论文部分内容阅读
AlphaGo继去年横扫韩国棋手李世石后，在网络上化名为Master不断寻找高手挑战，经过深度学习，今年又狠狠地虐了柯洁一把。人工智能在围棋对抗上被人们熟知，实际上在很多领域，人工智能已经发挥了非常关键的作用，从人脸识别到医学影像分析，人工智能的表现已经赶上甚至超越了人类的表现。
在药品研发方面，人工智能的表现可谓抢眼。它能改变过去药品研发周期长、成本高的问题，已经被越来越多的药企应用于新药研发领域。这些药企希望借此探索提高新药研发效率、节省更多成本的路径。痛点明显
2016年11月，礼来（Eli Lilly）宣布其阿尔茨海默病治疗药物solanezumab在IⅡ期临床试验中失败，让许多人感到十分失望。就在当年的8月6日，辉瑞（Pfizer）及强生（JNJ）宣布，阿尔茨海默病药物bapineuzumab IV在两个Ⅲ期试验中失败，并退出临床，对于数以百万计的阿尔茨海默病患者来说，礼来的solanezumab是他们最后的希望。礼来在Solanezumab上的研发时间超过10年，投入超过10亿美元。
世界范围内与Solanezumab类似的案例几乎每个星期都在上演，新药的研发往往在长期巨额的投入之后面临失败的结局。
传统的药品研发，尤其是新药研发是一个漫长而且充满失败可能的过程。要研发出针对某种特定疾病的药品，通过不断试验、试错，使这种候选药物从实验室研究到最终上市销售，平均要花费12年的时间。数据显示，所有进入临床试验阶段的药物，只有不到12%的药品最终能够上市销售，而且一款新药的平均研发成本高达26亿美元。
传统的药品研发并不像外界想象的那样非常具有指向性。实际上，药物发现的一个主要方式其实是：偶然发现。
药物发现、生物标志物筛选等环节均是一个苦苦寻觅的过程，要在自然界中找到一种能治疗某种特定疾病的物质。大多数情况下，科学家是无限扩大筛选对象以期邂逅目标分子，人们通常利用高通量筛选（HTS，指通过一次实验获得大量的信息，并从中找到有价值的信息）进行筛选，HTS成本十分昂贵，它由机器人自动完成，通过在同一时间进行数以百万计的试验，找出最有潜力达到目标的化合物，提高药物发现的“命中”几率。
在这个过程中，错误的尝试耗费了太多的时间和金钱。由于需要测试的分子太多，研发人员不得不使用移液机器人一次测试几千种变体，然后选择最有效的变体进行动物模型或者细胞培养试验，希望其中一些最终能够进入人类临床试验阶段。
成本和效率是一方面，另一方面，患者的需求也在这漫长的等待中迟迟无法得到满足，尤其是那些病程短、病情凶险，且突然暴发的流行性疾病，要求在短时间内研发出特效药，几乎是一项不可能完成的任务。
有着强大计算分析能力的人工智能正在改变这一现状。
研究人员估计，大约15%～20%的新药成本都耗费在探索阶段。通常情况下，这意味着高达几亿美元的支出。如今，人工智能将这一过程缩短至几个月，并大幅降低研发成本。在欧美国家的燎原之势
人工智能可应用于药物开发的不同环节，包括新药开发、药物有效性/安全性预测、构建新型药物分子、筛选生物标志物、研究新型组合疗法等。
在新药有效性、安全性预测上，Atomwise是一家很有代表性的、深度运用人工智能的初创公司。这家位于旧金山的创业公司和著名的孵化企业Y Combinator，建立了一个名为AtomNet（pdf）的核心技術平台。利用深度卷积神经网络（人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点），通过自主分析大量的药物靶点和小分子药物的结构特征，AtomNet可以学习小分子药物与靶点之间相互作用规律，并且根据学习到的规律预测小分子化合物的生物活性，从而加快药物研发进程。
简单而言，Atomwise用超级计算机分析已有数据库，并用人工智能和复杂的算法来模拟药品研发的过程，在研发早期评估新药研发风险，让药物研究的成本降至数千美元，并且大大缩短评估时间，一般可以在几天内完成。
早在2015年，Atomwise便宣布在寻找埃博拉病毒治疗方案方面有一些进展：在一周内，Atomwise从已有的七千多种药物中找到两种或许能用来抗击埃博拉病毒的药物，而整个过程的成本不超过1000美元。而用传统药物研发的方法则可能需要耗费好几年的时间。
据悉，在研发抗击埃博拉病毒的新药过程中，Atomwise准备了埃博拉病毒入侵生物细胞的“爪”的模型，然后利用类似人脑神经的深度卷积神经网络进行药物成分分析，检测到目前已知的7000种可对抗这种“爪”的药物，以此来筛选、组合。
如今Atomwise已经开始为制药公司、创业公司和研究机构提供候选药物预测服务，以预测哪些新药品真的有效。在今年4月，Atomwise宣布推出其人工智能分子屏幕（AIMS）计划。该计划免费向具有药物分子测试能力的美国或加拿大大学研究人员开放，今年9月将确定100位候选人，他们将从AtomNet平台中获益。平台每天能筛选数百万药物前体分子。一旦筛选完成，候选人将收到72个可供测试的定制选择分子。
