荒唐的機會并在數據密集型環境中四處游蕩，您可能會認為，人工智能非常適合尋求方法來提高其找到可銷售藥物的可能性。盡管技術的進步使得包括移動和個人計算，互聯網以及基因組測序在內產生了重大影響，但開發藥物的成本卻在穩步增加。

事實證明，可以使用AI來降低賠率的想法已成為制藥業的好消息和壞消息。一方面，AI為該領域帶來了更多的投資和更多的人才。但是，隨著藥品價格飛漲，炒作愈演愈烈，這引起了極大的懷疑。另一方面，制藥業的資深人士看到了有希望的技術突破，但并未顯著提高研發水平，因此，他們寧愿在藥物發現過程的整個范圍內逐步開發內部能力，而不是押注特定的技術。

AI希望與AI炒作之間的緊張關系仍在繼續。實際上，Alex開始從事AI藥物發現的工作以來，每天都有很多文章或分析報告討論AI藥物發現的炒作和希望。一方面，AI專家預測在革新該領域，而另一方面，持懷疑態度的藥物研發專家則將所有最新進展視作增量和炒作。

這就是為什么大多數行業專家對深度學習的前景持懷疑態度的原因之一。

使用深度學習突破炒作

有很多原因可以平息常常被吹捧為AI是制藥行業潛在救星的對話中的炒作，但我們看到了基于深度學習模型（如生成對抗網絡或GAN）的希望。

雖然有些想法可以追溯到1990年代，但Ian Goodfellow于2014年發表了有關“生成對抗網絡”的第一篇論文，現在被稱為“ GAN之父” 因此，生成對抗網絡（GANs）的概念相對較新。顧名思義，將GAN視為兩個深度神經網絡之間的競爭。一個是生成器，它使用所需的一組標準來創建新穎的內容，另一種是稱為鑒別器，用于測試生成器的輸出是真還是假。這項技術推動了一些有趣的結果。2016年，一些使用GAN的團隊使用自然語言創建了逼真的圖像。

大約在同一時間，Insilico Medicine的團隊開始研究GAN是否可以用于發現制藥業可以使用的新型化學結構或分子。從制作鳥類圖片和DeepFakes到為新分子創建超精密設計，這聽起來似乎是不合邏輯的一步，但是在2016年發表的一些早期同行評審論文中取得了相當大的成功。從那時起，Insilico Medicine的團隊已經發布了許多生成方法，并且開始將它們與深度強化學習相結合。盡管會議上有許多論文和演講，但是仍然面臨制藥業中許多計算化學家和藥物化學家的懷疑。這種懷疑并非沒有道理。明確證明生成方法可以對制藥業產生重大影響的唯一方法是，選擇一種會影響數以百萬人的疾病，使用AI方法以完全“無人干預”的方式識別該疾病中的新生物學靶標，然后使用AI以“無人干預”的方式為AI挑選的靶標生成新分子，然后再生物學分析，動物研究乃至人體試驗中驗證該分子。

像這樣的壯舉在學術界幾乎是不可能的，因為它非常昂貴，并且需要包括分析開發和化學合成在內的多種專業知識，出于同樣的原因，在初創企業中很難做到這一點。Alex預測，Insilico Medicine的團隊將在今年或明年達到這一點：絕對新穎的靶標和絕對新穎的分子，對一種主要疾病進行疾病相關的實驗驗證。2-3年后，Insilico Medicine的團隊將在II期臨床研究中看到這些分子。只有這樣，懷疑論者才會滿意，但是要過幾年才能實現。

人工智能在制藥行業的未來

Alex對AI方法的未來持樂觀態度，這種方法可以生產急需的藥物來改善健康和治療疾病。諸如生成強化學習之類的方法的組合和集成以及量子計算的迷人前景，都是對未來充滿激情的原因。但是，讓人們對面臨的挑戰完全透明，生物學非常復雜，化學也很復雜，臨床試驗也很復雜。一次獲得全部三個成功是一項艱巨的任務！

Alex認為，制藥公司AI成功的關鍵是用于識別生物靶標的系統，有助于設計新分子的系統以及可個性化治療并預測臨床試驗結果系統的大規模集成。

制藥業需要一個龐大的藥學大腦，可以跨越十年甚至更長的發現和開發周期，并將臨床數據重新整合到靶標發現中。

可能要花費數年才能完成這些任務。由AI驅動的藥物發現科學家將需要是藥物發現的混合軍事藝術家，結合許多策略和樣式，以便開發可顯著加速小分子藥物發現的系統。

最近的COVID-19大流行證明了當今傳統的和AI驅動的方法的無能為力。Alex估計在短短四個月內，大約有百分之十的FDA批準藥物被提議重新利用，作為COVID-19的可能治療方法，而新的發現工作確實尚未產生有希望的臨床前候選方案。人工智能和實驗室自動化還需要做更多的工作，以大大加快藥物的發現。

參考資料

https://www.forbes.com/sites/cognitiveworld/2020/04/30/ai-hype-or-ai-hope-when-will-ai-disrupt-the-pharmaceutical-industry/#38d2e551ef42

Alex Zhavoronkov

AI 深度學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。