91久久天天躁狠狠躁夜夜,一本色道久久综合狠狠躁,一本色道久久综合狠狠躁

本文選自《藥學(xué)進(jìn)展》2021年第7期，作者劉曉凡 1，孫翔宇 1，朱迅 2* ?！端帉W(xué)進(jìn)展》雜志是由中國藥科大學(xué)和中國藥學(xué)會共同主辦、國家教育部主管

（1. 火石創(chuàng)造，浙江杭州 310051；2. 吉林大學(xué)基礎(chǔ)醫(yī)學(xué)院，吉林長春 130021）

人工智能作為一種新興技術(shù)，是新藥研發(fā)實現(xiàn)降本增效的重要方式之一，人工智能 + 新藥研發(fā)已成為中國醫(yī)藥企業(yè)加速創(chuàng)新轉(zhuǎn)型的重要驅(qū)動力。對國內(nèi)外相關(guān)文獻(xiàn)和資料進(jìn)行檢索和歸納，重點分析人工智能在新藥研發(fā)領(lǐng)域的應(yīng)用模式，總結(jié)開展人工智能應(yīng)用的企業(yè)主體及應(yīng)用場景，探究我國人工智能賦能新藥研發(fā)面臨的主要挑戰(zhàn)。

當(dāng)前，新藥研發(fā)面臨著成本高企、收益率下降的雙重困境。新藥研發(fā)具有技術(shù)難度大、投入資金多、研發(fā)風(fēng)險大、回報率高和研發(fā)周期長等特征，隨著疾病復(fù)雜程度的提升，新藥研發(fā)難度和成本迅速增加，全球新藥研發(fā)成功率呈明顯下降趨勢。2019 年，艾昆緯（IQVIA）發(fā)布報告 [1] 指出，新藥從臨床試驗開始到研發(fā)結(jié)束的平均開發(fā)時間在過去 10 年里增加了 26%，2018 年達(dá)到 12.5 年；新藥開發(fā)成功率不斷下降，2018 年降至 11.4%。據(jù) Nature 雜志報道，新藥研發(fā)成本快速增長，2018 年開發(fā)的平均成本約為 26 億美元 [2]。新藥投資回報率不斷下滑，德勤發(fā)布的報告顯示，2017 年全球前 12 大制藥公司的研發(fā)投資回報率僅為 3.2%，較 2010 年的 10.3% 下降7 個百分點 [3]。

人工智能（artificial intelligence，AI）的發(fā) 展，為新藥研發(fā)帶來了新的技術(shù)手段。通過機器學(xué)習(xí)（machine learning，ML）、深度學(xué) 習(xí)（deeplearning，DL）等方式賦能藥物靶點發(fā)現(xiàn)、化合物篩選等環(huán)節(jié)，大大提升了新藥研發(fā)的效率，為降本增效提供了可能 [4]。應(yīng)用 AI 技術(shù)，可縮短前期研發(fā)約一半時間，使新藥研發(fā)的成功率從當(dāng)前的 12% 提高到 14%，每年為全球節(jié)約化合物篩選和臨床試驗費用約 550 億美元 [5]。

提升新藥研發(fā)效率，對加快開發(fā)臨床需求未被滿足的創(chuàng)新藥物，助力藥企搶占“best-in-class”和“first-in-class”藥物市場的機遇窗口期，從而提升藥企全球競爭力具有重要意義。AI 技術(shù)作為提升新藥研發(fā)效率的重要驅(qū)動力量，正在加速對新藥研發(fā)各環(huán)節(jié)的滲透 [6]。本文通過對 AI 技術(shù)、AI 賦能新藥研發(fā)應(yīng)用場景，以及應(yīng)用 AI 技術(shù)的企業(yè)主體進(jìn)行總結(jié)梳理，并展望 AI 技術(shù)未來發(fā)展趨勢，為 AI+新藥研發(fā)提供思路與參考。

人工智能 + 新藥研發(fā)的應(yīng)用模式

與 AI 在其他場景的應(yīng)用類似，AI+ 新藥研發(fā)的實現(xiàn)路徑包括五大流程：1）獲取目標(biāo)訓(xùn)練數(shù)據(jù)集；2）AI 自主學(xué)習(xí)算法建模；3）多次訓(xùn)練優(yōu)化模型；4）測試集應(yīng)用以評估模型性能；5）基于模型實現(xiàn)分子篩選、預(yù)測、分析等預(yù)定目標(biāo)。算法、數(shù)據(jù)集和模型這 3 個要素是必不可少的部分，其中，算法和數(shù)據(jù)是實現(xiàn)應(yīng)用的關(guān)鍵。

1.1 人工智能 + 新藥研發(fā)應(yīng)用算法

AI 技術(shù)涵蓋 ML 和 DL，如表 1 所示。ML 算法在新藥研發(fā)領(lǐng)域被廣泛用于分類和回歸預(yù)測等方面，常見的 ML 算法包括決策樹（decision tree）、隨機森林（random forest）、支持向量機（supportvector machine）、k-最近鄰算法、樸素貝葉斯分類器等；DL 算法包括深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）、卷積深度網(wǎng) 絡(luò)（convolutionalneural network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrentneural network，RNN）和自編碼器（autoencoder，AE）等。DL 算法適合處理大數(shù)據(jù)，模型也更為復(fù)雜。隨著計算機性能的提高和數(shù)據(jù)量的積累，DL 算法在新藥研發(fā)中的應(yīng)用越來越廣 [7]。

