|
诺华是积极拥抱数字化转型的大型制药公司，同时，在将AI技术应用于药物研发方面也做出了不少探索。 本文对近两年（2020年1月至今）诺华在AI药物研发方面的14篇论文（不完全统计）进行了分类整理。 AI+药物发现 人工智能和机器学习在药物发现中的应用 Methods Mol Biol 2022年 摘要 机器学习和深度学习是人工智能的两个子类，在这个大数据时代，通过将数据转化为信息并最终转化为知识，可以为药物发现研究和开发提供重要机会。机器学习或人工智能其实并不新鲜，但在过去几年中，出现了一些更好的应用方法，它们已经成功地应用于药物发现和开发。本章将概述这些方法，以及它们如何被应用于各种工作流，如药物发现过程中的生成化学、ADMET预测、逆合成分析等。本章还将尝试提供盲目利用这些方法的警告和陷阱，同时总结挑战和限制。 本文为 Springer推出新书《Artificial Intelligence in Drug Design》的第4章。 人工智能对化合物发现、设计和合成的影响 Review ACS Omega 2021年11月 摘要 与其他领域一样，人工智能在包括化学在内的不同科学领域被大力推广。尽管化学传统上往往是一个保守的领域，对新概念的适应也比其他领域慢，但人工智能在整个化学学科中的研究越来越多。在药物化学领域，在计算机辅助药物设计和化学信息学的支持下，计算方法长期以来一直被用来帮助寻找和优化活性化合物。目前，我们在药物化学相关的文献中看到了大量与人工智能相关的文献，并预计这些数字将进一步增加。在此，我们试图强调人工智能在化合物设计和合成等领域对药物化学产生影响的部分研究。 基于人工智能方法的药物发现推荐系统 J Med Chem 2020年8月 摘要 人工智能正在成为药物发现中的一个重要组成部分。例如，许多业内人士正在应用机器学习方法来发现靶点或优化化合物的合成。诺华当然也在应用这类方法，但我们提出了另一种方法：用人工智能来增强人类智慧。我们一直在开发一系列的推荐系统，利用我们现有的实验室流程（包括干实验和湿实验方法），为我们的化学家提供灵感，建议他们工作的下一步，并使现有的工作流程自动化。 全文主要内容见 JMC | 诺华人工智能启发式药物发现推荐系统 重新思考人工智能时代的药物设计 Nat Rev Drug Discov 2020年5月 摘要 全文主要内容见 Nature Reviews | 人工智能时代药物设计的思考 化学和药物设计中的人工智能 J Comput Aided Mol Des 2020年7月 摘要 在这个特刊中，我们精心挑选了一些计算机辅助分子设计中的经典挑战，并邀请了一些在各自学科中领先的科学家提供研究报告，提出领先的计算方法来解决这些挑战，并评估和阐述其加速药物发现的潜力。我们期望这个特刊能够概述这些新工具所具有的可能性，同时也提供关于适当的质量控制、验证和适用领域评估的重要实例。我们希望这将激发进一步的讨论，并指导未来开发新的人工智能工具来指导分子设计。 AI+药物合成 人工智能在药物化学合成中的现状和未来作用 J Med Chem 2020年8月 摘要 人工智能和机器学习已经证明了它们在小分子化学预测和合成规划中的潜在作用；有一些公司在其获取目标分子的整体方法中采用了计算合成计划。数据驱动的合成计划是由麻省理工学院和13家化学和制药公司组成的机器学习制药发现和合成（MLPDS）联盟正在开发和评估的一个组成部分。我们一起完成本文，以分享我们认为预测模型如何能被整合到药物化学合成工作流程中，它们目前如何在MLPDS成员公司中使用，以及这一领域的前景。 AI+临床试验 预测药物的批准：诺华公司的数据科学和人工智能挑战 Patterns (N Y) 2021年7月 摘要 诺华公司举办内部数据科学和人工智能挑战赛，目的是开发预测药物开发结果的机器学习模型。挑战赛结合了麻省理工学院的研究工作，使用了Informa的数据。来自诺华全球25个办事处的50多个跨职能团队参加了挑战赛。最终，两个获胜团队通过最先进的机器学习算法和使用新数据，开发出的模型超过了麻省理工学院的基础模型。除了验证MIT研究中确定的与药物批准相关的变量外，该挑战赛还为药物开发成功和失败的驱动因素提供了新的见解。 在大型社区癌症中心优化临床试验资格筛选的AI工具 JCO Clin Cancer Inform 2020年1月 摘要 诺华评估了一个自动临床试验匹配系统，该系统使用自然语言处理从非结构化来源中提取患者和试验特征，并使用机器学习将患者与临床试验相匹配。 