一文讀懂：人工智能在藥物研發中的應用

撰文：四月的雨

一、概述

在計算技術革命性進步的推動下，人工智能在過去十年中蓬勃發展，這使得收集和處理大量數據的能力得到了革命性的改進。且與此同時，新藥研發的成本以及新藥的價格也令研發公司與患者望而卻步。

研發一款新藥是一個非常“燒錢”而且漫長的過程，成功率還很低，據調查平均每種藥物的研發投資為13億美元，每種非腫瘤類藥物的平均研發時間為5.9-7.2年，而腫瘤類藥物研發時間更是高達13.1年，而最終能成功獲批的藥物卻只占13.8%。

人工智能由于其預測能力，可以有效提高藥物開發的成功率，這對新藥研發企業有著絕對的吸引力。

圖1. 大數據在藥物發現中的應用

二、人工智能在藥物發現中的應用

人工智能可通過多方面來增加藥物開發成功的可能性，包括新靶標識別、候選藥物選擇、化合物理化性質的預測以及蛋白質結構預測等。

圖2. 人工智能在藥物篩選中的應用

1、藥物靶點識別

靶點是新藥研發的基礎，目前我們也發現了許多的藥物靶點，但是與未發現的藥物靶點相比，那么可能只是九牛一毛。而藥物靶點發現的過程一般也是費時費力的，所以我們如果能夠通過計算機提前預測靶點，這對于縮短靶點的發現時間是至關重要的。

Kumari等人結合自助法采樣提升了隨機森林算法，并成功從非藥物靶點中區分出了藥物靶點。

2、活性化合物篩選

在人體內，藥物可以同時作用于多個靶點，而作用在非靶向受體時，就可能會產生一定的副作用。所以我們需要對化合物進行篩選，從而篩選出在特定靶點上生物活性高的化合物。而人工智能可以加快我們的篩選速度，進而加快藥物的研發進程，使產品更快地用于患者。

3、化合物性質預測

藥物研發中影響成敗的一個重要因素就是選擇具有優良性質的化合物，特別是有關于生物利用度、生物活性以及毒性等相關性質。很多藥物臨床失敗都是由于藥物的理化性質較差，所以藥物自身的性質對于藥物能否成功通過臨床而上市是至關重要的。所以在藥物研發的早期階段就需要對其進行詳細的理化性質研究，而我們可以使用人工智能技術進行藥物的吸收、不良反應、毒性等性質的預測。例如：Newby等人構建決策樹模型用來預測化合物滲透性和溶解性在藥物口服吸收過程中的作用。

4、蛋白質結構預測

蛋白質的生物學機制由其編碼的一維氨基酸序列和三維的結構所決定。眾所周知，蛋白質錯誤折疊在許多疾病中都很常見，包括II型糖尿病、阿爾茨海默癥、帕金森氏癥、亨廷頓氏癥和肌萎縮側索硬化癥等神經退行性疾病。所以開發能夠準確預測三維蛋白質結構的方法，以幫助新藥發現和理解蛋白質折疊疾病具有重要價值。由DeepMind開發的AlphaFold是一個人工智能網絡，可用于根據蛋白質的氨基酸序列確定蛋白質的3D結構。

Beck等人開發了一種基于深度學習的藥物-靶標相互作用預測模型，稱為分子轉換器-藥物靶標相互作用（MT-DTI），用于根據靶蛋白的化學序列和氨基酸序列預測結合親和力，而不需要其結構信息。

5、精準醫療

根據統計，在失敗的臨床3期試驗中，其中57%的失敗是由于療效不足造成的，主要的因素是未能用正確的劑量、未能確定適當的目標患者群體。因此，精準醫學已成為醫藥行業藥物開發的重點。而我們可以使用人工智能工具來預測劑量以及確定治療受益較高的患者群體。

三、人工智能在藥物研發中的應用案例

美國硅谷公司Atomwise通過IBM超級計算機，在分子結構數據庫中篩選治療方法，評估出820萬種藥物研發的候選化合物。2015年，Atomwise基于現有的候選藥物，應用人工智能算法，在不到一天時間內就成功地尋找出能控制埃博拉病毒的兩種候選藥物。

而目前多家醫藥巨頭公司也與一些Al公司加深合作，無不意味著人工智能對于醫藥研發的重要性，下表為一些醫藥巨頭與Al公司的合作。

表1. 醫藥巨頭與Al公司合作案例

四、結論

與傳統的藥物研發技術相比，通過人工智能方法篩選藥物更加地高效。常規的篩選過程我們可能動輒需要花費幾個月時間，外加每個化合物上百元或幾百元的代價。在人工智能的幫助下，虛擬化合物幾天內可以篩選數十億個分子的文庫。而人工智能工具對于藥物理化性質的預測也只需要短短的幾天。

圖3. 人工智能在新藥發現領域的市場規模（引自文獻5）

但當前階段，可用于人工智能挖掘的數據仍相對較少，需要生成足夠海量的數據才能更好地使用該技術。相信在不遠的將來，通過人工智能所研發的藥物，市場規模將會越來越大，人工智能將在醫藥研發領域大展拳腳！

參考文獻:

[1]Machine Learning and Artifcial Intelligence in Pharmaceutical Research and Development: a Review

[2]Artificial intelligence to deep learning: machine intelligence approach for drug discovery[J]. Molecular Diversity, 2021:1-46.

[3]梁禮, 鄧成龍, 張艷敏,等. 人工智能在藥物發現中的應用與挑戰[J]. 藥學進展, 2020, 44(1):10.

[4]丁伯祥, 胡健, 王繼芳. 人工智能在藥物研發中的應用進展[J]. 山東化工, 2019, 48(22):4.

[5]黃芳, 楊紅飛, 朱迅. 人工智能在新藥發現中的應用進展[J]. 藥學進展, 2021年45卷7期, 502-511頁, CA, 2021.