DNN 是最早應(yīng)用于藥物發(fā)現(xiàn)的 DL 算法之一，最早來源于1943年McCulloch等[8]提出的計算模型。CNN 是一種前饋神經(jīng)網(wǎng)絡(luò)，它在圖像識別領(lǐng)域的表現(xiàn)優(yōu)異 [9]。RNN 是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，具有記憶能力，可用于處理基因和蛋白序列數(shù)據(jù)等 [10]。自編碼器的目的在于重構(gòu)輸入數(shù)據(jù)，可生成學(xué)習(xí)模型，在藥物分子生成方面應(yīng)用前景廣闊 [11]。DNN、CNN、RNN 等 DL 算法模型通過定量結(jié)構(gòu)性質(zhì)關(guān)系（QSPR）或定量結(jié)構(gòu)活性關(guān)系（QSAR）等預(yù)測藥物分子的物理化學(xué)性質(zhì)以及藥物的吸收、分布、代謝、排泄和毒性（ADMET）。

表1：人工智能常見應(yīng)用算法

來源：火石創(chuàng)造根據(jù)公開資料整理

面向新藥研發(fā)的 AI 分子篩選技術(shù)入選《麻省理工學(xué)院技術(shù)評論》發(fā)布的 2020 年“全球十大突破性技術(shù)”。AI 技術(shù)的發(fā)展正從傳統(tǒng)的大樣本訓(xùn)練向小樣本學(xué)習(xí)、反饋學(xué)習(xí)的模式轉(zhuǎn)變，小樣本學(xué)習(xí)、零樣本學(xué)習(xí)將逐漸在藥物研發(fā)中應(yīng)用和推廣 [12]。

1.2 人工智能 + 新藥研發(fā)應(yīng)用數(shù)據(jù)

新藥研發(fā)過程涉及大量的數(shù)據(jù)，包括文獻(xiàn)資料、化合物數(shù)據(jù)、靶點數(shù)據(jù)、專利數(shù)據(jù)、臨床試驗數(shù)據(jù)、真實世界數(shù)據(jù)、藥品審評審批數(shù)據(jù)、市場銷售數(shù)據(jù)等。面對海量、多源、異質(zhì)性的數(shù)據(jù)，AI 技術(shù)應(yīng)用已逐漸跳出以靶點和分子篩選為核心的傳統(tǒng)新藥研發(fā)模式，形成以數(shù)據(jù)為核心的研發(fā)模式。

IBM 公司開發(fā)的 Watson 系統(tǒng)，通過閱讀 2 500萬篇文獻(xiàn)摘要、100 萬篇完整論文和 400 萬篇專利文獻(xiàn)，來預(yù)測 RNA 結(jié)合蛋白（RNA binding protein，RBP）與肌萎縮側(cè)索硬化（ALS）的相關(guān)性。英國生物科技公司 Benevolent Bio 從全球范圍內(nèi)海量的學(xué)術(shù)論文、專利、臨床試驗結(jié)果、患者記錄等數(shù)據(jù)中，提取對新藥研發(fā)有用的信息；Atomwise 公司利用其核心技術(shù)平臺 AtomNet 識別重要的化學(xué)基團(tuán)，如氫鍵、芳香度和單鍵碳，分析化合物的構(gòu)效關(guān)系，從而用于新藥發(fā)現(xiàn)和評估新藥風(fēng)險。

人工智能 + 新藥研發(fā)的應(yīng)用企業(yè)

近年來，越來越多的企業(yè)布局 AI+ 新藥研發(fā)，探索如何用 AI 技術(shù)實現(xiàn)新藥研發(fā)的降本增效。據(jù)Deep Pharma Intelligence 統(tǒng) 計，截至 2020 年，全球共有 240 家 AI+ 新藥研發(fā)企業(yè)，主要分布在美國、英國和加拿大，國內(nèi)也有一些從事此類工作的企業(yè)。目前，探索 AI+ 新藥研發(fā)的企業(yè)主要有三類：一是 AI 藥物研發(fā)創(chuàng)新企業(yè)，如 Exscienta、BenevolentAI、Atomwise、Relay Therapeutcs、晶泰科技、燧坤智能等；二是 IT 巨頭，如 Google、微軟、騰訊、阿里巴巴集團(tuán)等；三是大型制藥企業(yè)，如羅氏、阿斯利康、強生、葛蘭素史克（GSK）等，見圖 1。

新藥研發(fā) IT 巨頭傾向于利用自身的互聯(lián)網(wǎng)基礎(chǔ)與平臺優(yōu)勢進(jìn)行技術(shù)布局，進(jìn)入方式為自主研發(fā)相關(guān)產(chǎn)品，開發(fā)相關(guān)領(lǐng)域針對性技術(shù)以賦能行業(yè)應(yīng)用，業(yè)務(wù)領(lǐng)域不斷下沉，或者通過外延并購擴(kuò)張業(yè)務(wù)版圖，例如騰訊進(jìn)軍 AI+ 新藥研發(fā)領(lǐng)域，發(fā)布首個 AI驅(qū)動的藥物發(fā)現(xiàn)平臺“云深智藥（iDrug）”，谷歌計劃斥資 4 億美元收購 AI 企業(yè) DeepMind。

