人工智能（AI）發(fā)展至今，已成為社會生活和生產(chǎn)中一種非常真實的力量。這種力量將會，甚至已經(jīng)，顛覆了世界上的幾乎所有行為。隨著機器人、智能手表、智能音箱、虛擬助理等科技產(chǎn)品的出現(xiàn)，人工智能技術(shù)的迅猛發(fā)展及其在醫(yī)療衛(wèi)生領(lǐng)域的深度應(yīng)用，將極大改變原有社會的面貌。

目前，人工智能在醫(yī)療衛(wèi)生領(lǐng)域廣泛應(yīng)用正形成全球共識?？梢哉f，人工智能以獨特的方式捍衛(wèi)著人類健康福祉。除了在診療手術(shù)、就醫(yī)管理、醫(yī)療保險領(lǐng)域發(fā)揮作用，基于算法的人工智能近年來更是推動著疾病與藥物研究的革新，并越來越體現(xiàn)其優(yōu)勢。

制藥業(yè)作為一個古老悠久又對人類至關(guān)重要的行業(yè)，人工智能何以成為制藥業(yè)未來趨勢？在人工智能制藥全面到來之前，制藥業(yè)還將面臨什么挑戰(zhàn)？

AI制藥，潛力無限

制藥業(yè)是危險與迷人并存的行業(yè)。通常，一款藥物的研發(fā)可以分為藥物發(fā)現(xiàn)和臨床研究兩個階段。

在藥物發(fā)現(xiàn)階段，需要科學(xué)家先建立疾病假說，發(fā)現(xiàn)靶點，設(shè)計化合物，再是展開臨床前研究。而傳統(tǒng)藥企在藥物研發(fā)過程中則必須進行大量模擬測試，研發(fā)周期長、成本高、成功率低。根據(jù)《自然》數(shù)據(jù)，一款新藥的研發(fā)成本大約是26億美元，耗時約10年，而成功率則不到十分之一。

其中，僅發(fā)現(xiàn)靶點、設(shè)計化合物環(huán)節(jié)，就障礙重重，包括苗頭化合物篩選、先導(dǎo)化合物優(yōu)化、候選化合物的確定、合成等，每一步都面臨較高的淘汰率。

對于發(fā)現(xiàn)靶點來說，需要通過不斷的實驗篩選，從幾百個分子中尋找有治療效果的化學(xué)分子。此外，人類思維有一定趨同性，針對同一個靶點的新藥，有時難免結(jié)構(gòu)相近、甚至引發(fā)專利訴訟。最后，一種藥物，可能需要對成千上萬種化合物進行篩選。即便這樣，也僅有幾種能順利進入最后的研發(fā)環(huán)節(jié)。

然而，通過人工智能技術(shù)卻可以尋找疾病、基因和藥物之間的深層次聯(lián)系，以降低高昂的研發(fā)費用和失敗率?；诩膊〈x數(shù)據(jù)、大規(guī)?；蚪M識別、蛋白組學(xué)、代謝組學(xué)，AI可以對候選化合物進行虛擬高通量篩選，尋找藥物與疾病、疾病與基因的鏈接關(guān)系，提升藥物開發(fā)效率，提高藥物開發(fā)的成功率。

具體而言，科研人員可以使用人工智能的文本分析功能搜索并剖析海量文獻(xiàn)、專利和臨床結(jié)果，找出潛在的、被忽視的通路、蛋白、機制等與疾病的相關(guān)關(guān)系，進一步提出新的可供測試的假說，從而找到新機制和新靶點。漸凍人癥（ALS）就是由特定基因引起的一類罕見病，而IBM Watson使用人工智能技術(shù)來檢測數(shù)萬個基因與ALS的關(guān)聯(lián)性，成功發(fā)現(xiàn)了5個與ALS相關(guān)的基因，推進了人類對漸凍人癥的研究進展（此前醫(yī)學(xué)已發(fā)現(xiàn)了3個與ALS相關(guān)基因）。

