新藥研發和人工智能能擦出什么火花？

　　大多數情況下，藥物研發工作者會利用高通量篩選的方式無限擴大篩選對象以期邂逅目標化合物，提高藥物發現的機率。由于不斷試錯的成本太高，越來越多的藥物研發企業開始引入人工智能開發虛擬篩選技術，以取代或增強傳統的高通量篩選過程。

　　藥物研發企業通過運用人工智能藥物研發系統，能在醫藥研發過程中減少人力、時間、物力等投入，降低藥品研發成本。同時基于疾病、用藥等建立數據模型，預測藥品研發過程中的安全性、有效性、副作用等。此外，隨著人工智能和機器學習的不斷整合，藥物研發企業有望在新藥研發過程中顯著地實現“去風險”，保守估計每年將節約大概260億美元的研發成本。同時，還將提高全球醫療信息領域的效率，節約的成本價值超過每年280億美元。

　　人工智能及機器學習可以應用在藥物開發的不同環節，包括新藥開發、藥物有效性及安全性預測、構建新型藥物分子、篩選生物標志物、研究新型組合療法等。從全球的情況來看，人工智能輔助藥物研發的公司比例相對較高，在研發周期長、投入大、失敗率高等為特點的藥物研發現狀影像下，產業發展的需求量大，可達到千億級的市場。

　　本文整理了一些全球應用人工智能技術進行研發的典型公司。

　　BenevolentAI

　　人工智能用于藥物分子挖掘

　　位于英國倫敦的BenevolentAI成立于2013年，是一家致力于人工智能技術開發和應用的公司，是歐洲最大的AI初創公司，在全世界排名第五。這家公司建立了一種有望更快更好開發新藥的人工智能技術，他們的目標是建立人們期盼已久的“制藥企業2.0”，利用人工智能助力新藥開發，避免代價高昂的臨床試驗失敗。

　　BenevolentAI的核心技術是一個叫做JACS（Judgment Augmented Cognition System）的人工智能系統。他們認為可以通過人工智能把人、技術和生物學結合起來，集中處理全世界大量高度碎片化的信息，用以加速科學研究和發展。自2013年以來，BenevolentAI已經開發出24個候選藥物，且已經有藥物進入臨床IIb期試驗階段。

　　國際制藥巨頭之一的強生公司已經與BenevolentAI達成合作協議，強生將一些已經進入臨床階段的試驗藥物連帶ZL一起特許給BenevolentAI，而BenevolentAI將利用人工智能系統來指導臨床試驗的進行和數據的收集。

　　Berg Health

　　人工智能用于篩選生物標志物

　　眾所周知，生物標志物是指可以標志系統、器官、組織、細胞以及亞細胞結構功能的改變或可能發生的改變的生化指標，可用于疾病診斷、判斷疾病分期或者用來評價新藥或新療法在目標人群中的安全性及有效性。

　　Berg Health是位于美國波士頓的一家生物制藥公司，成立于2006年。公司通過Interrogative Biology技術平臺對患者樣本進行高通量質譜分析，獲得患者的基因組、蛋白組、代謝組以及線粒體功能等多方面的信息。在這過程中，可以從一個患者樣本中獲得上兆個數據點，將這些數據與患者的臨床信息相結合，通過人工智能分析，詳細描繪出患者體內生物系統個體化狀態。根據這些信息，研究人員可以進一步發掘與疾病相關的生物標記物，檢測手段和治療方法。

Berg Health的研發管線

　　2016年10月，Berg Health公司與美國國防部宣布達成合作，利用人工智能技術開展新藥研發。以尋找應對現有藥物不起反應的侵入性乳腺癌治療方案，將篩選多達25萬個樣本來尋找早期癌癥的新生物學指標和生物標記。

　　Atomwise

　　人工智能用于新藥有效性/安全性預測

　　成立于2012年的Atomwise是一家藥物挖掘與人工智能結合領域的比較有代表性的初創公司，Atomwise的核心技術平臺稱為AtomNet，這是一種深度卷積神經網絡，通過自主分析大量的藥物靶點和小分子藥物的結構特征，AtomNet可以學習小分子藥物與靶點之間相互作用規律，并且根據學習到的規律預測小分子化合物的生物活性，從而加快藥物研發進程。

　　這家公司通過與IBM超級計算機合作，通過分析數據庫，并用深度學習神經網絡分析化合物的構效關系，于藥物研發早期評估新藥風險。早在2015年，這家公司宣布尋找埃博拉病毒治療方案方面有一些進展，在為時一周的時間內，從已有的藥物中找到兩種或許能用來抗擊埃博拉病毒的藥物。

　　總的來講，Atomwise的商業模式是為制藥公司、創業公司和研究機構提供候選藥物預測服務。公司成立以來，已經與斯坦福大學、Scripps研究所等著名科研機構合作開展了27個藥物研發項目，與默沙東也有藥物研發合作項目。

　　結語：作為全球當下最熱門的科技話題之一，隨著大數據、云計算以及計算機深度學習等多個方面取得突破，人工智能在藥物研發領域的應用已然是一個前景廣闊的新興領域。當新藥研發遇到人工智能后，通過數據生成假定藥物，顯示出更快、更有效率開發新藥的潛力。