圖1：人工智能+新藥研發(fā)企業(yè)圖譜

來源：火石創(chuàng)造根據(jù)公開資料整理

AI+ 新藥研發(fā)企業(yè)多以技術(shù)優(yōu)勢切入 1 個或多個應(yīng)用場景，如 Benevolent AI 構(gòu)建判斷加強認(rèn)知系統(tǒng)（judgment augmented cognition system，JACS）技術(shù)平臺，針對包括阿爾茨海默病和罕見腫瘤在內(nèi)的 4 個不同領(lǐng)域的疾病進(jìn)行 10 多種藥物的研發(fā)，晶泰科技組建 Renova AI 新藥研發(fā)平臺，提供“計算+ 實驗”新模式下的藥物設(shè)計與固體形態(tài)研究服務(wù)。

大型藥企則以自建 AI 研究團(tuán)隊、投資并購或與 AI 技術(shù)公司合作的方式，布局 AI 新藥研發(fā)。輝瑞、GSK 和諾華等制藥公司也在內(nèi)部建立了大量的AI 研究團(tuán)隊。當(dāng)前全球十大制藥公司均已布局 AI+新藥研發(fā)，諸多大型制藥公司開始與 AI 初創(chuàng)公司開展合作，例如艾伯維與 AiCure、阿斯利康與 BergHealth、拜耳與Sensyne Health、百時美施貴寶（BMS）Concerto Health AI，以及輝瑞與 IBM Watson 等。

由于 AI+ 新藥研發(fā)創(chuàng)新公司缺少新藥研發(fā)的相關(guān)數(shù)據(jù)、成熟的研發(fā)管線以及資深的藥物專家，而這恰好是傳統(tǒng)制藥巨頭所具備的優(yōu)勢。因此，大型藥企和 AI+ 新藥研發(fā)的技術(shù)公司聯(lián)合是目前主要的業(yè)務(wù)模式。從開展合作情況來看，隨著 AI+ 新藥研發(fā)的發(fā)展，現(xiàn)有制藥生態(tài)系統(tǒng)正從執(zhí)行研發(fā)的傳統(tǒng)利益攸關(guān)方逐漸轉(zhuǎn)向更加多樣化的技術(shù)支持伙伴關(guān)系 [13]。

我國 AI+ 新藥研發(fā)起步較晚，目前尚處在初期階段，據(jù)火石創(chuàng)造統(tǒng)計，國內(nèi)涌現(xiàn)了晶泰科技、深度智藥、云勢軟件、望石智慧等一批創(chuàng)新企業(yè)，主要分布在北京、上海、杭州和深圳等城市。然而，國內(nèi) AI+ 新藥研發(fā)企業(yè)并不多，總數(shù)不足 20 家。

近年來，隨著我國醫(yī)藥產(chǎn)業(yè)創(chuàng)新發(fā)展的加速推進(jìn)，國內(nèi)的醫(yī)藥行業(yè)在 AI+ 新藥研發(fā)領(lǐng)域的跨界合作也在增加：一、醫(yī)藥巨頭與 AI+ 新藥研發(fā)技術(shù)公司合作，例如恒瑞醫(yī)藥與百奧知、豪森藥業(yè)與Atomwise 的合作；二、藥企與 IT 巨頭合作，如正大天晴通過與阿里云合作獲得一種全新的化合物篩選方法 [14]；三、合同研究組織（CRO）企業(yè)與 AI+新藥研發(fā)技術(shù)公司合作，如藥明康德和 Schrdinger合資成立了 Faxian Therapeutics，將藥明康德的先導(dǎo)化合物優(yōu)化服務(wù)與 Schrdinger 的藥物設(shè)計軟件平臺相結(jié)合，從而加速新藥發(fā)現(xiàn)；藥明康德和 Insilico 合作開發(fā)了一種 ML 模型，用于從頭設(shè)計 DDR1 蛋白（一種與纖維化等疾病有關(guān)的激酶）的小分子抑制劑。

人工智能 + 新藥研發(fā)的應(yīng)用實踐

目前，從全球 AI+ 新藥研發(fā)企業(yè)的應(yīng)用實踐來看，AI+ 新藥研發(fā)主要是將 ML、DL 等 AI 技術(shù)，應(yīng)用到前期研究、靶點發(fā)現(xiàn)、化合物合成、化合物篩選、新適應(yīng)證發(fā)現(xiàn)、晶型預(yù)測、患者招募等新藥研發(fā)環(huán)節(jié)（見圖 2）。例如，數(shù)據(jù)挖掘和分析有助于藥物靶標(biāo)的確立，進(jìn)而找到具有潛力的先導(dǎo)化合物 [15]，從而最大程度提升新藥研發(fā)效率。與傳統(tǒng)新藥研發(fā)管線比，基于 AI 和生物計算的新藥研發(fā)管線平均 1 ~ 2 年就可以完成臨床前藥物研究 [16]。靶點識別、先導(dǎo)化合物確定、藥物重定向被認(rèn)為是全球AI+ 新藥研發(fā)最具變革意義的研究領(lǐng)域 [17]，其中靶點發(fā)現(xiàn)和化合物合成是企業(yè)布局的熱門方向。

