根据塔夫斯大学(Tufts University)药物开发研究中心30多年来的统计数据,目前每一个新药的研发成本大约为26亿美元,平均耗时14年。不断升高的研发成本促使制药公司探索新技术,提升研发效率和转化成功率。
在新技术中,人工智能(Artificial Intelligence, 以下简称AI) 被制药公司寄予厚望。新药研发如此复杂,以至于人类大脑无法理清所有环节的联系,而我们在理解生物学各个环节的局限性也导致了新药研究的低效。
在其他领域,AI已应用于软件识别图像,模拟对话,自动驾驶,生成游戏,以及谱写音乐等。但在医药研发领域,AI应用还相对滞后。
除了算法和数据,AI应用于医药研发更重要的是落地场景的选择,把科技和传统医药结合起来。AI可以应用在锁定致病蛋白质、筛选对蛋白质起作用的药物成分、评估药物成分的安全性并决定合成方法、制定临床试验计划等等。
在这些应用层面上,国际药企和AI初创企业的战略合作可以给后续行业应用提供想法和范本。
图1. 新药的研发成本不断升高,现在总额大约为26亿美元1
AI带来的改变
从广义上来说,药物研发分为两个大的阶段,临床前研究和临床研究。临床研究是将新药用于人体来验证新药的安全性和有效性。临床前研究的两大步骤是找到药物靶点和活性化合物。
药物靶点来说,AI可以大大提高药物靶点选择的效率。
以近期热门的肿瘤新药研发为例,人体所携带的癌症相关基因近500个,会产生将近1000万个基因的变异,涉及10多条信号通路和60多个药物靶点,而且这些数字还在持续增加。2 如果人工解读这些信息,必然会耗费大量时间,还会出现遗漏或误判。而AI能实时抓取和动态学习更新,尽量穷尽肿瘤靶点的知识库。
在2017年7月,世界制药巨头葛兰素史克(GSK)和初创企业Exscientia签订了一项合作协议:借用后者的AI技术搜索10个疾病相关靶点的候选药物。3 Exscientia的药物研发能力建立在一个AI平台上,这个平台能搜索和模拟药物靶点,设计和评估新化合物。
确定药物靶点以后,药企便开始寻找与这个靶标有较强结合能力的合适的分子
在形成晶体的过程中,药物分子以及其他辅助成分(比如溶剂、凝胶和其他小分子等)通常具有多种空间排列方式,不同排列方式则构成不同的晶型。比如,金刚石和石墨,都是碳的同素异形体,但因为晶体结构的不同,使他们成为了不同的物质,价值也天差地别。
从筛选活性化合物来说,AI可以通过算法和发展很快的云端计算进行精确的预测,来提升整个研发过程的效率。
举个例子,药物分子及其形成的不同晶型是一个立体的三维结构,计算分子内部以及分子-分子之间的力可以得知热力学稳定性。AI可以通过量子化学计算,计算药物分子的相互作用,评估所有的三维可能,从而进行准确的晶型预测。4
除了预测晶体结构以外,AI还可以根据靶点虚拟构建药物分子
初创企业InSilico Medicine使用生成式对抗网络(GAN )来构建药物分子。不同于传统制药需要通过不断实验试错来寻找化合物,AI算法虚拟产生合适的化合物分子,以此减少寻找有潜在药物特性物质的时间和其他成本。
除了上述提到的药物靶点筛选和构建新型药物外,AI还可以用于药物有效性/安全性预测,精准医疗,筛选生物标志物,和新型组合疗法。
除制药外,AI在精确诊断领域的极大潜力也不容忽视。
2017年,谷歌、谷歌大脑与Verily公司联合开发了一款能用来诊断乳腺癌的AI,通过将病理切片处理成数码图像的方式,提供大量肿瘤组织和正常组织的病理切片,供AI学习。惊人的是,在“人机大战”中,一位资深病理学家花了整整30个小时分析了130张切片,却以73.3%的准确率完败准确率达88.5%的AI。
盘点药物研发AI公司
1
AI用于构建新型药物分子:Insilico Medicine
商业模式:研究靶标生物大分子的结构来进行药物分子设计
核心技术:GANs 通过使用两个竞争神经网络模型,创建不同于真实数据的新数据,从而训练新的分子结构的方法,能大幅度减少寻找有潜在药物特性物质的时间和成本
成功案例:设计出的化合物与Novartis、Champions Oncology等企业有深度合作
合作公司:GSK,NVIDIA,Novartis,J&J
2
AI用于筛选生物标志物:BERG Health
商业模式:筛选多达25万个疾病组织样本来寻找早期癌症的新生物学指标和生物标记
