癌症仍然是全球死亡率的主要原因之一，在2020年报告了超过1900万例新病例和近1000万死亡。（Sung等，2021）。尽管进步了数十年，但有效的癌症疗法的发展仍然是一个耗时且资源丰富的过程，通常需要十多年和数十亿美元才能将一种药物推向市场。传统的药物发现管道受到高流失率的限制，尤其是在肿瘤学中，在肿瘤学中，肿瘤异质性，抗性机制和复杂的微环境因素使有效的靶向靶向特别具有挑战性。
近年来，癌症药物发现中的人工智能已成为生物医学研究中的一种变革力量。通过利用机器学习（ML），深度学习（DL）和自然语言处理（NLP），AI系统越来越有能力整合大量的，多模式的数据集，从基因组概况到临床结果，以产生预测模型，以加速可识别药物识别的识别铅的铅化合物和个性化的方法。
本文探讨了癌症药物发现中的人工智能如何重塑跨多个维度的肿瘤学，从目标识别和药物设计到生物标志物发现，临床试验优化和监管考虑因素。
阅读AI肿瘤学在oncodaily上
传统癌症药物发现的挑战
与其他治疗领域相比，癌症药物发现面临着独特的挑战。肿瘤异质性意味着在一个患者一部分中有效的治疗可能在另一种患者中失败。耐药机制，无论是内在的还是获得的，都限制了长期疗效。此外，癌症生物学受到肿瘤微环境，免疫系统相互作用和表观遗传因素的严重影响，从而使药物反应预测复杂。
传统的药物发现方法通常依赖于高通量筛选，偶然发现或现有化合物的增量修饰。这些策略是劳动密集型和昂贵的，估计有90％的肿瘤药物在临床开发过程中失败（穆拉德，2020年）。这种效率低下强调了能够管理复杂性，整合大量数据并产生预测性见解的新范式的需求。
AI在药物发现中的作用
AI不是一种奇异的技术，而是计算方法的集合。在癌症药物发现中，最相关的包括：
机器学习（ML）：从数据中学习模式以做出预测的算法。
深度学习（DL）：能够处理大型复杂数据集的神经网络，例如组织病理学图像或OMICS数据。
自然语言处理（NLP）：从非结构化的生物医学文献和临床注释中提取知识的工具。
加固学习（RL）：优化决策的方法，可用于从头分子设计。
这些方法通过以计算精度来增强人类专业知识，共同减少了发现的时间和成本。
目标识别中的AI
靶标识别是药物发现的第一步，涉及对驱动癌症进展的分子实体的识别，可以通过治疗进行调节。传统方法依赖于遗传研究，生化测定和途径分析，这些方法通常会错过广泛数据集中隐藏的微妙相互作用或新颖的目标。
AI可以整合多摩学数据，包括基因组学，转录组学，蛋白质组学和代谢组学，以发现隐藏的模式并确定有希望的靶标。例如，ML算法可以检测大规模癌症基因组数据库（例如癌症基因组图集（TCGA））中的致癌驱动因素。深度学习还可以建模蛋白质 - 蛋白质相互作用网络，以突出新的治疗脆弱性（Zhou等，2020）。
最近的研究表明，AI驱动的目标发现可以优先考虑先前被忽视的途径。例如，Benevolentai使用其平台通过整合转录组和临床数据来预测胶质母细胞瘤的新靶标，从而确定有希望的潜在客户以进一步验证（霍普金斯，2018年）。
阅读可以治愈癌症吗在oncodaily上
药物设计和铅优化的AI
一旦确定了目标，下一步就是设计与它们有效相互作用的分子。传统的药物化学依赖于迭代合成和测试，这是一个昂贵且缓慢的过程。AI从根本上通过实现硅药物设计来加速了这一点。
深层生成模型，例如变异自动编码器和生成对抗网络，可以创建具有所需药理特性的新型化学结构。加强学习进一步优化了这些结构，以平衡效力，选择性，溶解度和毒性。
Insilico Medicine和Exscientia等公司报告了AI设计的分子在创纪录的时间内进行了临床试验。与典型的3年相比（Zhavoronkov等，2019）。类似的方法越来越多地应用于肿瘤学，在该肿瘤学中，AI驱动的小分子和抗体设计表现出了希望。
此外，人工智能可以预测脱靶的相互作用，从而降低不良影响的风险和改善安全概况。在对癌症靶标的数百万化合物筛查中，可以在几周内进行大幅度切割早期发现时间表。