3.1 前期研究

前期研究主要是基于文獻(xiàn)分析和知識庫建設(shè)，進(jìn)行疾病機制、靶點、藥物作用方式研究。AI 的應(yīng)用主要在文獻(xiàn)數(shù)據(jù)整合分析、新藥研發(fā)知識庫建設(shè)、新藥研發(fā)數(shù)據(jù)集建設(shè)和基準(zhǔn)化合物庫設(shè)計等方面，可以借助 AI 自然語音處理、知識圖譜等技術(shù)實現(xiàn)海量信息的快速提取，從而對推動新藥研發(fā)的眾多知識進(jìn)行聚類分析，幫助提出新的可以被驗證的假說，進(jìn)而加快新藥研發(fā)的進(jìn)程。例如深度智耀整合了數(shù)百個開放數(shù)據(jù)源，通過 ML 技術(shù)，結(jié)合醫(yī)藥研發(fā)專家知識，自動提取醫(yī)藥實體、關(guān)系和屬性，構(gòu)建醫(yī)藥研發(fā)知識圖譜。

圖2：人工智能+新藥研發(fā)應(yīng)用場景

來源：火石創(chuàng)造根據(jù)公開資料整理

3.2 藥物發(fā)現(xiàn)

藥物發(fā)現(xiàn)是關(guān)系新藥研發(fā)成功率的關(guān)鍵環(huán)節(jié)，主要包括靶點選擇優(yōu)化、先導(dǎo)化合物的發(fā)現(xiàn)、先導(dǎo)化合物的篩選優(yōu)化，AI 在藥物發(fā)現(xiàn)環(huán)節(jié)的應(yīng)用聚焦于靶點發(fā)現(xiàn)、晶型預(yù)測以及候選藥物分子的篩選優(yōu)化。

在靶點發(fā)現(xiàn)和驗證方面，可以利用自然語言處理技術(shù)檢索分析海量文獻(xiàn)、專利和臨床試驗報告的非結(jié)構(gòu)化數(shù)據(jù)庫，找出與疾病相關(guān)的潛在的、被忽視的通路、蛋白和機制，從而提出新的可供測試的假說，以發(fā)現(xiàn)新機制和新靶點 [13]。例如，Insilico Medicine 利用自主研發(fā)的 AI 新藥靶點發(fā)現(xiàn)平臺 PandaOmics和 AI 分子生成和設(shè)計平臺 Chemistry42，獲得了全球首例完全由 AI 驅(qū)動發(fā)現(xiàn)的特發(fā)性肺纖維化（IPF）疾病新靶點。

在晶型預(yù)測方面，可以利用認(rèn)知計算實現(xiàn)高效動態(tài)配置藥物晶型，預(yù)測小分子藥物所有可能的晶型。例如艾伯維（AbbVie）結(jié)合晶泰科技的晶型預(yù)測等技術(shù)，設(shè)計了一套新集成模型，能夠以二維結(jié)構(gòu)作為輸入，預(yù)測得到分子的熱力學(xué)溶解度 [18]。相比于傳統(tǒng)藥物晶型研發(fā)，采用 AI 技術(shù)的制藥企業(yè)能更加自如地面對仿制藥企業(yè)的晶型專利挑戰(zhàn)。另外，晶型預(yù)測技術(shù)縮短了晶型開發(fā)的時間，能更加高效地挑選出合適的藥物晶型，進(jìn)而縮短研發(fā)周期，控制成本。

在化合物篩選和優(yōu)化方面，要從數(shù)以萬計的化合物分子中篩選出對特定靶標(biāo)具有較高活性的化合物，往往需要較長的時間和成本，可以利用 AI 技術(shù)建立虛擬藥物篩選模型，快速過濾“低質(zhì)量”化合物，富集潛在有效分子，檢索更快、覆蓋范圍更廣，利用 ML 技術(shù)，從海量化合物中挑選出高潛力候選藥物，從而減少研發(fā)新藥的時間和成本 [19–20]，加速先導(dǎo)化合物的發(fā)現(xiàn)和優(yōu)化，以及候選藥物分子的產(chǎn)生。例如 BenevolentBio 曾借助 JACS 技術(shù)，標(biāo)記出 100個或可用于治療 ALS 的潛在化合物，并成功篩選出5 個化合物；BergHealth 則篩選了多達(dá) 25 萬個疾病組織樣本來尋找癌癥早期的新生物學(xué)指標(biāo)和生物標(biāo)記等。

當(dāng)前來看，AI 藥物發(fā)現(xiàn)在藥物靶點發(fā)現(xiàn)和藥物篩選環(huán)節(jié)的技術(shù)應(yīng)用相對成熟：研究層面，現(xiàn)有 AI解決方案在藥物發(fā)現(xiàn)階段更具先進(jìn)性 [13]，例如阿斯利康作為 AI 領(lǐng)域的探索者，僅在 2019 年就發(fā)布了65 篇 AI 相關(guān)的新藥發(fā)現(xiàn)及研發(fā)的相關(guān)文獻(xiàn)；專利層面，AI+ 新藥研發(fā)領(lǐng)域的專利發(fā)布數(shù)量盡管還較少，但主要技術(shù)指向還是集中分布在藥物發(fā)現(xiàn)的靶標(biāo)確定和化合物篩選這 2 個技術(shù)分支 [21]。