结果发现，AI临床试验匹配系统在筛查乳腺癌患者的试验资格方面表现出了良好的性能，速度大大快于人工确认，在可靠地排除了所有试验中不合格的病人的同时，确定了大多数试验中合格的病人。 开发预测非酒精性脂肪性肝炎的新型机器学习模型 J Am Med Inform Assoc 2021年6月 摘要 目的：利用机器学习开发一个计算机模型来预测非酒精性脂肪性肝炎（NASH）患者。 材料和方法：这项回顾性研究利用了两个数据库：a）美国国家糖尿病和消化及肾脏疾病研究所（NIDDK）非酒精性脂肪肝（NAFLD）成人数据库（2004-2009）；b）Optum®去识别电子健康记录数据集（2007-2018），这是一个代表美国常见电子健康记录的真实世界数据集。我们开发了一个ML模型来预测NASH，使用NIDDK数据集中基于肝脏组织学结果的确诊NASH和非NASH来训练模型。 结果：在NIDDK非酒精性脂肪肝数据（704名患者）上对模型进行了训练和测试，并在Optum数据（约3,000,000名患者）上评估了表现最佳的模型。由14个特征组成的eXtreme Gradient Boosting模型（XGBoost）在预测NASH方面表现出很高的性能。由5个变量组成的简略特征集的性能稍有下降。在Optum数据中，完整的模型在预测NASH方面表现良好。 讨论：所提出的模型被命名为NASHmap，是第一个用通过肝脏活检确定的NASH和非NASH病例开发的ML模型，并在一个大型的、真实世界的病人数据集上得到验证。14个和5个特征的版本都表现出很高的性能。 结论：NASHmap模型是一个方便且性能高的工具，可用于识别临床上可能患有NASH的患者，以便更好地管理患者和优化临床资源的分配。 AI+真实世界研究 人工智能+真实世界数据在药物开发中的应用 Drug Discov Today 2021年5月 摘要 AI+药物研发风险评估 在药物研发中使用新的风险地图进行系统的风险识别和评估 Drug Discov Today 2021年12月 摘要 对于制药行业来说，为患者提供新的治疗方法，同时保持增长，需要有效地利用研发资源和技术，来开发高价值的新分子实体 (NMEs) 。然而，全球制药行业的研发竞争日益激烈，仿制药和生物类似药的影响越来越大，监管要求越来越严格，加之医保成本的限制，都对领先的制药公司目前的商业模式提出了挑战。大数据分析和人工智能方法已经冲击了各个行业，并对制药行业产生了越来越大的影响，有望改善和加速药物的研发过程。在此，我们使用新的风险地图，对整个药物发现和开发价值链中的关键风险进行系统分析、识别、评估和分类，为药物研发提供全面的风险-回报分析。 AI+药物研发行业进展 制药研发中的大科技公司和初创企业：2020年人工智能的视角 Drug Discov Today 2021年10月 摘要 我们调查了什么样的人工智能技术被用于医药研发，以及哪些AI相关能力的来源可以被制药公司利用。首先，我们发现机器学习是目前医药研发中使用的最主要的人工智能技术。其次，大公司和人工智能初创公司都有人工智能应用的合格知识基础。大型科技公司在数字领域有长期的经验，可以提供更普遍的IT解决方案，支持制药公司的云计算、健康监测、诊断或临床试验管理，而初创公司可以提供更具体的AI服务，解决药物发现领域的特殊问题。 转化性精准医疗：一个行业的视角 Review J Transl Med 2021年6月 摘要 在精准医疗、数字技术和人工智能时代，药物发现和开发面临着前所未有的产品和商业模式创新机会，有望从根本上改变了药物发现、开发和销售的传统方式。这种转变的关键是在药物开发过程中采用新技术，催化从偶然性驱动到数据驱动医学的转变。这种模式的转变伴随着对转化和精确性的需求，导致了现代转化精准医学的药物发现和开发方法。转化精准医学的关键组成部分是多组学分析、数字生物标志物、基于模型的数据整合、人工智能、生物标志物引导的试验设计和以病人为中心的辅助诊断。在这篇评论中，我们从跨行业的角度总结并批判性地讨论了转化型精准医学的潜力和挑战。 成为数字化制药企业的好处 Drug Discov Today 2020年9月 摘要 我们调查了人工智能在药物研发中的状况，并在此概述了有关数字研发的风险和回报观点。鉴于该研究领域的新颖性，我们选择了定性和定量相结合的研究方法，包括分析2014年至2019年21家制药公司的年度公司报告、投资者关系信息、专利申请和科学出版物。结果，我们可以确认，该行业在研发中使用人工智能处于"早期成熟"阶段。此外，我们可以证明，尽管需要努力管理，但该行业最近的发展表明，为成为"数字制药公司"而投资是值得的。 |
|
|