事实上Atomwi se不是第一个试水的公司，英国的人工智能初创企业BenevolentAI也在进行类似的尝试。与把重点放在新药有效性、安全性预测上的Atomwi se不同，BenevolentAI的侧重点在药物挖掘上。这家公司将人工智能应用于医学研究的庞大数据库中，快速筛选和组织数据，它想要用人工智能颠覆整个药物研发过程。通过对大量的生物科学信息（专利、基因组数据和所有生物医学期刊和每天上传1万多份出版物的数据库）的深度学习和分析，BenevolentAI集中处理全世界大量高度碎片化的信息，用以加速科学研究和发展。自2013年以来，BenevolentAI已经开发出24个候选药物，且已经有药物进入临床试验阶段。
除了人工智能初创公司，许多药企也在不断深入人工智能领域，以此获得先发优势。美国的Berg Health生物医药公司通过研究生物数据研发新型药物，其开发的InterrogativeBiology人工智能平台对患者样本进行高通量质谱分析，获得患者的基因组、蛋白组、代谢组以及线粒体功能等多方面的信息。在这过程中，可以从一个患者样本中获得上兆个数据点，将这些数据与患者的临床信息相结合，通过人工智能分析，详细描绘出患者体内生物系统个体化状态。根据这些信息，研究人员可以进一步发掘与疾病相关的生物标记物、检测手段和治疗方法。
生物标记物是可以标志系统、器官、组织、细胞以及亚细胞结构功能的改变或可能发生改变的生化指标，可用于疾病诊断、判断疾病分期或者用来评价新药或新疗法在目标人群中的安全性及有效性。
我国的机遇
人工智能开发新药的企业逐渐增多，除了欧美药企，日本药企也积极面对新科技。2016年日本武田药品工业、富士胶片及盐野义制药等企业就计划利用人工智能推进新药开发。当时，包括富士通和NEC等IT企业在内，大约有50家企业参加该项目，计划与日本理化学研究所和京都大学合作，开发研究新药用的人工智能，以快速寻找能够用于制作新药的候选物质。
与上述国家相比，我国药企在人工智能推进新药开发方面障碍重重，亟待突破创新发展。我国是制药大国，而新药研究与开发的成就则代表制药工业发展的水平，使用人工智能有利于提高开发效率，在激烈的全球新药开发中提高竞争力。在高风险、高投入、高成本的压力下，我国制药企业必须借助人工智能大趋势，提高药物自主创新能力、研发能力，推动制药大国走向制药强国。相信随着科研人员找到现有知识体系中的新模式，世界乃至我国也必将出现一波不可小觑的医药创新。
在药品研发方面，人工智能的表现可谓抢眼。它能改变过去药品研发周期长、成本高的问题，已经被越来越多的药企应用于新药研发领域。这些药企希望借此探索提高新药研发效率、节省更多成本的路径。痛点明显
2016年11月，礼来（Eli Lilly）宣布其阿尔茨海默病治疗药物solanezumab在IⅡ期临床试验中失败，让许多人感到十分失望。就在当年的8月6日，辉瑞（Pfizer）及强生（JNJ）宣布，阿尔茨海默病药物bapineuzumab IV在两个Ⅲ期试验中失败，并退出临床，对于数以百万计的阿尔茨海默病患者来说，礼来的solanezumab是他们最后的希望。礼来在Solanezumab上的研发时间超过10年，投入超过10亿美元。
世界范围内与Solanezumab类似的案例几乎每个星期都在上演，新药的研发往往在长期巨额的投入之后面临失败的结局。
传统的药品研发，尤其是新药研发是一个漫长而且充满失败可能的过程。要研发出针对某种特定疾病的药品，通过不断试验、试错，使这种候选药物从实验室研究到最终上市销售，平均要花费12年的时间。数据显示，所有进入临床试验阶段的药物，只有不到12%的药品最终能够上市销售，而且一款新药的平均研发成本高达26亿美元。
传统的药品研发并不像外界想象的那样非常具有指向性。实际上，药物发现的一个主要方式其实是：偶然发现。
药物发现、生物标志物筛选等环节均是一个苦苦寻觅的过程，要在自然界中找到一种能治疗某种特定疾病的物质。大多数情况下，科学家是无限扩大筛选对象以期邂逅目标分子，人们通常利用高通量筛选（HTS，指通过一次实验获得大量的信息，并从中找到有价值的信息）进行筛选，HTS成本十分昂贵，它由机器人自动完成，通过在同一时间进行数以百万计的试验，找出最有潜力达到目标的化合物，提高药物发现的“命中”几率。
在这个过程中，错误的尝试耗费了太多的时间和金钱。由于需要测试的分子太多，研发人员不得不使用移液机器人一次测试几千种变体，然后选择最有效的变体进行动物模型或者细胞培养试验，希望其中一些最终能够进入人类临床试验阶段。
成本和效率是一方面，另一方面，患者的需求也在这漫长的等待中迟迟无法得到满足，尤其是那些病程短、病情凶险，且突然暴发的流行性疾病，要求在短时间内研发出特效药，几乎是一项不可能完成的任务。