另外，也有研究指出使用目前的數(shù)據(jù)不太可能大幅度地提升 AI 藥物發(fā)現(xiàn)的性能，因為目前的數(shù)據(jù)沒有反映出藥物在體內(nèi)的情況，所以計算機僅利用這些數(shù)據(jù)并不能很好地做出決策，尤其是針對復(fù)雜的疾病。雖然目前有大量的描述化學(xué)特性的數(shù)據(jù)，這些數(shù)據(jù)能夠使計算機生成相應(yīng)的配體，但配體發(fā)現(xiàn)不等于藥物發(fā)現(xiàn) [22]。

3.3 臨床前研究

臨床前研究需要開展藥效學(xué)、藥動學(xué)和毒理學(xué)研究以及藥劑學(xué)研究，主要是提前預(yù)測候選藥物的ADMET 在后續(xù)藥物開發(fā)中起到關(guān)鍵作用的性質(zhì)，評估候選藥物通過臨床試驗的可能性，提高后續(xù)臨床試驗的成功概率。在臨床前研究環(huán)節(jié)，可以利用AI 技術(shù)提升 ADMET 性質(zhì)預(yù)測的準(zhǔn)確度，以及幫助加速識別新適應(yīng)證。

在藥物 ADMET 性質(zhì)研究方面，可利用深度神經(jīng)網(wǎng)絡(luò)算法有效提取結(jié)構(gòu)特征的預(yù)測方式，進(jìn)一步提升 ADMET 性質(zhì)預(yù)測的準(zhǔn)確度。例如，云深智藥采用“從頭折疊”的蛋白質(zhì)結(jié)構(gòu)預(yù)測方法幫助解析了 SRD5A2 晶體結(jié)構(gòu)，并通過自研 AI 工具“tFold”有效提升了蛋白質(zhì)結(jié)構(gòu)預(yù)測精度，在科研突破中發(fā)揮了核心作用 [23]。

在新適應(yīng)證拓展方面，一是可以利用 AI 的 DL能力和認(rèn)知計算能力，將已上市或處于研發(fā)管線的藥物與疾病進(jìn)行匹配，發(fā)現(xiàn)新靶點，擴(kuò)大藥物的治療用途；二是借助公共領(lǐng)域的公開大數(shù)據(jù)集資源，可以利用 AI 算法，選擇訓(xùn)練推導(dǎo)出預(yù)測跨目標(biāo)活動的 ML 模型，應(yīng)用于藥物的再利用，實現(xiàn)對現(xiàn)有藥物識別新的適應(yīng)證；三是利用 AI 技術(shù)通過模擬隨機臨床試驗發(fā)現(xiàn)藥物新用途 [24]。例如，燧坤智能通過ML 預(yù)測，利用 AI 算法系統(tǒng)性整合疾病、靶點、藥物等多個維度的海量數(shù)據(jù)，重建藥物-靶點相互作用網(wǎng)絡(luò)，實現(xiàn)了對藥物-靶點相互作用的全景刻畫，實現(xiàn)老藥新用、在研藥物二次開發(fā)、失敗藥物再利用、天然產(chǎn)物開發(fā)等。

3.4 臨床試驗

臨床試驗是新藥研究中周期最長、成本最高的環(huán)節(jié)，由于患者隊列選擇和臨床試驗期間對患者的監(jiān)測不力等原因，當(dāng)前的藥物臨床試驗成功率不高，通常 10 種進(jìn)入臨床試驗的化合物中只有 1 種能進(jìn)入市場。在臨床試驗環(huán)節(jié)，可以利用 ML、自然語言處理等技術(shù)輔助臨床試驗設(shè)計、患者招募和臨床試驗數(shù)據(jù)處理。

AI 輔助臨床試驗設(shè)計主要是利用自然語言處理技術(shù)快速處理同類研究、臨床數(shù)據(jù)和監(jiān)管信息，以及讀取臨床試驗等數(shù)據(jù)。例如 Trials.ai 公司使用 AI來優(yōu)化臨床試驗設(shè)計，使患者更容易參加臨床試驗，消除不必要的臨床操作負(fù)擔(dān)。

AI 患者招募主要利用自然語言處理、ML 等技術(shù)，對不同來源的受試者信息和臨床試驗方案的入組 / 排除標(biāo)準(zhǔn)進(jìn)行識別和匹配，包括醫(yī)學(xué)資料的數(shù)字化、理解醫(yī)學(xué)資料的內(nèi)容、關(guān)聯(lián)數(shù)據(jù)集和模式識別、擴(kuò)大受試者范圍、開發(fā)患者搜索臨床試驗的簡化工具等 [25]。例如梅奧診所與 IBM Watson 合作，基于自然語言處理技術(shù)，掃描臨床試驗數(shù)據(jù)庫，為臨床試驗尋找合適的患者。在他們進(jìn)行的一項試點研究中，IBM Watson 臨床試驗匹配系統(tǒng)使乳腺癌試驗的平均每月注冊人數(shù)增加了 80％；零氪科技利用大數(shù)據(jù)整合患者資料，加快了招募患者參加臨床試驗的速度。

