我們能從霓虹國的AI+新藥開發中學到什麼?
在中文科技媒體的世界裡,日本的人工智慧產業就像是“薛定諤的AI”,有時候它是值得學習的好榜樣,有時候又會被拎出來吊打。
確實,日本在這兩年的全球人工智慧熱中,似乎並沒什麼多少存在感,以至於看起來像一個“沒落的已開發國家”,甚至“遠遠落後於中美”。
那麼,日本是真的在人工智慧領域無所作為了嗎?
並不盡然。
其實,當中國還在為ABCD(人工智慧、大資料、雲端計算、物聯網)這些新概念搞得暈頭轉向之際,日本也在科技創新悶聲發大財。
比如2016年,日本NEC公司就將AI引入了新藥研發,短時間、低成本地發現了一種可以治療肝癌和食管癌的疫苗。而中國的創新藥物,目前還停留在提取中藥有效成分優化合成的思路,還有部分屬於仿製藥。
這麼說並不是在妄自菲薄,而是希望思考這樣一個問題,既然中國在AI技術上並不遜色,是不是也能利用人工智慧,為製藥產業另闢蹊徑呢?
why who & how
其實利用機器來開發新藥,也並不是什麼新生事物。早在1981年,美國《財富》雜誌就對計算機輔助的藥物發現進行了專題報導。到了2000年,利用機器人進行“高通量篩選”已經被用來快速測試數百萬種化合物。
可惜的是,過去二十多年的計算機、大資料等基礎條件都不夠成熟,並未能真正解決研發流程的低效問題,因此進展緩慢。
不過,現在人類世界早已擁有了足夠的算力,包括商業雲服務,並且擁有大量資料來訓練演算法模型。那麼這次,AI能取代計算機在新藥研發領域大展拳腳嗎?
我們不妨從日本AI製藥的故事說起。
首先來回答幾個問題:用AI研發新藥這件事,為什麼做?誰來做?怎麼做?
首先,對於任何國家的醫藥企業而言,新藥研發都是一項不菲的支出。據日本製藥工業協會統計,目前每種新藥研發大約需要10年時間,所耗經費高達1200億日元。即便如此,成功率只有2萬至3萬分之一。而人工智慧則能把新藥的研發週期縮短一半甚至三分之二,而費用則有望減半。
加上日本老齡化不斷加重,醫療需求大增,在這樣的大環境下,依靠人工智慧來驅動醫藥產業轉型,加快更有效的新藥問世,就成了絕對的“政治正確”。
那麼,由誰來做呢?2016年,日本政府就打造了一個研究聯盟,幫助國內公司和機構使用日本K超級計算機,來提高藥物發現效率,日本70家制藥廠商和IT相關企業都參與其中。
其中就包括了Takeda、Fujitsu、NEC、京都大學醫院、日本理化學研究所,以及提供臨床資料的日本國家研究發展研究所等種種“產學研”協同作戰的關鍵機構。
那麼,AI是如何工作的呢?
目前看來,AI可以在新藥研發的鏈條上全面做功。從鎖定致病的蛋白質、篩選有效的藥物成分、評估藥物成分的安全性、到臨床實驗確定藥效,這些環節都可以由AI來參與。
日本眼藥巨頭Santen就與科技公司twoXAR合作,利用AI技術來確定針對青光眼(glaucoma)的候選藥物。有了更少、更精確的搜尋範圍,研究人員可以節省數百萬,甚至數十億。
NEC公司的人工智慧系統“NEC the WISE”,就將機器學習與醫學實驗結合起來,創造了“免疫功能預測技術”,能夠在短時間內發現潛在疫苗肽。2014年,NEC就利用這項技術發現了一種有望治療肝癌和食管癌的疫苗,並且符合日本人的遺傳特徵。
總之,在利用AI研發新藥這件事上,日本人真的是在“一生懸命”地努力了。
打頭陣的為什麼是日本
人工智慧可以省下數億美元的科研經費,也能省下數千個不必要的工作日。在今天醫藥行業,處處都能聽到類似的聲音。
那麼,打頭陣的為何會是在我們眼中“沒落的技術貴族”日本呢?