在候選化合物方面，人工智能可以進行虛擬篩選，幫助科研人員高效找到活性較高的化合物，提高潛在藥物的篩選速度和成功率。比如，美國Atomwise公司使用深度卷積神經(jīng)網(wǎng)絡(luò)AtomNet來支持基于結(jié)構(gòu)的藥物設(shè)計輔助藥品研發(fā)，通過AI分析藥物數(shù)據(jù)庫模擬研發(fā)過程，預(yù)測潛在的候選藥物，評估新藥研發(fā)風(fēng)險，預(yù)測藥物效果。制藥公司Astellas與NuMedii公司合作使用基于神經(jīng)網(wǎng)絡(luò)的算法尋找新的候選藥物、預(yù)測疾病的生物標(biāo)志物。

當(dāng)藥物研發(fā)經(jīng)歷藥物發(fā)現(xiàn)階段，成功進入臨床研究階段時，則進入了整個藥物批準(zhǔn)程序中最耗時且成本最高的階段。臨床試驗分為多階段進行，包括臨床I期（安全性），臨床II期（有效性），和臨床III期（大規(guī)模的安全性和有效性）的測試。

傳統(tǒng)的臨床試驗中，招募患者成本很高，信息不對稱是需要解決的首要問題。CB Insights的一項調(diào)查顯示，臨床試驗延后的最大原因來自人員招募環(huán)節(jié)，約有80%的試驗無法按時找到理想的試藥志愿者。

臨床試驗中的一大重要部分，在于嚴(yán)格遵守協(xié)議。簡言之，如果志愿者未能遵守試驗規(guī)則，那么必須將相關(guān)數(shù)據(jù)從集合當(dāng)中刪除。否則，一旦未能及時發(fā)現(xiàn)，這些包含錯誤用藥背景的數(shù)據(jù)可能嚴(yán)重歪曲試驗結(jié)果。此外，保證參與者在正確時間服用正確的藥物，對于維護結(jié)果的準(zhǔn)確性也同樣重要。

但這些難點卻可以在人工智能技術(shù)下被解決。比如，人工智能可以利用技術(shù)手段從患者醫(yī)療記錄中提取有效信息，并與正在進行的臨床研究進行匹配，從而很大程度上簡化了招募過程。

對于實驗的過程中存在的患者服藥依從性無法監(jiān)測等問題，人工智能技術(shù)可以實現(xiàn)對患者的持續(xù)性監(jiān)測，比如利用傳感器跟蹤藥物攝入情況、用圖像和面部識別跟蹤病人服藥依從性。蘋果公司就推出了開源框架ResearchKit和CareKit，不僅可以幫助臨床試驗招募患者，還可以幫助研究人員利用應(yīng)用程序遠(yuǎn)程監(jiān)控患者的健康狀況、日常生活等。

AI制藥，時候未到

既然人工智能已經(jīng)展現(xiàn)出了在制藥業(yè)領(lǐng)域的優(yōu)勢和潛力，為什么人工智能制藥產(chǎn)業(yè)至今還未密集爆發(fā)？反而是人們對人工智能領(lǐng)域不斷取得的突破屢見不鮮。對于“人工智能算法因發(fā)現(xiàn)了一種強效的新抗生素”之類的頭版新聞并不再感到稀奇。

新冠肺炎疫情是對人工智能的一塊試金石，在協(xié)助診療和管理上，人工智能的表現(xiàn)可圈可點。

然而，對于制藥來說，盡管國內(nèi)有阿里云與全球健康藥物研發(fā)中心GHDDI合作開發(fā)人工智能藥物研發(fā)和大數(shù)據(jù)平臺，針對冠狀病毒的歷史藥物研發(fā)進行數(shù)據(jù)挖掘與集成，國外有DeepMind使用其AlphaFold人工智能系統(tǒng)來預(yù)測和發(fā)布與新冠病毒相關(guān)的結(jié)構(gòu)。就像人工智能掌握了古老的中國棋盤游戲圍棋一樣，人工智能在制藥上顯示了巨大希望。然后呢，并沒有答案。

此外，盡管科技進步顛覆了移動通訊，個人電腦，互聯(lián)網(wǎng)和基因測序等等領(lǐng)域，開發(fā)新藥的成本卻在穩(wěn)步上升。人工智能制藥為這個領(lǐng)域吸引了更多投資和更多人才。但隨著炒作愈演愈烈，藥物開發(fā)成本卻一路走高。于是，一直以來，看起來很有希望的人工智能技術(shù)突破，卻并沒有帶來研發(fā)水平的顯著提高。

