人工智能在药物发现和开发中的潜力已被激发既兴奋 和怀疑论科学家、投资者和公众。
– 人工智能是接管药物开发，一些公司和研究人员声称。过去几年，人们对使用人工智能设计药物和优化临床试验的兴趣推动了研究和投资的激增。人工智能驱动的平台，例如阿尔法折叠，从而赢得了2024 年诺贝尔奖凭借其预测蛋白质结构和设计新蛋白质的能力，展示了人工智能加速药物开发的潜力。
药物发现中的人工智能是——废话，——警告一些行业资深人士。他们敦促“人工智能”加速药物发现的潜力需要现实检验，——因为人工智能生成的药物尚未证明有能力解决这个问题90% 失败率新药进入临床试验。与人工智能的成功不同图像分析，其对药物开发的影响仍不清楚。
我们一直在跟踪使用人工智能在药物开发中的应用在我们的工作中制药科学家在学术界和制药行业以及作为前项目经理在国防高级研究计划局 (DARPA)。我们认为，药物开发中的人工智能尚未改变游戏规则，也并非完全无稽之谈。人工智能并不是一个可以将任何想法变成金子的黑匣子。相反，我们将其视为一种工具，如果明智且得力地使用，可以帮助解决药物失败的根本原因并简化流程。
大多数在药物开发中使用人工智能的工作都是为了减少时间和金钱将一种药物推向市场需要 10 到 15 年，耗资 10 亿美元到 20 亿美元。但人工智能真的能彻底改变药物开发并提高成功率吗？
人工智能在药物开发中的应用
研究人员将人工智能和机器学习应用于每个阶段药物开发过程。这包括识别体内靶标、筛选潜在候选药物、设计药物分子、预测毒性以及选择在临床试验中可能对药物反应最佳的患者等。
2010 年至 2022 年间，20 家专注于人工智能的初创公司发现了 158 种候选药物，其中 15 种进入临床试验。与典型的候选药物相比，其中一些候选药物能够在短短 30 个月内完成实验室临床前测试并进入人体试验。3至6年。这一成就证明了人工智能加速药物开发的潜力。
另一方面，虽然人工智能平台可以快速识别对培养皿或动物模型中的细胞起作用的化合物，但这些候选药物在临床试验中的成功（大多数药物失败都发生在临床试验中）仍然存在高度不确定。
与其他拥有大量高质量数据集可用于训练人工智能模型的领域（例如图像分析和语言处理）不同，药物开发中的人工智能受到以下因素的限制：小、低质量的数据集。生成细胞、动物或人类的数百万至数十亿种化合物的药物相关数据集是很困难的。尽管阿尔法折叠是预测蛋白质结构的突破，多么精确这对于药物设计来说仍然是不确定的。药物结构的微小变化会极大地影响其在体内的活性，从而影响其治疗疾病的效果。
幸存者偏差
与人工智能一样，过去的药物开发创新如计算机辅助药物设计， 这人类基因组计划和高通量筛选过去 40 年来改进了该过程的各个步骤，但药物失败率没有改善。
当提供高质量数据和需要回答的特定问题时，大多数人工智能研究人员都可以解决药物开发过程中的特定任务。但他们常常不熟悉整个范围药物开发，减少模式识别问题的挑战并改进过程的各个步骤。与此同时，许多拥有药物开发专业知识的科学家缺乏人工智能和机器学习方面的培训。这些沟通障碍可能会阻碍科学家超越当前开发过程的机制并确定药物失败的根本原因。
当前的药物开发方法，包括使用人工智能的药物开发方法，可能已经陷入了困境生存偏差陷阱，过度关注过程中不太关键的方面，而忽视重大问题这对失败影响最大。这类似于修复从二战战场返回的飞机机翼的损坏，却忽略了从未返回的飞机的发动机或驾驶舱的致命漏洞。研究人员常常过于关注如何改善药物的个体特性，而不是失败的根本原因。
就像一条装配线，依靠复选框方法，在流程的每个步骤进行广泛的测试。虽然人工智能可能能够减少这条装配线基于实验室的临床前阶段的时间和成本，但它不太可能提高涉及人体测试的成本更高的临床阶段的成功率。执着的90% 失败率尽管经过 40 年的流程改进，临床试验中的药物数量仍然凸显了这一局限性。
解决根本原因
药物在临床试验中的失败不仅仅归因于这些研究的设计方式；还归因于这些研究的设计方式。选择错误的候选药物临床试验也是一个主要因素。新的人工智能引导策略可以帮助解决这两个挑战。
现在，三个相互依赖的因素大多数药物失败的原因是：剂量、安全性和有效性。有些药物失败是因为它们毒性太大或不安全。其他药物失败是因为它们被认为无效，通常是因为剂量无法在不造成伤害的情况下进一步增加。
我们和我们的同事提出了一个机器学习系统通过预测剂量来帮助选择候选药物，安全和功效基于药物的五个以前被忽视的特征。具体来说，研究人员可以使用人工智能模型来确定药物与已知和未知靶标结合的特异性和效力、这些靶标在体内的水平、药物在健康和患病组织中的浓度以及药物的结构特性。
人工智能生成药物的这些特征可以在我们所谓的测试中进行测试0+阶段试验，对重症和轻症患者使用超低剂量。这可以帮助研究人员确定最佳药物，同时降低当前“测试和观察”临床试验方法的成本。
虽然人工智能本身可能不会彻底改变药物开发，但它可以帮助解决药物失败的根本原因，并简化漫长的审批过程。