這還真的不是我們不努力,而是日本在AI與新藥研發的結合上,有著先天優勢:
1. 不創新就等死的市場環境。
在日本,製藥產業想要取得高回報、高估值,需要非常漂亮的利潤率來支撐。做低成本、沒定價權的仿製藥,只能拼成本,顯然不可能有很高的利潤。這就使得企業更願意將精力和資金投注在療效更優、更有溢價能力的創新藥上。
目前日本大企業的研發投入基本都在營收的20%左右。武田、鹽野義製藥、第一三共和安斯泰來等,每年投入數十億美元進行研發,這就為新技術的引入奠定了堅實的產業根基。
2. 高度資訊化的產業環境。
我們知道,應用人工智慧的前提是有足夠龐大的資料集進行訓練。早在2001 年,日本就推出了“e- Japan(電子日本戰略)”,通過網路資訊科技實現了醫療保健服務的全面數字化。這就使得醫療機構間的資訊得以流通和共享,從而促進資料的分析利用。
到了AI時代,日本國家資訊學研究所NII還構建了一個 “大資料雲平臺”,利用基於人工智慧來分析醫學成像資料。
總之,公共的資料量不斷增加,以及製藥公司越來越願意分享他們的資料,才能讓AI有東西可挖。
3. 學術上的強勢助攻。
日本AI製藥還有一個很好的基礎,就是從90年代開始,日本東京大學、早稻田大學等20多所大學,都已經設立了人工智慧專業。
人才成為日本在人工智慧製藥領域保持競爭力的關鍵。比如東京大學醫學研究所就在宮野聰教授的指導下,使用AI系統為每個病人尋找最佳的癌症藥物組合。在慶應大學,黑田大一教授領導的小組也已經開發出一種能夠檢測尿液中肺癌的人工智慧,準確率高達為90%。
要知道,數字化的人才很難由製藥產業當中自己培養出來,而從大學校園裡萌生的人工智慧研究,使得日本製藥產業萌生利用AI的念頭之後,能獲取源源不斷的人才輸出,讓產業融合成為可能。
AI盛世之下的骨感現實
不過真想要讓AI照亮新藥研發的殘酷世界,也並沒有那麼容易。
實際上,日本也遇到了很多行業通用的難題:
首先,資料過剩與演算法不足。製藥企業需要整合大量資料來使程式具有更高的預測能力,還需要組合應用NLP來對生物特徵做分析判斷,從中發現化合物之間潛在的關聯。但是,目前並沒有太多優秀的演算法和技術解決方案可供選擇。
其次,資料質量參差不齊。由於過去的醫療技術相對落後,採集的醫療資料難免會存在一定錯誤。如果將錯誤資料引入AI學習的資料庫,顯然會給AI學習帶來困擾。如何保證資料庫的質量標準化,目前還是一個尚未被攻克的問題。
而最重要的是,即便是AI,也難以解決研發過程中的不確定性。人體本身的複雜性,決定了在研發的眾多關鍵環節,研發人員自己也無法說明白要用AI實現什麼樣的功能來達到何種目的。結果就是,目前的藥物發現正規化核心還是依賴於研究人員本身的創造性,新藥物發現的時間沒有縮短,成本也沒有變得更低。但AI又是真金白銀的投入,藥企只能負重前行。
儘管利用AI研發新藥困難重重,至少日本已經表達出了強烈的意願和執行力,在人工智慧時代為自己爭取了更多的主動權和可能性。
不該忽視,不能忽視:中國醫藥的AI未來
長期以來,新藥研發都是困擾中國製藥產業的老大難問題。那麼,人工智慧的到來,會不會讓傳統制藥產業出現新的變數呢?
我們認為是完全有可能的。
一方面,是人工智慧改變了新藥研發的路線圖。
中國藥企的很多藥品配方都是從傳統中醫藥中借鑑提煉二來的,大多以複方藥為主。如果能把每個成分研究的很透徹,那麼一個複方藥就可以開發出很多單方特效藥。比如屠呦呦發現的青蒿素治療瘧疾的可能性。
然而很多中國醫藥企業並不具備對複方藥進行精細化研究的能力,只能靠大全方集體做功,這就導致很多可能有效的成分難以被二次開發。
但是,利用人工智慧來識別那些有潛力作為藥物標靶的成分,就讓事情變得簡單多了。
目前,已經有一些新的演算法模型被創造出來,通過深度神經網路,對藥物分子的關鍵特性進行有效預測,大大推進研究程式。
另一方面,人工智慧也正在改變醫藥產業的經營模式。
目前行業已經達成共識,隨著AI被證明比以前的研究方法(ADME、動物毒素、臨床安全性等)都要有效,那麼它將取代傳統優勢,成為醫藥企業的新賽點。很有可能,未來沒有被AI模型跑過的藥物都沒法進入臨床實驗。
新的演算法應用,為新藥研發提供更豐富的解決方案的同時,也令長久以來嚴絲合縫的醫藥商業模式出現了裂縫。
比如醫藥公司能不能賣演算法來撬動新的商業價值?
這真不是在異想天開。目前中國的AI醫藥研發公司晶泰科技,就已經與世界頂級藥企輝瑞製藥(PfizerInc.)就AI藥物演算法展開合作。
都說“最新的畫布才能畫出最美的圖畫”,這麼看起來,在AI技術上超越日本的中國,似乎還真有可能在製藥領域 “彎道超車”?