AI 輔助臨床數(shù)據(jù)處理主要是利用云計算強大算力支快速處理臨床數(shù)據(jù)分析并及時調(diào)整優(yōu)化整個試驗進(jìn)程，提升臨床試驗風(fēng)險控制能力。例如，太美醫(yī)療推出由病例報告表（CRF）設(shè)計平臺、臨床試驗電子數(shù)據(jù)采集系統(tǒng) / 數(shù)據(jù)管理系統(tǒng)（EDC）、數(shù)據(jù)分析技術(shù)組合構(gòu)成的自動化臨床數(shù)據(jù)解決方案，可以幫助藥企應(yīng)對臨床項目中多變的需求，優(yōu)化數(shù)據(jù)處理的流程。

表 2 介紹了 AI 主要應(yīng)用場景的代表企業(yè)。

表2：人工智能主要應(yīng)用場景代表企業(yè)

來源：火石創(chuàng)造根據(jù)公開資料整理

人工智能 + 新藥研發(fā)面臨的挑戰(zhàn)

AI+ 新藥研發(fā)目前已進(jìn)入快速成長期，備受業(yè)界矚目；但其作為新興領(lǐng)域，也面臨著一些挑戰(zhàn)。

一是生物學(xué)的復(fù)雜性，給數(shù)據(jù)獲取和 AI 算法設(shè)計帶來巨大挑戰(zhàn)。藥學(xué)是一個融合化學(xué)和生物學(xué)的學(xué)科，在數(shù)據(jù)層面，二者具有較大的差異性。一般來說，化學(xué)方面的數(shù)據(jù)更加穩(wěn)定、可控與易于計算；生物學(xué)數(shù)據(jù)涉及受體蛋白的構(gòu)象變化，平衡和偏置信號等難以定量計算?；衔锱c人體靶點的結(jié)合與反應(yīng)過程非常復(fù)雜，目前理論認(rèn)知不足，受環(huán)境影響因素很大，數(shù)據(jù)穩(wěn)定性和可重復(fù)性較差。

二是當(dāng)前的 AI 算法模型只納入部分化學(xué)指標(biāo)，生物學(xué)指標(biāo)不完整。我們能夠基于化學(xué)數(shù)據(jù)去設(shè)計AI 算法，比如判斷小分子的各種體外物理化學(xué)性質(zhì)、晶型以及與靶點結(jié)合的親和力；但是對于小分子藥物在生物系統(tǒng)中的作用很難用一組有限的參數(shù)來定義，而化合物在體內(nèi)的其他特性在模型中被降級為次要的或可忽略部分，包括其前體化合物、代謝產(chǎn)物、濃度依賴性效應(yīng)等，這些被忽略的因素決定著藥物能否到達(dá)其預(yù)期的靶點、能否起到治療效果、以及其毒副作用是否在可以接受的范圍等。這使得 AI 在藥物發(fā)現(xiàn)和藥效評估中面臨著更大的不確定性。

三是高質(zhì)量數(shù)據(jù)制約。我國的醫(yī)藥大數(shù)據(jù)存在數(shù)據(jù)量少、數(shù)據(jù)體系不完整、數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一、數(shù)據(jù)共享機制不完善等問題。諸如病歷、隨訪記錄目前還很難標(biāo)準(zhǔn)化、數(shù)字化；由于涉及患者隱私，臨床數(shù)據(jù)的靈活運用也受到了一定限制；國內(nèi)創(chuàng)新藥研發(fā)起步較晚，原始數(shù)據(jù)積累有限；國內(nèi)藥品數(shù)據(jù)存儲分散，存儲格式不一，完整藥物數(shù)據(jù)獲取比較困難；新藥研發(fā)領(lǐng)域的核心數(shù)據(jù)來源于藥企，考慮到商業(yè)機密的問題，企業(yè)不愿公開核心數(shù)據(jù)。醫(yī)藥數(shù)據(jù)的數(shù)量和質(zhì)量將成為制藥行業(yè) AI 發(fā)展的主要障礙。

四是高端復(fù)合型人才缺失。AI 新藥研發(fā)兼具信息科技和醫(yī)藥雙重屬性，需要一批既掌握 AI 前沿技術(shù)，又精通新藥研發(fā)的復(fù)合型人才，由于我國相關(guān)領(lǐng)域的教學(xué)科研起步較晚，人才問題難以在短期內(nèi)得到解決 [26]。據(jù)統(tǒng)計，全世界大約有 2.2 萬名 AI 領(lǐng)域高端研究人員，而在中國只有約 600 名，人才需求缺口較大 [27]。

