編輯 | 白菜葉
人工智慧在藥物研發中的使用潛力引起了科學家、投資者和公眾的興奮和懷疑。
有些公司和研究人員聲稱，「人工智慧正在接管藥物開發」。過去幾年，人們對使用人工智慧設計藥物和最佳化臨床試驗的興趣推動了研究和投資的激增。
AlphaFold 等人工智慧驅動的平臺展示了人工智慧加速藥物開發的潛力，AlphaFold 因其預測蛋白質結構和設計新蛋白質的能力而獲得了 2024 年諾貝爾獎。
也有許多業內資深人士警告稱，將人工智慧用於藥物研發是「無稽之談」。他們敦促說，「人工智慧加速藥物研發的潛力需要現實檢驗」，因為人工智慧生成的藥物尚未證明能夠解決新藥在臨床試驗中 90% 的失敗率。與人工智慧在影像分析方面的成功不同，其對藥物開發的影響仍不清楚。
作為學術界和製藥行業的藥物科學家以及美國國防高階研究計劃局（DARPA）的前專案經理，密歇根大學藥學院藥學系教授孫篤新博士一直在關注人工智慧在藥物開發中的應用。
他認為，藥物研發中的人工智慧尚未改變遊戲規則，也並非完全無稽之談。人工智慧並不是一個可以將任何想法變成黃金的黑匣子。
相反，孫篤新認為它是一種工具，如果使用得當，可以幫助解決藥物失敗的根本原因並簡化流程。
大多數使用人工智慧進行藥物開發的工作都是為了減少將一種藥物推向市場所需的時間和金錢——目前需要 10 到 15 年的時間和 10 到 20 億美元。但人工智慧真的能徹底改變藥物開發並提高成功率嗎？
人工智慧在藥物開發中的應用
研究人員已將人工智慧和機器學習應用於藥物開發過程的每個階段。這包括識別體內靶點、篩選潛在候選藥物、設計藥物分子、預測毒性以及在臨床試驗中挑選對藥物反應最好的患者等。
2010 年至 2022 年間，20 家專注於 AI 的初創公司發現了 158 種候選藥物，其中 15 種進入臨床試驗階段。其中一些候選藥物能夠在短短 30 個月內完成實驗室臨床前測試並進入人體試驗階段，而通常需要 3 至 6 年。這一成就證明了 AI 加速藥物開發的潛力。
另一方面，雖然人工智慧平臺可以快速識別對培養皿或動物模型中的細胞有效的化合物，但這些候選藥物在臨床試驗中的成功率——大多數藥物失敗都發生在臨床試驗中——仍然存在很大的不確定性。
與影像分析和語言處理等擁有大量高質量資料集來訓練人工智慧模型的其他領域不同，藥物開發中的人工智慧受到小型低質量資料集的限制。很難針對數百萬至數十億種化合物生成與細胞、動物或人類相關的藥物資料集。
雖然 AlphaFold 在預測蛋白質結構方面取得了突破，但它對藥物設計的精確度仍不確定。藥物結構的微小變化會極大地影響其在體內的活性，從而影響其治療疾病的有效性。
倖存者偏差
與人工智慧一樣，過去 40 年裡，計算機輔助藥物設計、人類基因組計劃和高通量篩選等藥物開發領域的創新已經改進了該過程的各個步驟，但藥物失敗率依然居高不下。
大多數人工智慧研究人員在獲得高質量資料和特定問題時，都能解決藥物開發過程中的特定任務。但他們通常不熟悉藥物開發的全部範圍，從而將挑戰簡化為模式識別問題和流程中各個步驟的細化。
與此同時，許多擁有藥物開發專業知識的科學家缺乏人工智慧和機器學習方面的培訓。這些溝通障礙可能會阻礙科學家超越當前開發流程的機制並找出藥物失敗的根本原因。
如今的藥物開發方法（包括使用人工智慧的方法）可能陷入了倖存者偏差陷阱，過度關注過程中不太重要的方面，而忽視了導致失敗的主要問題。
這就像在二戰中，飛機返航時，只修復機翼受損，卻忽視了飛機發動機或駕駛艙的致命弱點。研究人員往往過於關注如何改善藥物的個別特性，而不是失敗的根本原因。
當前的藥物開發流程就像一條裝配線，依賴於核取方塊方法，並在流程的每個步驟中進行大量測試。
雖然人工智慧可以減少這條裝配線中基於實驗室的臨床前階段的時間和成本，但它不太可能提高涉及人體測試的更昂貴臨床階段的成功率。
儘管 40 年來流程不斷改進，但臨床試驗中藥物的失敗率始終高達 90%，這凸顯了這一侷限性。
解決根本原因
臨床試驗中藥物失敗的原因不僅僅是研究設計不當，選擇錯誤的候選藥物進行臨床試驗也是一個主要因素。新的人工智慧指導策略可以幫助解決這兩個挑戰。
目前，大多數藥物失敗有三個相互依賴的因素：劑量、安全性和有效性。一些藥物失敗是因為它們毒性太大或不安全。其他藥物失敗是因為它們被認為無效，通常是因為劑量不能再增加而不造成傷害。
近期，孫篤新團隊提出了一種機器學習系統，透過基於以前被忽視的五個藥物特徵來預測劑量、安全性和功效，從而幫助選擇候選藥物。具體來說，研究人員可以使用人工智慧模型來確定藥物與已知和未知靶標結合的具體性和有效性、這些靶標在體內的水平、藥物在健康和患病組織中的濃度以及藥物的結構特性。
人工智慧生成的藥物的這些特性可以在這裡所謂的 0+ 期試驗中進行測試，在重症和輕症患者中使用超低劑量。這可以幫助研究人員確定最佳藥物，同時降低當前「測試和觀察」臨床試驗方法的成本。
雖然人工智慧本身可能無法徹底改變藥物開發，但它可以幫助解決藥物失敗的根本原因，並簡化漫長的審批流程。
相關內容：https://theconversation.com/will-ai-revolutionize-drug-development-researchers-explain-why-it-depends-on-how-its-used-245520