人工智能制藥似乎依舊不堪大用。究其根本，還在于當(dāng)今的人工智能存在的固有局限性。對于目前的人工智能來說，其主要還是通過在數(shù)據(jù)中尋找模式來學(xué)習(xí)的。通常，輸入的數(shù)據(jù)越多，人工智能就越智能。

總部位于舊金山的OpenAI發(fā)布的GPT-3算法，只需幾個詞的提示就可以寫出任何主題的連貫段落。值得一提的是，第一版GPT于2018年發(fā)布，包含1．17億個參數(shù)。2019年發(fā)布的GPT-2包含15億個參數(shù)。相比之下，GPT-3擁有1750億個參數(shù)，比其前身多100倍，比之前最大的同類NLP模型要多10倍。于是，該算法通過分析近5千億個單詞實現(xiàn)了智能。然而這些數(shù)據(jù)也限制了GPT-3。

要實現(xiàn)超自然的性能，一般來說，必須輸入模擬特定行為的高質(zhì)量數(shù)據(jù)對系統(tǒng)進行訓(xùn)練。這在圍棋等游戲中容易實現(xiàn)，每一步都有明確的參數(shù)，但在不太可預(yù)測的現(xiàn)實生活場景中則要困難得多。這也使得人工智能在應(yīng)用到現(xiàn)實場景的過程中，經(jīng)常會遇到困難。

疫情期間，在法國、美國等地，人工智能之所以也未能支持政府建立有效的接觸者追蹤系統(tǒng)的努力，很大一部分原因就是缺少必要的“原料”。在英國，由于缺乏系統(tǒng)的數(shù)據(jù)采集來追蹤和溯源新冠病例，短期內(nèi)幾乎不可能使用人工智能技術(shù)實施接觸者追蹤干預(yù)。

當(dāng)然，即便人工智能可以創(chuàng)造出人類急需的藥品，改善健康，治療疾病。但無論是生成強化學(xué)習(xí)等方法的結(jié)合，還是量子計算的迷人前景，都需要生物學(xué)、化學(xué)以及更多學(xué)科的支持。只有保證科學(xué)的供給，才能更好地產(chǎn)出科學(xué)。

生活水平提升引起的人口結(jié)構(gòu)變化和疫苗、抗生素等醫(yī)學(xué)技術(shù)的出現(xiàn)加快了人類疾病譜變遷的速度，慢性病取代傳染病成為人類主要的疾病負(fù)擔(dān)。目前的醫(yī)療衛(wèi)生體系是人類在對抗傳染病和急性病過程中形成的。醫(yī)學(xué)理念、臨床干預(yù)方式難以應(yīng)對慢性病的挑戰(zhàn)，逐漸表現(xiàn)出效率低下，醫(yī)療保健成本高速增長等特征，日趨不堪重負(fù)。

人工智能技術(shù)的巨大突破，融合了深度學(xué)習(xí)算法、數(shù)據(jù)建模、大規(guī)模GPU并行化平臺等技術(shù)構(gòu)成的深度神經(jīng)網(wǎng)絡(luò)，能模擬人腦的工作機制。國家可以在提升早期檢測準(zhǔn)確度、加強診斷和風(fēng)險控制、降低治療費用、輔助病人自我健康管理、提升治療效果等方面給予醫(yī)療工作者充分支持。

在制藥行業(yè)從識別生物靶點，設(shè)計新分子，到提供個性化治療和預(yù)測臨床試驗結(jié)果方面，人工智能制藥更是具有巨大潛力。目前，人工智能制藥或許依然會輸給傳統(tǒng)的生物學(xué)和化學(xué)，但這并不意味著它還沒有準(zhǔn)備好進入黃金期。未來，隨著醫(yī)療大數(shù)據(jù)的形成與完善，患者檢查、診斷、治療全過程的數(shù)字化之后，AI就能通過自動學(xué)習(xí)來研發(fā)藥物。可以預(yù)見，不久的將來，隨著AI制藥黃金期的到來，也將給制藥這一歷史悠久且至關(guān)重要的行業(yè)帶來前所未有的變革。

責(zé)任編輯：xj