新藥研發(fā)，九死一生
新藥研發(fā)速度慢，失敗率高一直都是全世界的藥物研發(fā)企業(yè)所面臨的問題，俗話說：“新藥研發(fā)，九死一生”，研究十個能成一個就不錯了，還得靠運氣。新藥研發(fā)時間長，成功率低已變成醫(yī)藥研發(fā)界的代名詞。藥物從無到有，要經(jīng)歷一個漫長的時間過程，我們誰也不知道在這條曲折的路上還有多少坑要邁過去，因為新藥研發(fā)的不確定性太多了，從實驗室研究到新藥上市要經(jīng)過合成提取、生物篩選、藥理、毒理等臨床前試驗等一系列過程，每一步驟都可能需要若干次的失敗來總結(jié)經(jīng)驗。
如此復雜的研發(fā)過程再加上過程中無法預料的情況，使得在研發(fā)的每一個階段都有可能失敗，一旦研發(fā)失敗，巨額投入血本無歸也非罕見。藥物從研發(fā)到注冊，研發(fā)時間周期長平均要經(jīng)歷10年，體系復雜，總的資金投入至少要10億美元。并且不是說投入了就能夠做出來，因為一個藥物研發(fā)的成功率也只有10%，所以說新藥研發(fā)是一個高風險的行動。
PART
人工智能加入醫(yī)藥研發(fā)領(lǐng)域，頭部藥企入局
近年來，人工智能（英語：Artificial Intelligence，縮寫為AI）參與藥物的研發(fā)過程，被提及的越來越多，網(wǎng)上不時曝出某某制藥巨頭與某互聯(lián)網(wǎng)公司達成強強合作。醫(yī)藥研發(fā)或告別“十年磨一劍”的舊時代，去年下半年以來，AI藥物研發(fā)迎來投資密集期。
醫(yī)藥界大佬輝瑞(Pfizer )更是于2016年就與IBM Watson合作，以加速免疫腫瘤學領(lǐng)域的藥物發(fā)現(xiàn)。葛蘭素史克一直是利用人工智能的主要制藥公司之一——葛蘭素史克(GlaxoSmithKline)是“加速醫(yī)療機會療法”聯(lián)盟(ATOM)的創(chuàng)始成員之一。其它入局的還有強生與Benevolent AI、默沙東與Atomwise、武田制藥與Numerate、賽諾菲與Exscientia。
與此同時，非醫(yī)藥出身領(lǐng)域的百度、騰訊、華為、字節(jié)跳動等科技巨頭也紛紛布局AI醫(yī)藥領(lǐng)域。今年年初，百度創(chuàng)始人李彥宏牽頭發(fā)起的百圖生科發(fā)起“百萬領(lǐng)軍計劃”及“百萬青年領(lǐng)軍”計劃，將分別用100萬美元年薪、100萬元人民幣年薪以及其他技術(shù)平臺支持，吸引生物技術(shù)+AI技術(shù)跨界融合人才。
李彥宏預測，未來人工智能在公共衛(wèi)生監(jiān)測、新藥研發(fā)和疾病診斷等方面大有可為。此前，字節(jié)跳動、華為均開始招聘生物醫(yī)藥相關(guān)崗位，騰訊則發(fā)布了由其自主研發(fā)的首個AI驅(qū)動的藥物發(fā)現(xiàn)平臺云深智藥。在今年人工智能藥物研發(fā)公司英矽智能宣布，以人工智能貫穿藥物發(fā)現(xiàn)環(huán)節(jié)（包括機制發(fā)現(xiàn)、靶點發(fā)現(xiàn)及找到新化合物），成功發(fā)現(xiàn)了全新機制藥物，這在全球尚屬首例。
“研發(fā)中僅用時18個月、研發(fā)經(jīng)費約合200萬美元。相較于傳統(tǒng)藥物研發(fā)10年耗資幾十億美元，AI賦能藥物研發(fā)極大縮短了藥物研發(fā)時間，又大大降低了成本。”無疑讓新藥研發(fā)看到了希望。
PART
AI介入醫(yī)藥研發(fā)，有望改變未來研發(fā)格局
藥這種東西有一個非常明顯的個體屬性。目前已知的化合物結(jié)構(gòu)空間，數(shù)量相當龐大，我們能找到的藥物的分子數(shù)或達到1060，AI就是幫我們在所研究的化學空間中找出有用的分子，這也是我們在研究中一直關(guān)注的問題，面對1060的空間，我們怎樣用一個更好的數(shù)學方法把它們表示出來。