五是政策法規(guī)的制定滯后。AI 存在監(jiān)管體系滯后于技術(shù)發(fā)展、政府單向監(jiān)管無法有效管控風(fēng)險、企業(yè)缺乏合規(guī)治理有效工具和體系等問題。AI 因算法不透明、難解釋、跨界傳播性和外溢性強，比一般的數(shù)字治理涉及范圍廣、難度大、問題突出。當(dāng)前，AI 新藥研發(fā)監(jiān)管體系不健全，缺少具體的評估標(biāo)準(zhǔn)、市場準(zhǔn)入、退出機制和收費機制，難以對潛在的問題進(jìn)行監(jiān)督與反饋。在涉及人格權(quán)、知識產(chǎn)權(quán)、財產(chǎn)權(quán)、侵權(quán)責(zé)任認(rèn)定、法律主體地位等方面的 AI法律法規(guī)尚屬空白 [28]。

結(jié)語

AI 在新藥研發(fā)的各個階段都發(fā)揮著重要作用，也在一定程度上助力藥企降本增效，在資本驅(qū)動下，AI+ 新藥研發(fā)正掀起創(chuàng)新熱潮。但需強調(diào)的是，從已經(jīng)開展 AI+ 新藥研發(fā)的應(yīng)用實踐來看，AI 不是“靈丹妙藥”，不能在一夜之間提高臨床試驗的效率 [29]，當(dāng)前 AI 技術(shù)尚不能為提升新藥研發(fā)效率帶來革命性的突破。受生物系統(tǒng)內(nèi)在的復(fù)雜性和疾病異質(zhì)性特征的制約，AI 分析藥物在體內(nèi)活性的數(shù)據(jù)非常有限，計算機不能很好地做出決策 [30]，導(dǎo)致準(zhǔn)確模擬疾病的發(fā)病機制難度大，使得 AI 技術(shù)在提升新藥的臨床試驗成功率方面發(fā)揮的作用還非常有限。因此，未來 AI 賦能新藥研發(fā)相關(guān)研究和應(yīng)用的進(jìn)一步深化，需要傳統(tǒng)醫(yī)藥研發(fā)基礎(chǔ)科學(xué)（生物化學(xué)、生物學(xué)、生物醫(yī)學(xué)等）和核心 AI 技術(shù)的深度結(jié)合，需要技術(shù)專家、生物學(xué)家、醫(yī)學(xué)家等聯(lián)合攻關(guān)。

著眼當(dāng)下，為了更好地發(fā)展 AI+ 新藥研發(fā)，應(yīng)對其面臨的五大挑戰(zhàn)，提升新藥研發(fā)的效率從而加速我國醫(yī)藥創(chuàng)新升級，一是要突破新技術(shù)和新算法，引導(dǎo)技術(shù)創(chuàng)新以及 AI 技術(shù)在新藥研發(fā)各個環(huán)節(jié)的深入應(yīng)用；二是建立“AI+ 新藥研發(fā)”領(lǐng)域復(fù)合人才跨學(xué)科培養(yǎng)輸出機制，自主培養(yǎng)一批高學(xué)識、高能力的“AI+ 新藥研發(fā)”領(lǐng)域的科研人員、技術(shù)工作者和應(yīng)用開拓者，加快形成滿足行業(yè)發(fā)展需求的人才網(wǎng)絡(luò)；三是集中大數(shù)據(jù)力量助力攻關(guān)重大疾病致病機制、藥物靶點/表型/分子分型研究，完善醫(yī)藥研發(fā)數(shù)據(jù)庫，為拓展 AI 在新藥研發(fā)領(lǐng)域的應(yīng)用構(gòu)建高質(zhì)量數(shù)據(jù)支撐體系；四是強化創(chuàng)制體制設(shè)計，建立支撐保障措施包括及時建立監(jiān)管機制，明晰產(chǎn)權(quán)結(jié)構(gòu)，注重保護(hù)新藥研發(fā)中數(shù)據(jù)資產(chǎn)安全和知識產(chǎn)權(quán)。

