草创公司如漫山遍野、出资组织蜂拥而至、高科技互联网公司纷繁下场占位、制药巨子一再出手、传统药企逐步打开怀有，AI主题会议激增，乃至许多科研团队开端转型，AI制药转瞬间成为了医药职业最具商业价值的方向之一，乃至被以为将有时机引起一场推翻式的制药革新。
不过，热潮中，也不乏镇定的考虑。许多人现已意识到，蛋糕虽大，问题也不小。终究现有的AI技能在新药研讨中运用到了何种程度？AI制药比传统药物研制优势终究在哪？AI制药范畴现在面临的要害应战有哪些？AI制药为何遭受质疑？AI制药是否存在泡沫？近来，针对这些问题，医药魔方Pro有幸采访到了我国科学院上海药物研讨所郑明月研讨员。
新药研制长时刻面临的三大难题：周期长（10-15年）、投入高（数十亿美元）、成功率低（不到10%，阿尔茨海默症等疾病医治药物上市成功率乃至不到1%）。怎样翻过这三座大山，AI给“制药人”带来了时机。
Merck公司在Kaggle渠道建议了一场“分子活性猜测”算法应战赛。比赛中，绝大部分部队运用的是传统机器学习办法（如随机森林模型），而Hinton团队运用了当时新开展的深度神经网络，并终究赢得了这一赛事的冠军。在这场比拼中，多使命深度神经网络显着超越其它一些传统机器学习办法，显现出了这类技能在新药研制方面的运用远景。
Deepmind开发的人工智能围棋软件AlphaGo以5:0打败欧洲围棋冠军引发颤动；此外，Google翻译推出了运用AI技能的最新版别，极大改进了翻译才干，获得了令人震慑的作用，也是从这一年开端，越来越多的AI制药草创公司相继建立。
Nature报导了运用深度学习的逆向组成道路规划药物的研评论文，这一打破曾被誉为化学届诞生了AlphaGo。
AI制药的概念逐步得到验证，最早一批建立的AI制药草创公司获得了阶段性作用，获得了具有动物药效的候选化合物；Insilico Medicine及其协作伙伴在Nature子刊发文声称运用其开发的深度生成模型GENTRL，21天内就发现了靶向一种激酶靶点DDR1的有用抑制剂，从靶点确认到获得潜在的新药候选分子仅用了3周。
DeepMind的新一代AlphaFold人工智能系统在国际蛋白质结构猜测比赛（CASP）中的惊人作用为AI制药职业点了一把火，新一代AlphaFold处理了生物学范畴几十年来的严重应战，完成了依据氨基酸序列精确猜测蛋白质的3D结构；也是在这一年，二级商场AI制药概念股上台，Schrodinger和Relay Therapeutics两家公司别离于2月和7月在纳斯达克上市，AI制药热潮在国内外愈加显着。
AI制药如此受追捧，终究优势在哪？郑明月研讨员说：“传统的药物研制首要是靠人、靠经历，但常识和经历总是有限的。比较之下，AI可以更好地、以史无前例的办法运用多学科的数据。即使是运用数据库，人一般只能对数据进行简略的、浅层的剖析，而AI可以进行数据之间杂乱的相关联系的发掘。我以为这是AI最大的优势。”
关于凭借AI进行新药研制现在面临的最大应战，他指出了两点：1）现在来说，AI在鸿沟明晰、规矩清晰的范畴现已有比较好的运用，比方围棋、医疗印象辨认，但药物研制触及的许多方面还没有明晰清晰的界定，这是AI制药范畴一个比较大的应战。以药物毒性研讨为例，依据现有点评方针（Toxicity endpoints）下的毒性数据，咱们可以运用AI构建一个毒性猜测模型，可是运用这个模型并不能有用去判别一个候选分子的毒性，咱们还需要归纳考虑种属差异、剂量、体内露出状况等多种要素的影响。生物系统的杂乱性使得咱们很难对影响毒性的要素进行明晰清晰的界说。2）AI制药范畴面临的另一个难题是药物研制数据缺少堆集，数据“孤岛”现象普遍存在。药物研制在许多状况下面临的是小数据问题，并且数据的清洗整合常常比AI建模更费时吃力。为了处理数据问题，近年来面向AI的数据标示和一些分布式机器学习技能也在药物研制中得到越来越多的重视。
不过，虽然AI制药范畴还有许多亟待战胜的妨碍，也现已有一些公司获得了鼓动人心的作用。在2020这一AI制药范畴的迸发年，英国AI 药物发现公司Exscientia在1月宣告，公司与Sumitomo Dainippon Pharma协作开发的首个运用AI开发的候选化合物（DSP-1181，医治强迫症）进入临床开发阶段。而依据上个月Exscientia发布的最新消息，该公司现在已发动第3款AI药物（DSP-0038）的临床研讨，适应症是阿尔茨海默症精力紊乱（第二款AI候选药物是一款癌症免疫疗法，在本年4月进入I期临床）。Exscientia在新药研制方面的杰出开展一方面招引了许多出资组织的注资和制药巨子抛出的协作/授权“橄榄枝”，一起也引发了一些评论，这其间就包含，与传统药物比较，AI药物的审评批阅流程和规矩是否可以彻底照搬？
