每年，世界各地的实验室都有数千种新药在研发中。但只有一小部分能通过人体试验——更不用说最终批准了。即使在那些成功上市的药物中，大多数新药实际上也只是现有药物的新版本，比如更便宜的仿制药。但现在有一位新的英雄有望推动这一进程:基于人工智能的药物研发系统。尽管这项技术仍在发展，但在人工智能的帮助下设计的几种新药已经进入临床试验阶段。与全自动机器人科学家等其他现代技术一起，人工智能正在以革命性的方式改变药物发现，而且它正在加速这一过程，这是我们以前从未见过的。
直到最近，我们才能够从零开始制造药物。有些药物是基于传统疗法和天然产品，比如阿司匹林。第一个完全合成的药物，镇静水合氯醛，在1869年被开发出来。但是仍然有相当多的试验和错误。不是往墙上扔意大利面看什么能粘住，而是往人们身上扔化学物质看他们是否不再生病。1932年，当一家化学染料公司的研究人员发现其中一些染料可以用来杀死危险的微生物时，我们就有了磺胺药物。纯粹的随机运气也为早期的制药业做出了很大贡献。最著名的是，如果亚历山大·弗莱明(Alexander Fleming)对保持实验室清洁更挑剔一点，我们可能就没有青霉素了。
但这一切都改变了。从20世纪下半叶开始，我们看到了理性药物设计的兴起。这意味着不会再扔意大利面了。相反，科学家们根据药物可能起作用的假设，从零开始制造药物。然而，有如此多的数据可以依赖，可能是一把双刃剑。事实上，在某种意义上，你可以说我们在这方面做得太好了。研究每一种候选药物所花费的研究人员和人员时间确实是巨大的。但现在，人工智能正在扭转局面，帮助引导和加速这一过程。这有助于识别我们在其他情况下可能找不到的候选药物，并缩短它们的开发时间。人工智能系统可以得到我们想要找到的东西的一般描述，分析一堆文献和数据库，并为以后的研究挑选出最佳的结果。
这从一开始就开始了:在你考虑新药的工作原理之前，你必须决定它的设计用途。你需要一个目标。这个目标是你体内发生的一系列事情中的一个多米诺骨牌，这些事情会导致疾病。可能是基因突变，也可能是酶工作过度。对于你想要治疗的疾病，通常有大量的科学文献——比如研究文章、临床试验报告和患者记录。根据所有这些信息决定一个目标就像大海捞针，这对我们的大脑要求很高。人工智能可以帮助我们看到大局，然后从大局中挑选出我们真正需要的具体东西。
人工智能系统使用了一系列不同的技术来做到这一点，但一般来说，关键是自然语言处理。自然语言处理基本上可以让你的手机语音助手理解你说的“播放柴可夫斯基的作品”。如果你幸运的话，它会理解你想听柴可夫斯基创作的任何音乐，而不是他写的某一首名为“某事”的特定作品。现在，人工智能并不真正理解柴可夫斯基是什么。但通过分析单词和上下文之间的关系，它可以告诉你，你想在数据库中保存作曲家列表的部分中寻找“柴可夫斯基”。药物研发的原理也是一样的。
因此，即使人工智能不理解什么是“基因”，如果你指示它对特定疾病的文献进行分类，它可以识别出突出的基因。它还可以在文献中找到谈论该基因的地方，并查看与之相关的词语。作者是否经常在这种疾病的背景下提到它?最关键的是，他们是否谈到了因果关系?如果是这样，人工智能就会得出结论，认为该基因值得一看。自然语言处理也意味着人工智能系统不需要一群人预先格式化这些信息。你可以给它输入人类写的东西，比如科学文章或医学病例报告。
因此，基于人工智能的系统可以分析大量的数据，并给出有意义的答案。它们的阅读速度比我们快得多，所以它们可以浏览更多的信息，处理比人类更复杂的问题。另外，他们永远不需要去喝咖啡。这大大加快了寻找我们最终可能找到的潜在药物靶点的过程，但它也使我们有可能发现我们可能没有注意到的全新靶点。
例如，美国Berg公司的研究人员在培养皿中培养了来自一千多名捐赠者的癌变细胞和健康细胞。他们改变了条件，并追踪了细胞简单地做自己的事情所产生的令人难以置信的复杂化学物质。他们最终从这些样本中获得了数万亿的数据。这是关于癌细胞与健康细胞相比发生了什么的大量原始信息——也就是说，太多了。他们拥有的数据量是如此巨大，如果没有人工智能，这些数据实际上是无用的。但他们的人工智能系统能够分析这些数据，并识别出与健康细胞相比，癌细胞中不正常的各种分子。这暗示了一种新的抗癌药物靶点——一种叫做辅酶Q10的分子。他们基于人工智能的发现开发了一种新的候选药物，目前正在进行胰腺癌和鳞状细胞癌的临床试验。
