AI助力新药研发的六大应用场景分别是什么(2)

Exscientia开发的AI系统可以从每个设计周期里的现有数据资源中学习，其原理与人类的学习方式相似，但AI在识别多种微妙变化以平衡药效、选择性和药代动力学方面要更加高效。其AI系统完成新药候选的时间和资金成本只需传统方法的1/4。目前该公司与国际多家知名药企形成战略合作，包括强生、默克和赛诺菲等。

图3 Exscientia 药物研发流程图示

ADMET包括药物的吸收、分配、代谢、排泄和毒性。预测ADMET是当代药物设计和药物筛选中十分重要的方法。过去药物ADMET性质研究以体外研究技术与计算机模拟等方法相结合，研究药物在生物体内的动力学表现。目前市场中有数十种计算机模拟软件，包括ADMET Predicator、MOE、Discovery Studio和Shrodinger等。该类软件现已在国内外的药品监管部门、制药企业和研究院所得到了广泛应用。

典型的代表包括晶泰科技（XtalPi）、Numerate等。为了进一步提升ADMET性质预测的准确度，已有生物科技企业探索通过深度神经网络算法有效提取结构特征，加速药物的早期发现和筛选过程。其中晶泰科技通过应用人工智能高效地动态配置药物晶型，能完整预测一个小分子药物的所有可能的晶型，大大缩短晶型开发周期，更有效地挑选出合适的药物晶型，减少成本。

病理生物学（pathophysiology）是一门研究疾病发生、发展、转归的规律和机制的科学。病理生物学研究是医药研发的基础，至今许多疾病尚无治疗方法，是由于在病理生物学研究方面没有取得进展。

肌萎缩侧索硬化（ALS）是一种破坏性的神经退行性疾病，发病机制至今不明。ALS的一个突出病理特征是，一些RNA结合蛋白（RNA binding proteins， RBPs）在ALS中发生突变或异常表达/分布。人类基因组中至少有1 542种RBPs，目前已发现17种RBPs与ALS相关，除此以外，其他RBPs是否与ALS相关呢？

典型案例是IBM公司开发的Watson系统，通过阅读了2 500万篇文献摘要，100万篇完整论文和400万专利文献，并基于相关文献的大量学习，建立了模型预测RBPs与ALS相关性。有研究者为了测试其模型的预测能力，首先将IBM Watson的知识库限制在2013年之前的学术出版物上，并要求Watson使用这些可用的信息来预测与ALS相关的其他RBPs。在2013—2017年期间，Watson在对4个导致突变的RBPs给出了高度评价，证明了模型的有效性。而后，Watson对基因组中所有的RBPs进行筛选，并成功鉴定在ALS中改变的5种新型RBPs。

利用深入学习技术，将临床药物与新的适应症相匹配。这样可以绕过动物实验和安全性实验。

例如，沙利度胺曾用来治疗麻风病，后来研究人员发现其对多发性骨髓瘤具有疗效。由于该药物已经积累了大量的安全性与剂量数据，研究人员能够绕过第一阶段的安全性和剂量试验。

根据实验结果，FDA在2012年批准沙利度胺治疗多发性骨髓瘤。据彭博预测，这个过程总共花费了4 000~8 000 万美元。如果从零开始，一个新药所需的平均费用为20 亿美元。