传统制药公司在药物开发方面都会存在时间长、花费多的问题，而这也是AI介入的重要原因之一。当新药研发遇到AI后，通过数据生成假定药物，显示出更快、更有效率开发新药的潜力。
近日，在围棋界声名鹊起的“阿尔法狗”，不再局限于在竞技体育上与人类一争高下，而是直接将目光投向了生物医药行业。一时间，人工智能（AI）成为了加速新药研发效率的“网红”。
传统制药公司在药物开发方面都会存在时间长、花费多的问题，而这也是AI介入的重要原因之一。当新药研发遇到AI后，通过数据生成假定药物，显示出更快、更有效率开发新药的潜力。
12月5日，CCF人工智能与医疗技术创新发展论坛在津举行，会上，天津国际生物医药联合研究院与北京天云大数据签署战略合作协议，双方将共同打造公共医药人工智能平台，并且该项目已列入天津市新一代人工智能重大科技计划。
“利用AI技术助推我国医药研发实现‘换道超车’，将与国际医药巨头研发站在同一起跑线。”天云大数据首席执行官雷涛对记者说。
AI将跟试管一样重要
德勤发布的报告显示，2017年，全球十二强制药巨头，成功上市一个新药的成本约为20亿美元，药物从研发到上市通常要8到12年时间，在研发上的投资回报率仅有3.2%。
针对新药研发周期漫长且回报率低的境况，近年来，AI等新技术开始向传统制药行业渗透，辉瑞、美敦力等纷纷引入AI技术，IBM Watson与辉瑞合作将机器学习用于癌症药物发现；与美敦力合作推出糖尿病监测App……
“制药领域过去的一个特点是‘双十’，开发一个新的药物需要十年投资十个亿，在这个过程中，很多环节效率是比较低下的。”天津国际生物药联合研究院院长黄亚楼说。南开大学教授林建平也表示，尽管药物研发的投入越来越大，可药物每年被批的数量并没有增加，药企为此都在寻找办法加快药物研发的速度，节省研发的成本。
“把大数据、人工智能技术引入进来，可以缩短周期、降低成本，对于整个行业的影响至关重要。”黄亚楼说，目前，很多传统行业碎片化的壁垒都会被大数据、人工智能所洗牌。
“我们以前是在跟化学成分打交道，跟实验、试管、试剂打交道。现在，针对新药研发，AI成为一个新的工具，它跟试管一样重要。”雷涛指出，在新药研发中，针对适应症或副作用的研究，以往的做法是通过实验检测药物晶型，而现在则可以通过数据模拟加速检测药物晶型。
雷涛表示，他们希望更多从事数学、物理的研究人员快速跨越IT等一些知识的壁垒，尽快投入到医药领域的研究。
如何赋能医药？
在数字经济时代，新药研发的关键已从实验检测转向数据分析，AI在药物靶点预测、药物筛选、药物适应症预测等方面都大有可为。
根据资料显示，新药研发领域包括五种AI应用：寻找可能成为潜在药物的新化合物；预测潜在的测试药物作用的好坏；分析不同的药物能否组合在一起治疗疾病；发现以前测试过的化合物的新用途；基于个人遗传标记来做个性化医疗。
“五个应用方向、寻找潜在实验的新化学成分、潜在测试药物的判断、相互的关联性等一系列的内容，都是我们跟研究院各个科室、研究小组的一些合作方向。”雷涛说，天云大数据此前通过人工智能PaaS平台对药物活性、安全性和副作用进行预测，建模过程仅花费了3至5天时间；同时使用复杂网络全景展现了适应症与靶点蛋白关系图谱（该图之前只能进行两两展示），表明人工智能应用于药物适应症和副作用预测前景广阔。
林建平表示，目前，AI在药物研发方面已经进入到很多领域，比如靶点的发现，加快化合物合成，帮助化学家找到最佳合成路线，还可以进行大规模的化合物筛选以及做晶体结构条件的预测等。
靶点发现也就是发现能减慢或逆转人类疾病的生物途径和蛋白，这是目前新药发现的核心瓶颈。以往这项工作是由人工实验完成，现在通过AI的参与，将给实验的速度带来指数级的提升。据推测，搭建算法模型及大规模的算力，有望将药物研发成本降至3亿美元甚至更低，研发周期也缩短至6.5年。
另外在药物筛选（也被称为先导物筛选）方面，首先要通过少数模块组合成不同蛋白，然后采用高通量筛选来发现合适的先导物。高通量筛选方式会在同一时间由机器人进行数以百万计的实验，因此成本非常高昂。
目前，谷歌和斯坦福的研究人员正致力于利用深度学习开发虚拟筛选技术，以取代或增强传统的高通量筛选过程，并提高筛选的速度和成功率。通过应用深度学习，研究人员能够实现跨越多个靶点的众多实验的信息共享。
林建平还表示，医药研发主要包括高通量筛选、基因测序、组学技术和临床试验等，而这里面涉及的数据非常散乱，市面上也有很多个数据库，比如人类基因数据库、世界上最大的化合物数据库Pubhen，也包括临床试验的网站、药物的基因表达谱数据库，以及药物和小分子结合的数据库等。如何把这些数据利用到药物研发上来，也是AI要做的事。
会上，《健康医疗大数据及其应用报告》发布。中国计算机学会大数据专家委员会（CCF）副秘书长黄宜华指出，如何将患者的被动性参与转向主动健康管理，从单案例效果评估转向过程性、全程性的整体评估和体验；从病种数据管理扩展到健康数据管理，从关注争端和治疗技术到预防、护理和康复环节是未来医疗行业需要关注和解决的问题。而大数据，正是一条重要的道路。
转载自《中国科学报》 (2018-12-13 第6版 前沿)