|
口碑爆棚的影片《我不是药神》，让医疗、医药等敏感话题重回公众视线。正如影片所说，“世界上只有一种病，就是穷病。”吃不起高价药，就只能等死了吗？如果使用人工智能进行药物研发，是不是可以减少药物研发的巨额投入呢？
截止到目前，《我不是药神》的票房已经突破22亿。影片中白血病患者群体倾家荡产，为了能省点药费，不惜尝试各种仿制药，铤而走险。有的到处寻找仿制药延续生命，有的放弃治疗或自杀，选择死亡，他们面对的是生与死的选择。
很多人在影院哭完之后，开始骂专利药不顾人性命，定价昂贵，也有人表示专利药收取高额费用，才能投入更多资金更好地进行药物研发。 美国卫生及公共服务部的最新研究显示，每种新药的研发成本通常在1.61亿美元到20亿美元之间，平均耗时7年半，在临床试验阶段，还很难招募到合适的病人。 不容否认，一种新药，尤其是“特效药”、“专利药”的研发，一旦面世将是诸多患者的福音，然而高昂的售价却让老百姓吃不起药。值得庆幸的是，AI也许能够降低研发成本，一步步成为新的“药神”。 AI正在加速药物研发 结果尚需时间检验 新药研发周期长、成本高已经成为行业的大痛点，而AI在新药发现、安全性、有效性测试等方面，正在全面加速新药研发的效率。 在最近两年的时间里，全球各大药企巨头已经开始与医疗AI创业类公司合作，选择用AI技术加速药物研发。比如，阿斯利康与BergHealth，强生与Benevolent AI，默沙东与Atomwise，武田制药与Numerate，赛诺菲和葛兰素史克与Exscientia，辉瑞与IBM Watson，辉瑞与晶泰科技等都达成了合作关系。 2015年，默沙东与美国的Atomwise合作，其开创性的AtomNet技术平台能像人类药物化学家一般逻辑思考，它每天使用强大的深度学习算法和超级计算机工具分析数百万的潜在疗法，从而加快药物研发进程。主要针对的是新药的有效性和安全性预测。 2016年，美国强生公司与英国BenevolentAI达成合作，进行新药研发。BenevolentAI 是目前欧洲最大的AI初创公司之一，在全球排名前五，BenevolentAI的技术平台名为JACS(Judgment Augmented Cognition System，判断加强认知系统)，该系统可以从海量的散乱无章的信息中，提取出能够推动药物研发的知识，提出新的可以被验证的假说，从而加速药物研发的过程。 2017年，葛兰素史克公司（GSK）与Exscientia达成合作。Exscientia作为苏格兰的一家初创公司，主要业务是利用AI进行药物研发指导。该公司的AI系统，只需相当于传统方法四分之一的时间和成本，即可完成新药候选。双方合作之后，Exscientia将利用其AI药物研发平台为GSK进行10个创新小分子药物疾病的靶点开发。 此前，Exscientia 与赛诺菲达成合作协议，共同开发治疗糖尿病及其并发症的双特异小分子药物。双方已选择了45个代谢病靶点，约1000种双靶点组合，目标是设计出分子量小于500的双靶点药物。
目光转回国内，2018年5月，以算法驱动创新的AI医药研发公司晶泰科技宣布与辉瑞制药签订战略研发合作，融合量子物理与人工智能，建立小分子药物模拟算法平台，显著提高算法的精确度和适用广泛度，驱动小分子药物的创新。在这一基础上，平台还将实现对药物若干项关键性质的准确预测，进一步赋能药物发现与发展中的重要环节。 2018年6月，美国新一代人工智能公司Insilico Medicine宣布与中国医药研发服务行业龙头药明康德签署一项合作协议。根据协议，Insilico Medicine公司使用其独有的生成对抗网络和强化学习等新型算法，生成的新药研发管线将在药明康德的新药研发服务平台上进行测试。 从目前来看，人工智能主要作用于药物研发主要有七个场景：靶点药物研发、候选药物挖掘、化合物筛选、预测ADMET性质、药物晶型预测、辅助病理生物学研究，以及发掘药物新适应症。 根据Tech Emergence的研究报告，AI可以将新药研发的成功率从12%提升至14%，这2%意味着能够为生物制药行业省下数十亿美元的研发成本和大量的试错时间。 但是，不容否认的是：AI药物研发一定是一场持久战。目前世界上并没有AI药物研发的成功案例，人工智能研发的药物也并没有被批准上市。 目前发展较好的国外企业应用AI研发的新药已进入二期临床，但是二期到三期的失败率高达70-80%。辉瑞、罗氏、GSK等巨头纷纷下注AI公司，目前发展还需要时间检验。
形势大好的AI制药 存在哪些挑战？ 尽管看起来形势大好，AI+制药仍存在不小挑战。比如，如何获取与药企的合作，怎么拥有海量的靶点以训练算法等。毕竟，相比医院，药企的药物研发流程和数据更“机密”。 当前制药人工智能面临的首要问题，还停留在数据层面。美国的医疗人工智能产业界已经有一些比较成功的案例，而中国目前却没有。反思来看，与数据有很大的关系。 国内医疗机构大体上还处于比较分散的状态，数据标准化、结构化程度都很低，并且相对不完整，医院之间的互联互通做的也不好。在中国，还没有办法取得一个病人全面的历史数据。 在采集数据的过程中，医师的手法也会直接影响到模型的效果。另外，在病理、心电等领域，各厂商基本都是遵循自己私有的数据格式，而优质数据集的积累这一问题需要医院、药企的共同协同，才能解决这一“燃料”问题。 同时，制药行业的专业门槛也很高。药物研发流程涉及约20个功能模块，即使是某个模块的专家，对其他模块的业务也只能了解大概。这造成了AI+制药的另一个挑战——医药和AI人才的有效融合, 即AI团队能够理解并解决医药团队所看到和描述的行业痛点。 在人才方面，AI+新药研发领域需要垂直领域的专家参与才能有所突破。既需要物理学家、药物学家、又需要人工智能科学家、计算机领域工程师等跨学科人才。通过在交叉领域人才和经验的积累，才更容易获得突破性的思路和好的成果。  AI制药存在非常大的可能性，如果技术能够有效缩短药物研发的效率，提高研发上市成功率，那么药物研发的成本就会大幅度降低，这样可以大幅度减轻国家医保负担，“平价药”也将成为可能。对于AI+新药研发来讲，AI应该是值得等待的“药神”。  |
|
|