有着强大计算分析能力的人工智能正在改变这一现状。
研究人员估计，大约15%～20%的新药成本都耗费在探索阶段。通常情况下，这意味着高达几亿美元的支出。如今，人工智能将这一过程缩短至几个月，并大幅降低研发成本。在欧美国家的燎原之势
人工智能可应用于药物开发的不同环节，包括新药开发、药物有效性/安全性预测、构建新型药物分子、筛选生物标志物、研究新型组合疗法等。
在新药有效性、安全性预测上，Atomwise是一家很有代表性的、深度运用人工智能的初创公司。这家位于旧金山的创业公司和著名的孵化企业Y Combinator，建立了一个名为AtomNet（pdf）的核心技術平台。利用深度卷积神经网络（人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点），通过自主分析大量的药物靶点和小分子药物的结构特征，AtomNet可以学习小分子药物与靶点之间相互作用规律，并且根据学习到的规律预测小分子化合物的生物活性，从而加快药物研发进程。
简单而言，Atomwise用超级计算机分析已有数据库，并用人工智能和复杂的算法来模拟药品研发的过程，在研发早期评估新药研发风险，让药物研究的成本降至数千美元，并且大大缩短评估时间，一般可以在几天内完成。
早在2015年，Atomwise便宣布在寻找埃博拉病毒治疗方案方面有一些进展：在一周内，Atomwise从已有的七千多种药物中找到两种或许能用来抗击埃博拉病毒的药物，而整个过程的成本不超过1000美元。而用传统药物研发的方法则可能需要耗费好几年的时间。
据悉，在研发抗击埃博拉病毒的新药过程中，Atomwise准备了埃博拉病毒入侵生物细胞的“爪”的模型，然后利用类似人脑神经的深度卷积神经网络进行药物成分分析，检测到目前已知的7000种可对抗这种“爪”的药物，以此来筛选、组合。
如今Atomwise已经开始为制药公司、创业公司和研究机构提供候选药物预测服务，以预测哪些新药品真的有效。在今年4月，Atomwise宣布推出其人工智能分子屏幕（AIMS）计划。该计划免费向具有药物分子测试能力的美国或加拿大大学研究人员开放，今年9月将确定100位候选人，他们将从AtomNet平台中获益。平台每天能筛选数百万药物前体分子。一旦筛选完成，候选人将收到72个可供测试的定制选择分子。
事实上Atomwi se不是第一个试水的公司，英国的人工智能初创企业BenevolentAI也在进行类似的尝试。与把重点放在新药有效性、安全性预测上的Atomwi se不同，BenevolentAI的侧重点在药物挖掘上。这家公司将人工智能应用于医学研究的庞大数据库中，快速筛选和组织数据，它想要用人工智能颠覆整个药物研发过程。通过对大量的生物科学信息（专利、基因组数据和所有生物医学期刊和每天上传1万多份出版物的数据库）的深度学习和分析，BenevolentAI集中处理全世界大量高度碎片化的信息，用以加速科学研究和发展。自2013年以来，BenevolentAI已经开发出24个候选药物，且已经有药物进入临床试验阶段。
除了人工智能初创公司，许多药企也在不断深入人工智能领域，以此获得先发优势。美国的Berg Health生物医药公司通过研究生物数据研发新型药物，其开发的InterrogativeBiology人工智能平台对患者样本进行高通量质谱分析，获得患者的基因组、蛋白组、代谢组以及线粒体功能等多方面的信息。在这过程中，可以从一个患者样本中获得上兆个数据点，将这些数据与患者的临床信息相结合，通过人工智能分析，详细描绘出患者体内生物系统个体化状态。根据这些信息，研究人员可以进一步发掘与疾病相关的生物标记物、检测手段和治疗方法。
生物标记物是可以标志系统、器官、组织、细胞以及亚细胞结构功能的改变或可能发生改变的生化指标，可用于疾病诊断、判断疾病分期或者用来评价新药或新疗法在目标人群中的安全性及有效性。
我国的机遇
人工智能开发新药的企业逐渐增多，除了欧美药企，日本药企也积极面对新科技。2016年日本武田药品工业、富士胶片及盐野义制药等企业就计划利用人工智能推进新药开发。当时，包括富士通和NEC等IT企业在内，大约有50家企业参加该项目，计划与日本理化学研究所和京都大学合作，开发研究新药用的人工智能，以快速寻找能够用于制作新药的候选物质。
与上述国家相比，我国药企在人工智能推进新药开发方面障碍重重，亟待突破创新发展。我国是制药大国，而新药研究与开发的成就则代表制药工业发展的水平，使用人工智能有利于提高开发效率，在激烈的全球新药开发中提高竞争力。在高风险、高投入、高成本的压力下，我国制药企业必须借助人工智能大趋势，提高药物自主创新能力、研发能力，推动制药大国走向制药强国。相信随着科研人员找到现有知识体系中的新模式，世界乃至我国也必将出现一波不可小觑的医药创新。