人工智能（AI）在过去十年左右的时间里已经从科幻小说变成了现实，并且正在颠覆（或有望颠覆）地球上几乎每一个进程。比如帮助驾驶我们的汽车、飞机和宇宙飞船，建议在Netflix上观看哪些电影，或者帮助扰乱许多其他事情，既大又平凡。其中，医药行业可以说是一个真正生死存亡的行业。而且，制药行业也在使用计算机和计算机工具（比如AI），但为什么制药行业几乎没有被颠覆的迹象？有专家认为，医药行业仍是效率相对较低的行业之一，也是阻力的一个原因。技术颠覆的最后一个桥头堡。此外，专家表示，自1950年代以来，制药行业的效率一直在下降，尽管其他行业的生产率和效率有所提高。例如，现在将药物或新分子实体(NME)推向市场的成本超过26亿美元。这笔费用（甚至包括药物尝试失败的费用）最终会直接转嫁给患者、客户和纳税人，包括你我。因此，作者希望在本文中相对客观地讨论传统药物发现所面临的挑战，包括人工智能在药物发现方面的当前方法以及该领域新技术和新工艺创新的潜力。赌博：传统药物发现要了解AI在小分子药物发现中的潜力和局限性，重要的是首先要了解制药公司传统上是如何处理药物发现过程的。如前所述，制药业是地球上风险最高的行业之一。小分子药物发现过程包括几个步骤：科学家提出疾病假设、确定靶点、设计分子，然后进行临床前研究。平均所需时间为5年，可能的成本高达数亿美元。临床开发过程可能还需要五年时间和数亿美元。干预措施在流程的第1阶段（安全性）、第2阶段（有效性）和第3阶段（大规模的安全性和有效性）进行测试。▲药物发现和开发的各个阶段：基于Paul等人2010年的文章《如何提高研发生产力：制药行业的主要挑战》（图：AlexZhavoronkov,InsilicoMedicine）所以，药物发现大同小异到分子游戏桌。轮盘赌桌上有2000多个药物靶点和数千种疾病，每个患者在某种程度上都是不同的。在如此复杂的环境中为特定患者定位选择正确目标的可能性小得离谱。这就是为什么众所周知，投注轮盘赌很少会得到很好的回报，玩家在输了时必须放轻松。医药行业虽然是一个轮盘赌，但是全世界最聪明的人都在赌这个轮盘赌。以99%的概率，这些人都会输。而且每次赌的时间都是八年或者更长，前四年可以改赌。从第二次为期四年的临床试验开始，轮盘开始转动。下更多赌注。通常，那些在头四年下注的人并不是决定在临床阶段缩小规模或加倍下注的人。AI帮助，AI希望，还是AI噱头？面对荒谬的赔率和数据密集型环境，有人可能会争辩说人工智能非常适合制药公司。现实情况是，尽管现代技术进步的许多方面（包括移动通信和个人计算、互联网和基因组测序）发生了重大破坏，但药物开发成本仍在继续增加。事实上，利用AI来提高赔率的想法其实是制药行业的一种权衡。一方面，这可以为医药领域带来更多的投资和人才。但在所有的炒作中，药品价格仍在飞涨，这让一些人更加怀疑。制药行业的资深人士看到有希望的技术突破不断涌现，但研发并没有显着改善，他们更愿意在整个药物发现过程中逐步发展内部能力，而不是押注于特定的能力。赋能技术。今天，“AI希望”和“AI噱头”仍在角力。一方面，人工智能专家预测变化即将到来，而另一方面，持怀疑态度的药物发现专家认为所有最新的发展不过是渐进式变化和噱头。出于同样的原因，大多数行业专家对深度学习的前景持怀疑态度。用深度学习打破炒作我们经常听说AI是制药行业的潜在救星，原因有很多，例如，基于深度学习模型（例如生成对抗网络，又名GAN）的药物开发，这将是对医药行业的重视有很大的影响。在业界，第一篇关于“生成对抗网络”的论文是IanGoodfellow于2014年发表的。如今，他被誉为“GAN之父”。GAN可以被视为两个深度神经网络之间的竞争——一个网络是生成器，它根据一组所需的标准创建新颖的内容，另一个网络称为鉴别器，用于测试生成器的输出。真假。几乎立即，这项技术带来了一些有趣的结果。2016年，几个小组使用GAN用自然语言创建逼真的图像。例如，GAN可以根据“这只小鸟有粉红色的胸部和羽冠，以及黑色的初级和次级飞羽”等描述，生成或“想象”大量具有这些特征的鸟类图像。大约在同一时间，我们的Insilico团队开始研究GAN是否可用于发现可能有用的新化学结构或分子。从生成鸟类图片和DeepFakes到创建超精确设计的新分子，这听起来像是不合逻辑的一步，但我们已经取得了相当大的成功，2016年发表了一些早期的同行评审论文，随后是许多生成方法，并且还开始将这些方法与深度强化学习相结合。但是，尽管我们发表了数十篇论文，但制药行业的许多计算化学家和药物化学家仍然持怀疑态度。他们的怀疑也不是没有道理的。明确证明这些生成方法可以对制药行业产生重大影响的唯一方法是采用一种影响数百万人的疾病，而不仅仅是一种罕见疾病，并完全以“不干涉”的方式使用AI方法。通过这种方式，AI可用于生成针对AI选择目标的新分子，生成的分子可在生物分析、动物研究以及有望在人类研究中得到验证。.▲完整的圈子：目标识别、小分子生成和验证被用来证明AI在药物发现中的价值（图：AlexZhavoronkov，InsilicoMedicine）但这样做在学术界几乎是不可能的，因为成本非常昂贵，还需要多种专业知识，包括分析开发和化学合成，出于同样的原因，这在初创企业中很困难。因此，作者预测我们今年或明年会走到这一步——重大疾病的绝对新靶点，绝对新分子和相应疾病的实验验证。两到三年后，看到这些分子出现在二期临床研究中。只有这样，怀疑论者才会满意。但这还需要几年时间。人工智能在制药业的未来总的来说，作者对人工智能方法生产急需药物以改善健康和治疗疾病的未来持乐观态度。生成强化学习（以及量子计算的迷人前景）等方法的组合和整合让我们对未来充满期待。但我们必须意识到我们面临的挑战。生物学很复杂，化学很复杂，临床试验也很复杂。同时在三个非常复杂的领域取得成功是一项艰巨的任务！▲完全集成的“制药AI大脑”：涵盖药物发现和开发的所有领域（图：AlexZhavoronkov，InsilicoMedicine）因此，制药AI的成功关键在于打造一个可用于识别生物靶点的大型集成系统，这样的系统将有助于设计新的分子，并可以个性化治疗和预测临床试验的结果。同时，我们还需要一个能够跨越十年甚至更长发现和开发周期的巨大药物大脑，能够将临床数据重新整合到靶点发现中。完成这些任务可能需要几年时间。科学家需要结合多种策略和方法，以显着加快小分子药物发现系统的开发，因此他们必须是药物发现方面的多学科专家。以当前的COVID-19疫情为例，传统的和AI驱动的方法其实都不是很有效。作者预测，在四个月内，所有FDA批准的药物中约有10%将用作诊断和治疗方法。毕竟新药的研发还没有取得可观的临床效果。科学家在人工智能和实验室自动化方面仍有很多工作要做，以显着加快药物开发。
