藥物可以治療范圍廣泛的人類疾病，但大規模發現和制造藥物是一個復雜的過程，需要制藥公司耗費時間和金錢。根據塔夫茨藥物開發中心的數據，2014 年的 25 億美元估計值每年增長 8.5% 。更糟糕的是，德勤健康解決方案中心發布的《2019 年藥物創新回報衡量十年報告》指出，投資回報率在短短十年內下降了十倍。

如果制藥公司要保持競爭力，就需要降低成本和縮短上市時間。在 COVID-19 大流行之后，對速度的關注變得更加緊迫。人工智能正在提供一劑良藥，在藥物發現過程的早期階段提高效率。

藥物是如何被發現的

理想的藥物必須滿足許多標準。它不僅必須達到殺死目標毒素的預期效果，而且還必須在不產生令人擔憂的副作用的情況下實現。理想的藥物必須具有合適的大小和成分，才能附著在有毒細胞上并穿透細胞壁以輸送藥物。科學家還必須確保該藥物一旦進入人體就不會轉化為其他物質，并且其劑量不會因血液中的其他相互作用而增加或減少。

前四個階段包括從數以百萬計的潛在候選人中縮小理想候選人的范圍。公司篩選數量驚人的分子——據估計有 300 萬個——以縮小一些候選者的范圍，然后對這些候選者進行評估以進一步選擇和優化先導分子。整個過程可能需要五到六年的時間，但人工智能已經在這個時間軸上產生了令人印象深刻的凹痕，將它壓縮至少十倍甚至更多。以下是取得的進展。

人工智能快速研究文學

即使在最好的時代，醫學的進步也在快速發展，因此保持更新并在現有研究的基礎上發展需要仔細挑選已發表的文獻。COVID-19 大流行帶來了大量的試驗、研究和見解，必須研究其中的數千項才能弄清楚疫苗或藥物治療的效果。

科學家們首先會盡可能多地收集可用的文獻，并將其公開，以便研究界的其他人可以利用集中式數據庫高效地開展工作。在整理 COVID-19 研究的過程中，這一點很明顯。谷歌的 Kaggle 是一個機器學習和數據科學知識庫，它承載著相關的研究挑戰，充當有關大流行的各種信息的交換所。擁有數十年研究經驗的大型制藥公司也維護著自己的數據庫，可以重新利用這些數據庫。在某些情況下，公司與醫院等臨床機構建立合作伙伴關系，在那里他們可以獲得對個別患者使用藥物的匿名結果，包括針對不同適應癥使用多種藥物。

要有效地搜索研究論文庫，最基本的方法是“文本挖掘”，主題專家幫助定義相關術語，搜索引擎從研究中提取相關文本。這種方法有助于研究人員識別藥物相互作用和觀察結果，這些觀察結果與類似藥物或藥物組合的試驗有關，否則他們可能會錯過這些。這有助于減少重復研究，加快搜索速度。

人工智能技術可以通過自動識別相似藥物或相似患者特征中的模式來幫助改進文本挖掘。這些模式可以幫助提出或檢驗假設，例如：某種藥物模型是否有效？或者是否有特定情況下會出現副作用或與其他藥物相互作用？

人工智能了解哪些分子起作用

為了解哪種藥物有效，科學家需要研究所考慮分子的結構——看看哪些分子會正確附著以及如何附著。分子是否會保持足夠長的時間以使藥物發揮作用？為數以百萬計的分子評估這樣的模型是一項乏味的工作——如果不是人類不可能的話。

人工智能通過快速匹配潛在分子與所需特性來提供幫助。它能夠比人類更快地玩比較和丟棄游戲。

一種方法是利用現有的數據集，了解哪些分子傳統上可以作為一組特定條件的候選者，哪些沒有。通過篩選整個小分子庫和潛在候選者的模式匹配三維結構，人工智能可以篩選化合物，只提供最有希望的化合物進行進一步分析。

使用 AI 進行大規模模式識別是可行的，特別是如果該領域的專家能夠設置搜索參數。例如，研究人員可以考慮其他細胞條件和藥物運輸的化學機制。鑒于這些參數，AI 搜索引擎可以提供更細微的候選對象以供進一步探索。

隨著 COVID-19 大流行，研究人員已經能夠插入冠狀病毒的先前迭代，最顯著的是嚴重急性呼吸系統綜合癥 (SARS)，以查看他們是否可以將現有藥物重新用作疫苗解決方案。例如，吉利德科學公司正在研究一種用于治療埃博拉病毒的抗病毒藥物，以了解哪些機制可能對治療新型冠狀病毒有用。

在某些情況下，可能不完全適合一種疾病的候選藥物可能對另一種疾病有效。如果 AI 學習集包含所有所需藥物的理想候選藥物的信息，那么拒絕一個藥物并不一定意味著該候選藥物完全無效。它可以被標記為滿足另一個標準。

人工智能幫助從頭設計藥物

人工智能在合成新藥方面也很有價值。AI 無需篩選過去的候選分子，而是可以幫助從頭開始對新分子進行建模——從頭開始。如果我們知道最佳候選人必須符合一組特定的標準，就可以開發出可以即插即用這些條件的算法來構建一個假設模型。科學家可以使用這種模型從頭開始研制新的疫苗或藥物。

以新型冠狀病毒為例，中國科學家解碼了病毒的基因序列，并在公共數據庫中分享了結果。加州生物技術公司 Inovio Pharmaceuticals 使用其專有的機器學習算法在短短幾天內就獲得了候選疫苗。該藥物目前正處于臨床前試驗階段。

人工智能有助于識別副作用

作為藥物攝入的每個小分子不僅與其設計的目標相互作用，而且與附近的其他蛋白質相互作用。在最好的情況下，這種不需要的交互是無害的。如果不是，則需要對它們進行分類、標記和學習，以供將來的分析周期使用。人工智能和機器學習特別擅長從失敗的候選人身上學習，存儲這些信息并標記哪些潛在候選人有可能遇到類似的麻煩。

破壞蛋白質的分子實際上是治療某些癌癥的方式，因此使用 AI 對候選人進行分類和篩選可以迅速將更多合格的線索排在首位。

結論

人工智能只是一種工具。具有該領域專業知識的人類研究人員必須以可以使用的方式配置此工具。為了讓人工智能輸出有價值的答案，該領域的專家需要提出正確的問題。同樣，其輸出仍必須由人類研究人員進行驗證。然而，人工智能的智能計算能力提供了在早期階段進行研究的更快、更有效的方法。當時間至關重要時，就像在 COVID-19 大流行中一樣，它可以產生無價的改變。

Poornima Apte 是一名工程師轉為作家，在機器人技術、人工智能、網絡安全、智能技術和數字化轉型方面擁有 B2B 專長。

審核編輯黃宇