人（rén）工智能助（zhù）力医疗，精（jīng）准找出治（zhì）病（bìng）物质

在制药过程中（zhōng）,药物被淘汰的原因众多,其（qí）中之一（yī）就在于其对细胞色素（sù）P450的消（xiāo）极抑制作（zuò）用。细胞色素P450是一组（zǔ）主要在（zài）肝脏中产生的酶,通（tōng）常被称为（wéi）CYP450,参与（yǔ）分解化（huà）学（xué）物质（zhì）,防止它们在血液中（zhōng）积累（lèi）到危险的水平。然而,事实证明,许多实（shí）验（yàn）药物都能抑制（zhì）CYP450的产（chǎn）生,这种的副作（zuò）用会使（shǐ）药物对人（rén）体（tǐ）产（chǎn）生毒性。

制药公司一直依赖于传统医学工具来（lái）预测药物是否会（huì）抑制患者（zhě）体内（nèi）的CYP450,比如（rú）在试管（guǎn）中进行化学分析（xī）,观（guān）察CYP450与具有化学相（xiàng）似性的药物之间的相互作用（yòng）,以及在小白鼠身上（shàng）进（jìn）行（háng）实验。但是这（zhè）样的预测可能并不准确。在某些情（qíng）况下,CYP450相关毒性（xìng）只有在（zài）人体试验中才会被发现,导（dǎo）致（zhì）付诸的金钱多（duō）年的（de）努（nǔ）力白费。就（jiù）在这个关键时刻,AI制药重新进入了大众视野。

弥补传统制药弊端,AI制药效率（lǜ）大幅（fú）提高

制药的（de）低效率（lǜ）引出（chū）了一个更严肃的问题:至（zhì）少20年来,价值1万亿美元的全球制药行业一直处于药（yào）物开发低（dī）迷、生产率下（xià）滑的状（zhuàng）态。制药（yào）公司（sī）的金钱投入越来越多（duō）——10家最大的制药（yào）公司（sī）现在（zài）每年花费近800亿（yì）美（měi）元——研发出的有效药物却（què）越来（lái）越少（shǎo）。十年前,若（ruò）投入一美元（yuán）来研发（fā）药物,就能收到（dào）10美分的（de）回报;如今（jīn）,收益率却不足2美分。某种（zhǒng）程度上,这是（shì）因为用于治疗常（cháng）见疾病（bìng）的药物都已（yǐ）经找到了,只剩（shèng）下开（kāi）发用于解决（jué）复杂疾病的药（yào）物,这些（xiē）药物只能治（zhì）疗（liáo）一小部分人（rén）的疾病（bìng）,因此能够获得的收益也（yě）要少得多。

根据塔夫茨药物开发（fā）研究中心的数据,近年来,药物上市的平均成本几乎翻了一番,达到26亿美元之多。药（yào）物从在实验室中诞生到流入市场的时（shí）间（jiān）线被延长到（dào）了（le）12年,而有90%的药物在人体（tǐ）试（shì）验的（de）阶段就被淘（táo）汰。

因（yīn）此,研（yán）究（jiū）人员对AI在药（yào）物研发方面的高涨（zhǎng）热情也就（jiù）不足为奇了。用户只需要给AI工（gōng）具提供（gòng）样（yàng）本(某种分子结构)和相应（yīng）的（de）解（jiě）决方案(分（fèn）子最（zuì）终如何被（bèi）制成药物),它（tā）们就可以开（kāi）发（fā）自己的计算方法来（lái）快速产（chǎn）生相似的制药方案。

AI(右)能更准确（què）地找到致（zhì）病肿瘤

大（dà）多数机器学习程序可以处理小数据集（jí）,而深度学习程序可以处理大量（liàng）原始的、非结构化的数（shù）据。一个深度学习的版本可以从未标记的细胞图像中进行分子（zǐ）结构辨识（shí）,不过（guò）,它可能（néng）需要（yào）查看上百万个细（xì）胞样（yàng）本（běn）才能做到这一点。

最终,AI将（jiāng）在（zài）以下几个方面改善药物开发:1．识别（bié）更有（yǒu）效的候选药物;2．提高药物测试（shì）的（de）“命中率”,即通过临床试验并获得监管（guǎn）批准的候（hòu）选人的百（bǎi）分（fèn）比;3．加速整个（gè）制药过程。

百时（shí）美施贵宝(Bristol-Myers Squibb)最（zuì）近部署了一个机器学习程序,该程序经过训练,已能够（gòu）在（zài）大量细胞样（yàng）本中（zhōng）发现与CYP450抑（yì）制（zhì）效用相关（guān）的分子结构。Saha说,该程序将测试准确率（lǜ）提高（gāo）到95%,与传统方法相比,失（shī）败（bài）率降（jiàng）低近6倍。这些结果帮助研究（jiū）人员（yuán）迅速筛（shāi）选（xuǎn）出（chū）可能有毒的（de）药物（wù）,转而（ér）关注（zhù）那些有更大希望通过多项人体（tǐ）试验（yàn）、获（huò）得美国食品和药物管理局批（pī）准的候选药物。礼来(Eli Lilly)首席数据和分（fèn）析官维平•戈帕尔（ěr）(Vipin Gopal)表示:“在我们（men）进行（háng）投资之前,AI就能帮助（zhù）我们在早期排除（chú）掉那些潜在的（de）无效用药物。”