核心技术:首先对患者的生物标本(如乳腺癌切片)基因测序,这些生物指标数据将与患者的已知病史结合起来送入AI平台,并利用数万个数据点建立起健康及患病组织的不同模型。最后AI算法找出横跨这些模型的生物标志物或药物靶点
成功案例:一个生物标志物已经作为药物研发(癌症药BPM31510),并拿下和美国国防部,西奈山医院的科研合同
合作公司:AstraZeneca, Sanofi, Mount Sinai, MD Anderson Cancer Center
3
AI用于新药有效性/安全性预测:Atomwise
商业模式:为制药公司、创业公司和研究机构提供候选药物预测服务
核心技术:用深度学习神经网络分析化合物的构效关系,识别医药化学中的基础模块,用于新药发现和评估新药风险
成功案例:仅用时一周模拟出两种化合物有前景用于埃博拉病毒治疗
合作公司:Merck,Abbvie,Stanford University
4
AI用于精准医疗:Lantern Pharma

商业模式:通过AI找到被弃药物的临床人群药效,缩小目标人群进行研发,从而缩减新药研发在临床实验的周期与成本
核心技术:基因组学和AI的结合,利用AI来综合分析基因数据,提高药物与癌症患者的匹配度
成功案例:Irofulven-1 成功被客户 license-out
合作公司:MGI,EIS
5
AI用于药物挖掘: BenevolentAI
商业模式:将AI应用于医学研究的数据库来快速筛选和组织数据。利用深度学习软件摄取、分析信息,找出关联并提出相应的候选药物,进一步筛选具有对某些特定疾病有效的分子结构
核心技术:通过深度学习和自然语言处理理解和分析大量的生物科学信—专利,基因组数据,生物医学期刊,和数据库每天上传的10,000多份出版物
成功案例:已经获得了一定数量的临床阶段的新药物,以及相关专利的独家许可证
合作公司:Sheffield Institute for Translational Neuroscience,MRC Technology
6
AI用于新型药物靶点和组合疗法:IBM Watson
商业模式:将Watson的超级计算能力用于其研发新型抗癌药中
核心技术:分析大量公开的可用数据以及公司自己的数据,不断假设药物靶点,然后实时交互得到有证据的结果。主要用于免疫肿瘤领域新药物靶点的发现,组合疗法的研究,和患者的治疗策略
成功案例:IBM Watson Health和辉瑞签署协议来加快研发新型抗癌药,已经有化合物在临床实验阶段用于帕金森症(targeting L-Dopa-induced dyskinesia)
合作公司:Pfizer
结语
在中国进入WTO以前很长一段时间,我们几乎完全走仿制药路线,原创药物很少。而进入WTO以后,跨国制药集团的新药上市的多元化和高频率对我国药企冲击很大,但是从另一个角度想,新的贸易格局也为我们创新原研药物提供了一个很好的机会。
有一些跨国药企已经有很成熟的化合物研发管道(Pipeline),新药研发是一个厚积薄发的过程,在传统的研发体系下没有Pipeline的经验累积对新的原研药企业是很大的障碍,而AI可能就是那条可以实现弯道超车的高速公路。
参考资料:
1. Tufts CSDD R&D Cost Study, 2014.
http://www.cn-healthcare.com/article/20161017/content-486371.html
2. 生物技能树,“为什么需要AI来辅助肿瘤研究?”
http://www.biotrainee.com/forum.php?mod=viewthread&tid=2180&page=1&authorid=289
3. 生物探索,“10种疾病的靶点!GSK 4300万美元里程碑支付这家初创企业的AI技术。” http://www.biodiscover.com/news/product/724315.html
4. 机器之心,“将量化计算和 AI 用于药物固相筛选与设计,晶泰科技拟降低不断攀升的药物研发成本。” https://www.jiqizhixin.com/articles/2017-08-31-19
本期作者:张阳
本科毕业于麦卡莱斯特学院,硕士毕业于耶鲁大学。目前在复星医药做战略规划,主要研究前沿科技在医疗行业领域的应用。
文章版权归【美柏医健】所有,欢迎转发,转载请参照“转载须知
投稿或应聘,请将简历发送到
精选内容
美柏路演

▼  点击阅读原文,查看更多好内容
继续阅读
阅读原文