聚焦 人工智能为药物挖掘赋能
■ 徐曼 2015年,硅谷的 Atomwise公司通过IBM超级计算机,在不到一天的时间内从规模庞大的分子结构数据库中筛选出能控制埃博拉病毒的两种候选药物,而研发成本仅为数千美元,研究周期也仅需要几天时间,以往类似研究需要耗时数月甚至数年时间,并且成本需要上亿乃至数十亿美元。 在研发该新药过程中,Atomwise通过分析建立埃博拉病毒入侵生物细胞模型,利用类人脑神经网络算法进行药物成分分析,检测到目前已知7000种可能成功对抗这种病毒模型的药物,根据这个结果再筛选和组合,极大地降低了研发的工作量和难度。 AI驱动药物挖掘 药物挖掘,主要完成的是新药研发、老药新用、药物筛选、药物副作用预测、药物跟踪研究等方面的内容。在药物研发领域,药物从一个靶点到先导化合物到临床前研究、临床研究,再到上市后的四期临床,通常会经历非常漫长的过程,超长的研发周期、高昂的研发成本以及较高的研发失败率长期以来都在制约着该行业的发展。与此同时,传统的渐进式的研发生产模式,使得现阶段相对容易取得的研发成果被探索殆尽,随着治疗标准的不断提高,新药研发生产的困难进一步加大,制药公司目前只能通过更努力的创新以便在竞争中胜出。 随着公共云服务平台的发展成熟,高效的运算平台和不断精进的AI算法为医药研发领域向智能化方向建设提供了基础和保障。人工智能的核心能力是人类自身已有的能力和知识,但与人类相比,其最大的优势在于知识的链接和计算能力的高效,而药物挖掘是基于海量的知识、数据以及脑力劳动的行业活动,人工智能的上述优势在药物研发领域能够针对性地发挥其自身价值,通过高效的算法和强大的算力,有效缩短新药研发周期,降低失败风险并控制研发成本;通过计算机模拟,可以对药物活性、安全性和副作用进行预测;借助深度学习,在心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等多领域迅速寻找突破口。 重塑药研模式 相较于传统的 “瀑布式创新”,AI驱动下的药物研发是以最大化发挥机器学习、深度学习、大数据和云计算的协同价值为核心,这意味着现有的研发和业务流程必须重新设计,并在许多环节实现智能化和自动化。 在研究和开发两大药物研发环节中,人工智能通过流程优化、图像与文本识别等方法,辅助进行新靶点确认、筛选标志物、预测药效、预测小分子药物晶型结构优化工艺开发流程等。除此以外,对于替代性药物的挖掘、分析化合物的构效关系等,人工智能也能起到提升效率作用。 从短期看来,人工智能目前主要是提供单点式辅助性的解决方案。长期来看,随着不断发展和渗透,人工智能未来势必会介入药物研发的全流程。然而,生物制药行业对自己的业务和研究方法是出了名的保守,药物发掘的投资回报周期远长于其他领域,临床验证的速度也非常慢,技术创新往往不会立即改变我们的生活和工作方式,药物挖掘尤其如此。因此,若要达到对其研发和生产的组织变革的要求,还有很长的路要走。 针对医药行业,我国政府出台了一系列政策推动药物研发和审批变革,从政策层面对药物创新进行激励和保护,从创新药物审评体系、专利保护、价格保护、人才储备和资金投入等方面来鼓励药物创新。目前,我国的国产药中,仿制药占九成以上,药品产能过剩,但重大创新较少。总体来说,我国药企研发能力偏弱,研发经费投入不足,相关部门药品审评慢,在今后的药企竞争过程中,研发的数字化、智能化转型是影响药企实力分化的重要因素之一。 迎来机遇期 对于传统的生物制药公司来说,需要时间来消化吸收AI驱动力真正能为药物开发带来的好处,评判如何在他们的工作环境和流程中恰当地运用这种新技术,并决定将其内化为自身产业的部门还是选择将技术外包分工等问题。对于新兴的AI初创公司来说则需要专注于实施策略和实际应用案例的推广,以应对药物发现中特定的挑战。比如,部分人工智能医药研发公司就专注于利用最前沿的计算物理、分子动力学、人工智能与云计算等技术提供药物晶型预测的服务等。 由于药物发掘的人工智能的应用过程,本质上是对人类既有医学知识和数据的开发和应用,这便针对其人才培养提出了相应的需求。对药物发掘基础和AI开发科学家的培养,行业需要时间来建立新的培训体系,提供跨学科的专业人才,企业的预算支出和政府的政策激励导向等也应该从这些角度来考虑。我国在这个领域起步相对较晚,影响力相对于欧美等发达国家存在一定差距,但考虑到AI药物研发 “初级阶段”势必会持续较长一段时间,虽然对于药物发掘的不同阶段已经有对应的AI驱动工具显露价值,但最终要让AI驱动对接整个药物研发始终,是需要产业级别的技术成果来推动。这个时期将是国内进行相关药物发掘追赶的最佳时期,我国应从产业布局、人才培养以及技术创新等方面积极开展相关活动。 (本文作者系南开大学商学院信息资源管理系副教授,中国机械工程学会工业工程分会副秘书长)
|