人工智能软件（jiàn）可以预测哪些化合物（wù）可能（néng）与目标蛋白结合,以帮助缩小候选药物的（de）范围

生（shēng）物医学研（yán）究人员认（rèn）识到,像癌（ái）症和阿尔茨（cí）海默病等这般复杂的疾病所涉及的涉及蛋白质（zhì）达数百种,如果研发（fā）的药物只攻击其中一（yī）种蛋白质,则（zé）不太可能对（duì）整个病（bìng）毒本身（shēn）造成破坏。Kurji解释说,Cyclica正试图寻找能与（yǔ）几十种目标蛋（dàn）白相（xiàng）互作用（yòng）的单个化合物,同（tóng）时避免与其他蛋白相互作用（yòng）。他补充说,目前正在开发的AI 程序旨在将（jiāng）大量关于蛋（dàn）白质变（biàn）异的遗（yí）传数据（jù）整合在一（yī）起,这样AI助手就可以检测出哪些候选药物（wù）最有效。

苏格兰邓迪（dí）大学医学信息学教授（shòu）安德鲁•霍普金斯(Andrew Hopkins)提出（chū）了ex唯科（kē）学算法,这个算法只（zhī）需分析10个蛋白质（zhì）数（shù）据（jù）就能得到有效（xiào）信息。它（tā）将（jiāng）目标蛋白的（de）生物数据与（yǔ）大约10亿个（gè）蛋白质相互作（zuò）用的（de）数据库进行（háng）比较。生成的新数据被输入到程序中,程（chéng）序再次对列表进行精简,并（bìng）分析另一轮所需的数据（jù）。这个过程重复进行,直（zhí）到程（chéng）序准（zhǔn）备好生成一个易于管（guǎn）理的化合（hé）物列表,而这些化合物正是目标药物的（de）良好候选（xuǎn）。

霍普金斯声称,ex唯科学的算（suàn）法可以将（jiāng）药（yào）物（wù）的（de）发现时间（jiān）从4．5年（nián）缩短到1年,将发现成本降（jiàng）低（dī）80%,合成化（huà）合物的数（shù）量也会减少到通常生（shēng）产一（yī）种成功药物（wù）所需的五（wǔ）分之一（yī）。目前,他正与生物（wù）科技巨头Celgene合作,努力为三个（gè）目标寻找新的潜在药物（wù）。

精（jīng）确定位目标（biāo）蛋白!

为（wéi）了（le）发现可能致病的蛋白质,生（shēng）物制（zhì）药公（gōng）司Berg也利（lì）用AI助手来筛选（xuǎn）人体组织（zhī）样本的生物信（xìn）息。Berg软（ruǎn）件（jiàn）的（de）方法是把（bǎ）从（cóng）病人的组织样本（běn）、器官液体和血样中提取的（de）每（měi）一份（fèn）数据都输（shū）入（rù）程序。样品中的活细（xì）胞被用于各种（zhǒng）实（shí）验,如测试（shì）其（qí）高葡（pú）萄糖水平（píng）。这种方（fāng）法生成多种数据,涵盖细胞产生能量的（de）能力和（hé）细胞膜的硬度。

然后（hòu）,所有的（de）数据（jù）都通过一系列深度学习程序运行（háng）,这些（xiē）程（chéng）序寻（xún）找非疾病状态（tài）和疾病状态之间的特（tè）征差异,最终着眼于那些含毒性的蛋白质。在某（mǒu）些情（qíng）况下,这些蛋（dàn）白质可能成为靶标,这（zhè）时Berg的AI软件（jiàn）就（jiù）可以寻找（zhǎo）药（yào）物（wù）来攻击这些靶（bǎ）标。更重要的（de）是,因（yīn）为该（gāi）软件可以识别目标似乎只（zhī）在一小部分患者（zhě）身（shēn）上（shàng）引起疾病,所以它可以识别这些（xiē）患（huàn）者的区别性特征。这意味着患者可以在服用药物（wù）之前进行测试（shì）,以确定药物是否（fǒu）可能（néng）对他们（men）有效。

目（mù）前（qián）,Berg正（zhèng）在与制药巨头阿斯利康(AstraZeneca)合作,寻找治疗帕金森氏症和其他神经系统疾病的目标（biāo）,并与赛诺菲巴斯德(Sanofi Pasteur)合作,以（yǐ）改良流感疫苗。Berg软件已经确定了诊断测试的机制,可以区分前列（liè）腺癌和（hé）良性（xìng）前列腺（xiàn）肥（féi）大症,而这些病（bìng）症如果不做手术则很（hěn）难区分。