关于监管组织会怎样“管”AI药物，郑明月研讨员以为，就药物审评批阅来说，不论化合物是怎样来的（AI规划or人规划），都应该遵循“安全有用“的点评规范，批阅和监管系统至少短时刻内不会变。当然，事实上，监管组织现已在以敞开的情绪来迎候AI制药的开展。举例来说，2019年，美国FDA现已同意了一项临床试验计划，其间运用人工组成臂（syntheticcontrol arm）做对照组来削减入组患者的数量；我国的常识产权局也曾调研是否可以把AI猜测数据作为衡量药物活性和化学反应专利中技能作用的支撑内容。这些比如都是监管给“AI制药人”开释的活跃信号，对AI制药职业的开展也是极大的鼓动。
当然，像任何新技能的开展初期相同，AI制药范畴现在也有多种质疑声，举例来说，有声响指出，一些草创公司只是在打着AI的噱头圈钱，一些公司几乎没有实在的AI制药团队。为什么会呈现这些质疑？郑明月研讨员首要剖析了以下三点原因：
榜首，缺人。近几年企业对数据科学家或算法工程师的需求比较大，许多高校都开设了AI相关的专业和课程，但一起通晓AI和制药的复合型人才缺口仍不小。许多AI制药公司的团队成员要么懂AI不明白药，要么懂药不明白AI，而多学科常识的融合又面临着许多妨碍。这也是影响AI制药职业开展的一个要害要素。
第二，缺技能。虽然AI制药范畴现在处于快速开展阶段，但事实上，该范畴现在全体表现出期望高于技能老练度的现状。除了人不行，技能未到达许多人期望的水平也是一个实际。现在的AI技能首要在药物研制最开端的环节——药物发现阶段有相对老练的运用，受限于数据等方面的难题，更能适用于药物研制各个环节的AI技能的开发仍在起步和开展中。
第三，缺依据。现在大部分公司还在“建渠道、晋级渠道”的阶段，并没有比较直接的验证性作用发布。即使一些候选分子在较短的时刻内被筛出来，证明AI制药“强”的压服性也不是十分高。一方面，样本量十分小，另一方面，缺少和传统药化专家的正面PK（相似围棋、医疗印象辨认）。此外药物开发的试炼也包含临床开发阶段，筛出来的候选分子能不能成药十分要害。假如运用AI研制新药能被切当地证明，从靶点确认到药物获批上市的时刻的确短于传统途径，且研制成功率与传统途径适当或许更高，那么，AI制药的价值才干线年，霸占多维难题
在6月初刚刚落下帷幕的由制药巨子BMS建议的Kaggle“分子翻译”大赛中（Kaggle是国际上最著名的数据科学比赛渠道之一，被视为是机器学习算法查验的试金石），由蒋华良院士和郑明月研讨员辅导的“SIMMDDDC”部队从874支参赛部队中锋芒毕露，斩获榜首名。
“分子翻译”实质是化学结构式图画辨认，虽然这一方向距今现已有30多年的研讨前史，但现有的一些化学结构图片辨认东西仍存在显着的局限性。与惯例化学结构式图画辨认使命比较，Kaggle分子翻译应战赛要求更高：参赛模型不只要辨认分子图画，并且要输出正确有用且契合国际化合物标识（InChI）语法的分子结构。SIMMDDDC团队开发的分子翻译算法能从带有噪声的图画中精确地提取化合物结构信息，可以用于实在国际的化学和药学文献以及专利数据的主动发掘和剖析。这种图画到文本的分子翻译技能有助于生物医药研制的数字化和智能化转型，也为处理药物研制数据匮乏窘境供给了可行的处理计划，具有广泛的运用远景。
关于AI制药范畴未来3-5年会获得哪些打破，郑明月研讨员估计：1）首要，在运用方面，或许会有AI规划的药物走到临床开发后期，乃至上市；2）其次，在技能方面，依据结构的药物规划（SBDD），从头药物规划技能或许有打破 ；3）此外，在与人类专家比照方面，AI在化学组成道路和化合物规划方面或许可以到达与专家适当的水平。
他还弥补说：“现在来说，AI制药范畴存在泡沫不可否认，但从长远看，终究职业开展会回归理性，优胜劣汰。
采访结尾，谈及未来几年的规划，郑明月表明：“虽然AI制药的产业化热度继续攀升，但科研仍是要兢兢业业、刻苦钻研，期望团队可以日拱一卒，坚持点滴的堆集和不断的前进。在运用层面，团队将探究AI在新药研制不同环节的运用；在AI技能层面，一方面会愈加重视模型的精确性和可解释性，一起，也会加强AI技能与其他药物研制技能的整合，如DNA编码化合物库、冷冻电镜等。
团队的一个长时刻方针是，环绕药物研制中的难点问题开发更有用的AI办法，与药物所‘出新药，出好药’的方针一直保持一致，为加快我国创新药的开发及推进医疗前进奉献应有之力。”
声明：本文由入驻搜狐大众渠道的作者编撰，除搜狐官方账号外，观念仅代表作者自己，不代表搜狐态度。