參考資料：

Terry M. IQVIA report: biopharma R&D investment has increased32% over last 5 years[EB/OL].(2019-04-23)[2021-06-24].https://www.biospace.com/article/report-biopharma-focuses-on-oncologyrare-diseases-and-orphan-drugs/.
Fleming N. How artificial intelligence is changing drugdiscovery[EB/OL].(2018-05-10)[2021-06-05]. https://www.nature.com/articles/d41586-018-05267-x.
Taylor P. Pharma is 'getting lower returns on R&D’[EB/OL].(2017-12-15)[2021-05-21]. http://www.pmlive.com/pharma_news/pharma_is_getting_lower_returns_on_r_and_d_1214594.
劉伯炎 , 王群 , 徐俐穎 , 等 . 人工智能技術(shù)在醫(yī)藥研發(fā)中的應(yīng)用[J]. 中國新藥雜志 , 2020, 29(14): 1979–1986.
? Wong C H, Siah K W, Lo A W. Estimation of clinical trial successrates and related parameters[J]. Biostatistics, 2019, 20(2): 273–286.
陸濤 . 人工智能在醫(yī)藥領(lǐng)域的應(yīng)用 [J]. 藥學(xué)進(jìn)展 , 2019, 44(1):1–3.
梁禮 , 鄧成龍 , 張艷敏 , 等 . 人工智能在藥物發(fā)現(xiàn)中的應(yīng)用與挑戰(zhàn) [J]. 藥學(xué)進(jìn)展 , 2020, 44(1): 18–27.
Mcculloch W S, Pitts W. A logical calculus of the ideas immanent innervous activity[J]. Bull Math Biophys, 1943, 5(4): 115–133.
Lu H M, Li Y J, Uemura T, et al. FDCNet: filtering deepconvolutional network for marine organism classification[J].Multimed Tools Appl, 2017, 77(17): 21847–21860.
Yang X, Wang Y F, Byrne R, et al. Concepts of artificial intelligencefor computer-assisted drug discovery[J]. Chem Rev, 2019, 119(18):10520–10594.
Chen H M, Engkvist O, Wang Y H, et al. The rise of deep learningin drug discovery[J]. Drug Discov Today, 2018, 23(6): 1241–1250.
Lavecchia A. Deep learning in drug discovery: opportunities,challenges and future prospects[J]. Drug Discov Today, 2019,24(10): 2017–2032.
張建楠 , 李瑩瑩 , 張燁琳 . AI 驅(qū)動新藥研發(fā)深度發(fā)展 [EB/OL].(2021-01-27)[2021-06-28]. http://www.imit.org.cn/index.php?g=&m=article&a=index&id=356&cid=11.
搜狐網(wǎng) . 正大天晴與阿里云合作，AI 制藥提高化合物篩選準(zhǔn)確率 20% 新藥研發(fā)困難重重？正大天晴與阿里云合作用 AI 尋找解決辦法 [EB/OL]. (2018-09-04)[2021-06-30]. https://www.sohu.com/a/251826274_114877.
Willems H, De Cesco S, Svensson F. Computational chemistryon a budget: supporting drug discovery with limited resources:miniperspective[J].J Med Chem, 2020, 63(18): 10158–10169.
Chan H, Shan H, Dahoun T, et al. Advancing drug discovery viaartificial intelligence[J]. Trends Pharmacol Sci, 2019, 40(8): 592–604.
Zhavoronkov A. Artificial intelligence for drug discovery, biomarkerdevelopment, and generation of novel chemistry[J]. Mol Pharm,2018, 15(10): 4311–4313.
Hong R S, Mattei A, Sheikh A Y, et al. Novel physics-basedensemble modeling approach that utilizes 3D molecular conformationand packing to access aqueous thermodynamic solubility: a casestudy of orally available bromodomain and extraterminal domaininhibitor lead optimization series[J]. J Chem Inf Model, 2021, 61(3):1412–1426.
Lee P K. Shortcut strategy for screening compounds with clinicalpotentials for drug development[EB/OL].(2018-11-03)[2021-06-26].https://www.eurekalert.org/pub_releases/2018-12/cuoh-ssf120318.php.
Lin X, Duan X, Jacobs C, et al. High-throughput brain activitymapping and machine learning as a foundation for systemsneuropharmacology[J]. Nat Commun, 2018, 9(1): 5142. DOI:10.1038/s41573-019-0024-5.
Vamathevan J, Clark D, Czodrowski P, et al. Applications ofmachine learning in drug discovery and development[J]. Nat RevDrug Discov, 2019(18): 463–477.
Bender A, Cortés-Ciriano I. Artificial intelligence in drug discovery:what is realistic, what are illusions? Part 1: Ways to make an impact,and why we are not there yet[J]. Drug Discov Today, 2021,26(2):511–524.
Xiao Q, Wang L, Supekar S, et al. Structure of human steroid5α-reductase 2 with the anti-androgen drug finasteride[J]. NatCommun, 2020, 11(1): 5430. DOI:10.1038/s41467-020-19249-z.
Liu R, Wei L, Zhang P. A deep learning framework for drugrepurposing via emulating clinical trials on real-world patientdata[J]. Nat Mach Intell, 2021(3): 68–75.
Ulenaers J. The impact of artificial intelligence on the right to a fairtrial: towards a robot judge?[J]. Asian J Law Econ, 2020, 11(2):20200008. DOI:10.1515/ajle-2020-0008.
朱壽華 , 凌澤農(nóng) , 周金花 . 人工智能技術(shù)在醫(yī)療健康領(lǐng)域的應(yīng)用 [J]. 電子技術(shù)與軟件工程 , 2020, 171(1): 18–19.
央廣網(wǎng) . 中國人工智能人才缺口超 500 萬供求比例僅為 1:10[EB/OL]. (2017-07-14)[2021-06-30]. https://baijiahao.baidu.com/s?id=1572854410914751&wfr=spider&for=pc.
中國日報網(wǎng) . 法律該賦予人工智能什么地位 ? 實現(xiàn)與人的智能疊拼 [EB/OL]. (2018-01-23)[2021-06-30]. https://baijiahao.baidu.com/s?id=1590352506664610651&wfr=spider&for=pc.
Bhatt A. Artificial intelligence in managing clinical trial design andconduct: man and machine still on the learning curve?[J]. PerspectClin Res, 2021, 12(1): 1. DOI:10.4103/picr.PICR_312_20.
Jiménez-Luna J, Grisoni F, Weskamp N, et al. Artificial intelligencein drug discovery: recent advances and future perspectives[EB/OL].(2021-04-02)[2021-06-28]. http://doi-org-443.group10-s.ccame.net/10.1080/17460441.2021.1909567.

本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點擊舉報。

九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区