一個分子能夠成為藥，它在多方面是優(yōu)秀的——它既要有很好的藥效，同時也可以被很好的吸收，同時不應該有毒性等等，我們的研發(fā)過程中就是要找到這些孤立的小島。通過計算機，我們可以輕易的從化學結(jié)構(gòu)庫中找到幾十萬個或者幾百萬個相似的分子，讓它具有相似的成藥的可能性，相對于讓人去在紙上去畫出結(jié)構(gòu)再去對比研究（可能你畫一萬個分子就已經(jīng)累夠嗆了），AI可以代替我們?nèi)ニ阉鞲蟮幕衔锟臻g，從而為發(fā)現(xiàn)新藥提供更多的可能性。
新藥研發(fā)面臨的第二個難題就是：通常很微觀的東西我們就很難去判斷它。對于化合物本身，它有自己的語言，AI可以學習到這種化學結(jié)構(gòu)的語言。AI可以作曲，可以畫畫，因此AI也可以畫化學分子，通過去學習了大量的分子結(jié)構(gòu)數(shù)據(jù)以后，它學到了一些化學知識，然后它開始去產(chǎn)生這些分子結(jié)構(gòu)，它可能會畫出化學家所想象不到的化合物結(jié)構(gòu)，這些結(jié)構(gòu)也可能是非常不合理的，這種AI在學習了化學知識以后隨機的產(chǎn)生分布，其中有許多并不是我們想要的。
我們想找到的是那些真正高質(zhì)量的結(jié)構(gòu)，就需要通過一定的規(guī)則去告訴它，我們到底需要什么樣的分子結(jié)構(gòu)，AI通過實踐學習，能夠真正的去找到那些可以成藥的結(jié)構(gòu)，在虛擬的空間中去發(fā)現(xiàn)一個真正的藥物，從這個角度來看我們其實是利用了化學知識來嘗試和人自身進行一場對話，嘗試讓AI在分子層面上去理解。
我們知道通過堿基可以形成DNA序列，然后DNA通過生物學的過程可以去指導蛋白質(zhì)的合成，我們告訴AI蛋白質(zhì)是由20種氨基酸按照一定的規(guī)律排列起來的，不同的排列會有不同的功能，當AI知道可以用計算的方法去計算蛋白質(zhì)的序列，通過學習這些知識讓AI可以知道這些結(jié)構(gòu)是怎么影響生物的功能的，不同的蛋白質(zhì)之間，通過三維結(jié)構(gòu)如何產(chǎn)生對話，從而影響到彼此，我們需要AI做的事情就是把我們對生物學語言的理解，對化學語言的理解，讓它把這些語言組合到一起，從而能夠找到與疾病相關(guān)的蛋白質(zhì)最匹配的化學分子，最后發(fā)展成治愈我們疾病藥物。
PART
AI研發(fā)還有不確定性，未來還需更深入探索
當然AI制藥目前也有一定的局限性，在人工智能參與新藥研發(fā)的路上還是會面臨很多的挑戰(zhàn)，比如說如何把各個藥企的數(shù)據(jù)結(jié)合到一起，利用更多高質(zhì)量的數(shù)據(jù)去做好的分子模型。當然還有跨學科合作的問題，我們要匯聚化學、生物學、計算機、數(shù)學、統(tǒng)計等等多學科的人才，這些不同的技術(shù)人員之間怎樣有效的溝通理解，也是一個需要解決的困難。
目前AI制藥研發(fā)中的現(xiàn)狀是，靶點發(fā)現(xiàn)和藥物設(shè)計最熱，AI賦能的靶點發(fā)現(xiàn)和藥物設(shè)計是極具價值的應用方向，也是藥物研發(fā)最大的痛點之一，同樣也是最多公司目前開始布局的環(huán)節(jié)。
AI介入后，更大化學空間探索的實現(xiàn)和更多分子生成方式的產(chǎn)生，使更新穎分子的獲取成為可能，能快速識別處理繁多的數(shù)據(jù)，并找出邏輯關(guān)系從而實現(xiàn)智能推薦更少更優(yōu)的分子，縮減任務量，使研發(fā)更高效。所以說在任何一個新興科技領(lǐng)域，挑戰(zhàn)和阻礙都將是持續(xù)存在的。
從技術(shù)的視角看，目前在AI醫(yī)藥研發(fā)方向上比較明確的挑戰(zhàn)和阻礙有兩方面：一是認知層面，AI+醫(yī)藥橫跨了多個學科，如何提出具有正確的目標導向的問題、用多學科融合的視角思考解決問題的路徑本身就是最大的挑戰(zhàn)。
另外，數(shù)據(jù)也是當下該領(lǐng)域面臨的一大挑戰(zhàn)，比如數(shù)據(jù)的量、質(zhì)、標準以及孤島效應等。但AI制藥的前景必然是光明的，AI制藥技術(shù)的進一步突破和創(chuàng)新定會對整個醫(yī)藥研發(fā)產(chǎn)生重大意義。