先別急著興奮。若是貿然上馬AI,很有可能超車沒成功先“翻車”了。
別說AI需要很大的技術和資金投入,企業能不能等到摘桃子的那一天都難說,就是高質量的醫療資料,都已經夠讓製藥企業頭疼的了。
高質量的醫療資料和深度挖掘,一定是建立在廣泛而深度的醫療物聯網基礎上的。加速醫療企業的數字化,包括對個人的個性化健康資料的採集,才能讓生物製藥、精準醫療成為可能。
而更重要的,還是意識上的轉變。無論AI和製藥,都不是可以單打獨鬥的遊戲。什麼時候各大藥企意識到大多數情況下不是在直接競爭,甚至需要為了未來協同合作,才能形成真正意義上的研發合作,打破資料壟斷,通過資訊共享為新藥研發注入真實的技術力量。
除此之外,資本和巨頭的助推也能讓藥企的探索之路走得更加順暢。
目前,醫療已經成為國內AI創投最火熱的方向之一。僅在新藥發現領域,就有晶泰科技、深度智耀、智藥科技、億藥科技等公司陸續拿到了風投。在產業端,騰訊也將藥物發現融入了自己最新的醫療超級大腦之中,為藥企提供技術支援。
總而言之,友鄰日本,不僅在地域和風土上和我們極為相似,也一樣深具憂患意識。
他們像忍者一樣,看似八風不動韜光養晦,卻正在核心力量的推動下經歷一場幾十年來最徹底的醫藥技術革命。
或許用達爾文的一句話來形容它更為貼切:自然界生存下來的物種,不是四肢最強壯的,也不是頭腦最聰明的,而是有能力適應變化的。
相比日本的低調,中國AI產業鮮花著錦一般的熱鬧背後,片面化的認知幻覺或許會麻痺我們的神經。不斷對技術保持敏銳和飢渴的能力,才能真正將技術的甘霖化為豐收。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/31561483/viewspace-2220061/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 即將推出的 chrome 95 新特性❗ 從中我們能學到什麼❓Chrome
- [譯] 我們能從 Redux 原始碼中學到什麼?Redux原始碼
- 我們能從《博德之門3》的成功中學到些什麼?
- 從B站的程式碼洩露事件中,我們能學到些什麼?事件
- [譯] 從 Cron 到 Airflow 的遷移中我們學到了什麼AI
- 汽車廠商的摘星指南:我們能從如祺出行身上學到什麼?
- 我們們碼農可以從曾國藩身上學到點什麼呢(一)
- 當中國AI開始遠洋,我們能從百度海外輸入法的巴展大秀上學到什麼?AI
- 來自阿里P10的故障分析:從滴滴的故障我們能學到什麼阿里
- 【肥朝】從JDK中,我們能學到哪些設計模式?JDK設計模式
- 阿里巴巴資深技術專家無相:我們能從 InteliJ IDEA 中學到什麼?阿里IntelIdea
- 為什麼我們能從行話術語中發現領域模型? - mathiasverraes模型
- 我們能從幻獸帕魯中看到什麼?
- 為什麼我們從Yarn切換到pnpmYarnNPM
- 從哈夫曼編碼中我們學到了什麼?
- 在資料二十條中我們能夠發現什麼
- Python 之父再度發聲:我們能為中國的“996”程式設計師做什麼?Python996程式設計師
- Python之父再發聲:我們能為中國的“996”程式設計師做什麼?Python996程式設計師
- 從AlloyDb的架構能學到些什麼架構
- 手遊開發者談能從投幣街機遊戲的設計中學到什麼遊戲
- 為什麼我們從RabbitMQ切換到apache kafka?MQApacheKafka
- 為什麼我們從Webpack切換到Vite - ReplitWebVite
- AI改變我們發現新藥的方式?哈佛醫學院團隊開發AI驅動的藥物發現平臺AI
- 從小眾到火爆,圖資料庫能為我們解決什麼問題?資料庫
- 我們從爬取1000億個網頁中學到了什麼?網頁
- 攀爬天梯的手機廠商,能從LG的滑落中學到什麼?
- 開發者還能從銷量逾240萬的《死亡細胞》上學到什麼?
- 我從HTML的meta中學到了什麼HTML
- 從爬⾏到奔跑 - 我們為什麼需要單元測試?
- 從AIGC到AGI,為什麼我們需要更多的“技術信仰派”?AIGC
- 我們該學習什麼?
- 我從Superfish事件中學到的事件
- 從資料收集到資訊挖掘,我們該看重什麼?
- DevOps是什麼?DevOps能夠給我們帶來什麼?dev
- 淺談入行Qt桌面端開發程式設計師-從畢業到上崗(1):當我們說到桌面端開發時,我們在談論什麼?QT程式設計師
- 我從 fabric.js 中學到了什麼JS
- 作為遊戲設計師,能從動森的設計中學到什麼?遊戲設計師
- 準確度VS速度——資料科學家能從搜尋中學到什麼?資料科學