生物标志物发现和精确肿瘤学
生物标志物在癌症治疗中至关重要，指导患者选择并预测反应。AI在该领域中特别强大，能够从异质数据源中识别复杂的生物标志物特征。
应用于病理幻灯片的深度学习可以揭示与免疫检查点抑制剂的反应相关的组织形态学特征（Saltz等，2018）。分析循环肿瘤DNA（CTDNA）的机器学习模型可以鉴定抗性突变，从而实现适应性疗法策略。
AI驱动的生物标志物发现不仅改进了试验设计，还支持个性化的肿瘤学。通过将生物标志物与治疗反应联系起来，AI模型可帮助患者在正确的时间与合适的药物相匹配，从而最大程度地提高疗效并最大程度地减少毒性。
临床试验优化的AI
临床试验是药物开发最昂贵，最耗时的阶段之一。患者招聘仍然是瓶颈，多达80％的试验未能达到入学时间表（Huang等，2020）。AI可以通过挖掘电子健康记录（EHR）和现实世界数据来解决此问题，以识别合格的患者。
此外，AI可以通过模拟模型预测试验结果，通过选择适当的终点，分层患者并减少样本量来优化试验设计。自然语言处理有助于将试验方案与机构患者数据库相匹配，从而加速入学。
在AI驱动的实时分析的指导下，越来越多地探索自适应试验设计。这些允许在试验期间基于预测建模期间对剂量，分层甚至药物组合进行修改。
癌症药物中AI的案例研究
几个成功的故事突出了AI的日益增长的影响：
ExScientia和DSP-1181：与典型的4年5年相比，用于强迫症的AI设计的分子在短短12个月内就进入了人类试验。同一平台正在应用于肿瘤学项目。
Insilico医学：它的AI平台确定了QPCTL的新型抑制剂，QPCTL是与肿瘤免疫相关的靶标。这些分子正在进入肿瘤学管道。
IBM Watson肿瘤学：沃森（Watson）虽然受到限制的批评，但表现出可以解析大规模肿瘤学数据集并提出治疗选择的能力，从而强调了NLP在临床决策支持中的潜力。
Pathai：Pathai利用深度学习来获得数字病理学，与生物制药合作，以识别预测性生物标志物以进行免疫疗法反应。
阅读医学肿瘤学家的前5个AI工具在oncodaily上
局限性和挑战
尽管取得了进展，但癌症药物发现的AI仍面临几个障碍。
- 数据质量和可用性：AI模型仅与培训的数据一样好。不完整，偏见或嘈杂的数据集可能会导致有缺陷的预测。
- 可解释性：许多AI模型，尤其是深度学习，都是黑匣子，限制了对其预测的机械洞察力。
- 验证：预测需要广泛的临床前和临床验证，这仍然是资源密集的。
- 道德和监管问题：数据隐私，知情同意以及遵守GDPR等法规至关重要。监管机构在批准AI驱动的候选人之前还需要解释性。
- 融入工作流程：采用需要研究人员，临床医生和监管机构的文化转变，他们可能对AI衍生的见解表示怀疑。
AI在癌症药物发现中的未来
AI的轨迹表明在肿瘤药物发现中起着越来越重要的作用。能够整合基因组，成像和临床数据的多模式AI的进步有望更多的整体见解。通过AI模型模拟的数字双胞胎的患者可以在实际临床试验之前进行虚拟测试。
联合学习方法在不共享原始数据的情况下跨多个机构进行培训，可以克服隐私障碍并增强数据多样性。量子计算的集成可能会进一步加速分子模拟，超出当前计算限制。
此外，学术界，工业和监管机构之间的伙伴关系至关重要。FDA对基于AI/ML的监管框架的探索之类的举措强调了对AI变革性作用的日益认识。
结论
人工智能正在重塑发现癌症药物的景观。通过加速目标识别，优化铅化合物，发现生物标志物并简化临床试验，AI有可能减少为患者带来有效疗法的时间和成本。尽管数据质量，可解释性和监管的挑战仍然存在，但到目前为止取得的成功表明肿瘤学研究的范式转变。
随着AI技术的成熟，它们整合到药物发现管道的每个阶段可能会成为规范，而不是例外。这些进步的最终受益者将是全球癌症患者，他们可能会尽早获得更安全，更有效和个性化的疗法。
您可以观看更多OnCodaily YouTube电视
由医学博士Armen Gevorgyan撰写