一文读懂：人工智能在药物研发中的应用

撰文：四月的雨

一、概述

在计算技术革命性进步的推动下，人工智能在过去十年中蓬勃发展，这使得收集和处理大量数据的能力得到了革命性的改进。且与此同时，新药研发的成本以及新药的价格也令研发公司与患者望而却步。

研发一款新药是一个非常“烧钱”而且漫长的过程，成功率还很低，据调查平均每种药物的研发投资为13亿美元，每种非肿瘤类药物的平均研发时间为5.9-7.2年，而肿瘤类药物研发时间更是高达13.1年，而最终能成功获批的药物却只占13.8%。

人工智能由于其预测能力，可以有效提高药物开发的成功率，这对新药研发企业有着绝对的吸引力。

图1. 大数据在药物发现中的应用

二、人工智能在药物发现中的应用

人工智能可通过多方面来增加药物开发成功的可能性，包括新靶标识别、候选药物选择、化合物理化性质的预测以及蛋白质结构预测等。

图2. 人工智能在药物筛选中的应用

1、药物靶点识别

靶点是新药研发的基础，目前我们也发现了许多的药物靶点，但是与未发现的药物靶点相比，那么可能只是九牛一毛。而药物靶点发现的过程一般也是费时费力的，所以我们如果能够通过计算机提前预测靶点，这对于缩短靶点的发现时间是至关重要的。

Kumari等人结合自助法采样提升了随机森林算法，并成功从非药物靶点中区分出了药物靶点。

2、活性化合物筛选

在人体内，药物可以同时作用于多个靶点，而作用在非靶向受体时，就可能会产生一定的副作用。所以我们需要对化合物进行筛选，从而筛选出在特定靶点上生物活性高的化合物。而人工智能可以加快我们的筛选速度，进而加快药物的研发进程，使产品更快地用于患者。

3、化合物性质预测

药物研发中影响成败的一个重要因素就是选择具有优良性质的化合物，特别是有关于生物利用度、生物活性以及毒性等相关性质。很多药物临床失败都是由于药物的理化性质较差，所以药物自身的性质对于药物能否成功通过临床而上市是至关重要的。所以在药物研发的早期阶段就需要对其进行详细的理化性质研究，而我们可以使用人工智能技术进行药物的吸收、不良反应、毒性等性质的预测。例如：Newby等人构建决策树模型用来预测化合物渗透性和溶解性在药物口服吸收过程中的作用。

4、蛋白质结构预测

蛋白质的生物学机制由其编码的一维氨基酸序列和三维的结构所决定。众所周知，蛋白质错误折叠在许多疾病中都很常见，包括II型糖尿病、阿尔茨海默症、帕金森氏症、亨廷顿氏症和肌萎缩侧索硬化症等神经退行性疾病。所以开发能够准确预测三维蛋白质结构的方法，以帮助新药发现和理解蛋白质折叠疾病具有重要价值。由DeepMind开发的AlphaFold是一个人工智能网络，可用于根据蛋白质的氨基酸序列确定蛋白质的3D结构。

Beck等人开发了一种基于深度学习的药物-靶标相互作用预测模型，称为分子转换器-药物靶标相互作用（MT-DTI），用于根据靶蛋白的化学序列和氨基酸序列预测结合亲和力，而不需要其结构信息。

5、精准医疗

根据统计，在失败的临床3期试验中，其中57%的失败是由于疗效不足造成的，主要的因素是未能用正确的剂量、未能确定适当的目标患者群体。因此，精准医学已成为医药行业药物开发的重点。而我们可以使用人工智能工具来预测剂量以及确定治疗受益较高的患者群体。

三、人工智能在药物研发中的应用案例

美国硅谷公司Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，评估出820万种药物研发的候选化合物。2015年，Atomwise基于现有的候选药物，应用人工智能算法，在不到一天时间内就成功地寻找出能控制埃博拉病毒的两种候选药物。

而目前多家医药巨头公司也与一些Al公司加深合作，无不意味着人工智能对于医药研发的重要性，下表为一些医药巨头与Al公司的合作。

表1. 医药巨头与Al公司合作案例

四、结论

与传统的药物研发技术相比，通过人工智能方法筛选药物更加地高效。常规的筛选过程我们可能动辄需要花费几个月时间，外加每个化合物上百元或几百元的代价。在人工智能的帮助下，虚拟化合物几天内可以筛选数十亿个分子的文库。而人工智能工具对于药物理化性质的预测也只需要短短的几天。

图3. 人工智能在新药发现领域的市场规模（引自文献5）

但当前阶段，可用于人工智能挖掘的数据仍相对较少，需要生成足够海量的数据才能更好地使用该技术。相信在不远的将来，通过人工智能所研发的药物，市场规模将会越来越大，人工智能将在医药研发领域大展拳脚！

参考文献:

[1]Machine Learning and Artifcial Intelligence in Pharmaceutical Research and Development: a Review

[2]Artificial intelligence to deep learning: machine intelligence approach for drug discovery[J]. Molecular Diversity, 2021:1-46.

[3]梁礼, 邓成龙, 张艳敏,等. 人工智能在药物发现中的应用与挑战[J]. 药学进展, 2020, 44(1):10.

[4]丁伯祥, 胡健, 王继芳. 人工智能在药物研发中的应用进展[J]. 山东化工, 2019, 48(22):4.

[5]黄芳, 杨红飞, 朱迅. 人工智能在新药发现中的应用进展[J]. 药学进展, 2021年45卷7期, 502-511页, CA, 2021.