所以现在我们知道我们想用这种新药针对什么了。这意味着我们需要一种新药。这意味着是时候识别和合成有望以我们想要的方式击中目标的化合物了。但是你如何选择合成什么呢?甚至在人工智能助手出现之前，研究人员就能够通过观察他们已经知道可以与目标相互作用的物质的化学特征，对可行的方法做出有根据的猜测。这种相互作用不一定是有益的——如果某样东西粘在你的目标上，那就给了我们一个线索，让我们可以设计出同样粘在目标上的新东西。但是，即使研究人员知道他们希望他们的候选药物具有什么化学特征，这可能仍然意味着成千上万的选择。人工智能系统也能在这里发挥作用。科学家可以告诉人工智能他们正在寻找什么化学参数，系统不仅会找到合适的候选参数，还会将列表减少到可能最有效的参数。
这个过程有点类似于使用人工智能进行图像识别。当你用图片搜索“猫”的时候，你可能会得到99张猫的图片，还有一朵漂亮的看起来像猫的云。由于这些偶尔的错误，人工智能实际上并不能做出决定。科学家们仍在评估结果，人工智能系统只会帮助自动化和加速繁重的工作。但是，这真的很有帮助。
例如，通过使用人工智能来帮助选择化合物，一种治疗强迫症的新候选药物的制造商能够将他们的开发周期从大约5年缩短到1年，并使他们的候选药物进入临床试验。一旦你决定了一种候选药物并合成了正确的化学物质，就该进行测试了。但在进行人体试验和动物试验之前，研究人员先从更简单的实验开始。这意味着使用培养细胞或含有药物潜在靶点的无细胞鸡尾酒来测试化学物质。过去，对一种潜在药物进行初步测试需要数年时间。但在21世纪，制药公司已经转向机器人高通量筛选，这使得在一天内测试数十万种化合物成为可能。人类可能需要一次将数百或数千种候选化合物移液到一个细胞培养皿中，但机器人可以快速地通过一堆候选化合物。
研究人员只需设计实验，然后检查结果。就像现代制药科学中的Voltron一样，一系列自主能力也可以组合成所谓的机器人科学家。该系统使用人工智能来识别具有很大潜力的特定实验，然后可以自主地使用实验室设备来执行这些实验，并根据实验结果微调下一步的决策。
例如，剑桥大学配备人工智能的机器人科学家Eve已经发现了一种新的疟疾潜在治疗方法。伊芙首先确定了一份可能对抗疟疾的化合物清单，然后在培养的酵母细胞中对它们进行筛选，看看哪些化学物质效果最好。通过这种方式，剑桥团队能够报告Eve已经确定了著名的抗菌化合物三氯生作为帮助对抗耐药疟疾菌株的候选。
尽管有了这些未来科技，但每年只有几十种新药获得批准。例如，在2019年，美国食品和药物管理局批准了48种药物，但其中只有20种与现有药物有足够的区别，可以被视为真正的新药物。这是因为发现一种新药并将其推向市场是一个昂贵、漫长而艰难的过程。为了开发一种新的候选药物，研究人员需要筛选多达10,000种化合物。平均而言，其中只有五种足够好，可以进行临床测试。如果成功的话，候选药物需要完成三个阶段的临床试验。其中90%未能获得FDA的批准。这就是为什么开发一种新药可能需要长达15年的时间，耗资约13亿美元。每一个。
但是，像我们已经讨论过的智能人工智能系统可以改变这一点。我们才刚刚开始看到这场人工智能革命在药物研发领域的成果。实际上，有数百家公司正在为制药行业开发基于人工智能的系统。人类科学家仍在推动这一过程。虽然机器很擅长在匆忙中找到模式和整理大量信息，但我们的大脑可以做很多机器不能做的事情。但人工智能所代表的帮助已经是真正革命性的。它可以减少开发药物所需的时间和成本。通过这样做，它拓宽了可能拯救生命的治疗方法的渠道。当候选药物不可避免地失败时——因为它们不起作用，或者对我们使用不安全——这项技术可以确保有更多的药物等待我们测试。江南体育全站app这对我们所有人来说都是好事——即使这意味着未来看起来有点像机器人递给我们一颗神奇的药丸。
暂无评论