فك شفرة لغة الجزيئات: كيف تسهم الذكاء الاصطناعي التوليدي في تسريع اكتشاف الأدوية

随着生成式人工智能的发展，它超越了破解人类语言，掌握了生物学和化学的复杂语言。将DNA视为一份详细的脚本，一串30亿个字母的序列，指导我们的身体功能和生长。同样，蛋白质是生命的基本组成部分，也有自己的语言，包括20个氨基酸字母表。在化学中，分子也有自己的方言，像使用语法规则构造词语、句子或段落一样。分子语法决定了原子和亚结构如何组合成分子或聚合物。就像语言语法定义句子的结构一样，分子语法描述了分子的结构。

随着生成式人工智能（如大型语言模型（LLM））展示其解码分子语言的能力，新的高效药物发现途径正在出现。几家制药公司越来越多地使用这种技术来推动药物开发的创新。麦肯锡全球研究所（MGI）估计，生成式人工智能可能会为制药行业每年创造600亿美元至1100亿美元的经济价值。这主要是由于其能够提高生产率，通过加快潜在新药化合物的识别并加速其开发和审批过程。 本文探讨了生成式人工智能如何通过成为药物发现快速进步的催化剂而改变制药行业。然而，要理解生成式人工智能的影响，了解传统的药物发现过程及其固有的局限性和挑战至关重要。

传统药物发现的挑战

传统的药物发现过程是一个多阶段的努力，通常耗时且耗费大量资源。它始于目标识别，科学家确定参与疾病的生物目标，例如蛋白质或基因。这个步骤导致目标验证，确认操纵目标将产生治疗效果。接下来，研究人员从事潜在化合物的识别，以找到可以与目标相互作用的潜在药物候选物。一旦识别出这些潜在化合物，就会对其进行优化，以提高其化学特性，增强其效力，降低其副作用。在体外（在试管中）和在体内（在动物模型中）进行预临床测试，以评估这些化合物的安全性和有效性。有前途的候选物将在三个临床试验阶段中进行评估，以评估其在人类中的安全性和有效性。最后，成功的化合物必须获得监管部门的批准，然后才能上市和开处方。

尽管其周密性，传统的药物发现过程存在几个局限性和挑战。它臭名昭著的耗时和高昂的成本，通常需要超过十年，花费数十亿美元，并且失败率很高，特别是在临床试验阶段。生物系统的复杂性进一步使该过程复杂化，使得预测药物在人类中的行为变得困难。此外，强烈的筛查只能探索有限的可能的化学化合物，留下许多潜在的药物未被发现。高放弃率也阻碍了该过程，许多药物候选物在晚期开发中失败，导致资源和时间浪费。另外，药物发现的每个阶段都需要大量的人类干预和专业知识，这可能会减慢进展。

生成式人工智能如何改变药物发现

生成式人工智能通过自动化药物发现过程的各个阶段来应对这些挑战。它通过快速分析大量生物数据来加速目标识别和验证，从而更准确地识别和验证潜在的药物目标。在潜在化合物发现阶段，人工智能算法可以预测和生成可能与目标有效相互作用的新化学结构。生成式人工智能探索大量潜在化合物的能力使化学探索过程高度高效。生成式人工智能还通过模拟和预测化学修饰对潜在化合物的影响来增强潜在化合物的优化。例如，NVIDIA与Recursion Pharmaceuticals合作，仅在一周内就探索了超过2.8万亿个小分子和目标的组合，这个过程如果使用传统方法，可能需要大约100,000年才能实现。通过自动化这些过程，生成式人工智能大大减少了将新药推向市场所需的时间和成本。

此外，生成式人工智能驱动的见解使预临床测试更加准确，通过早期识别潜在问题，帮助降低放弃率。人工智能技术还自动执行许多劳动密集型任务，使研究人员能够专注于更高层次的战略决策，并扩大药物发现过程。

案例研究：Insilico Medicine的首个生成式人工智能药物发现

一家生物技术公司Insilico Medicine使用生成式人工智能开发了首个用于特发性肺纤维化（IPF）的药物，这是一种罕见的肺部疾病，其特征是慢性瘢痕形成，导致肺功能不可逆转地下降。通过将生成式人工智能应用于与组织纤维化相关的组学和临床数据，Insilico成功预测了组织特异性纤维化靶点。使用此技术，该公司设计了一种小分子抑制剂INS018_055，对纤维化和炎症显示出潜力。

2023年6月，Insilico向患者给予了INS018_055的第一剂，在一项II期临床试验中。这标志着一个历史性的时刻，因为世界上第一种使用生成式人工智能发现和设计的抗纤维化小分子抑制剂诞生了。

INS018_055的成功验证了生成式人工智能在加速药物发现方面的效率，并突出了其解决复杂疾病的潜力。

生成式人工智能药物发现中的幻觉

随着生成式人工智能推动药物发现的进展，通过创造新分子，使其成为一个重要的挑战。生成式模型容易出现一种被称为幻觉的现象。在药物发现的背景下，幻觉指的是生成表面上看似有效但缺乏实际生物学相关性或实用性的分子。这种现象带来了几个困境。

一个主要问题是化学不稳定性。生成式模型可以产生具有理论上有利的性质的分子，但这些化合物可能是化学不稳定或容易降解的。这样的“幻觉”分子可能在合成过程中失败或在生物系统中表现出意外的行为。

此外，幻觉分子通常缺乏生物学相关性。它们可能与化学目标相符，但与生物目标没有意义的相互作用，使得它们作为药物无效。即使一个分子看起来很有前途，其合成也可能由于实际合成途径而受到限制或成本高昂。

验证差距进一步使问题复杂化。虽然生成式模型可以提出众多候选物，但严格的实验测试和验证对于确认其有用性至关重要。这一步对于弥合理论潜力和实际应用之间的差距至关重要。

可以采用各种策略来减轻幻觉。将生成式人工智能与基于物理的建模或知识驱动方法相结合的混合方法可以帮助过滤掉幻觉分子。对抗训练，其中模型学习区分自然和幻觉化合物，也可以提高生成分子的质量。通过让化学家和生物学家参与迭代设计过程，也可以减少幻觉的影响。

通过解决幻觉的挑战，生成式人工智能可以进一步实现其在加速药物发现方面的承诺，使该过程更加高效和有效地开发新的、可行的药物。

结论

生成式人工智能通过加速药物发现和降低成本来改变制药行业。虽然仍存在诸如幻觉等挑战，但将人工智能与传统方法和人类专业知识相结合，可以创造出更准确、更可行的化合物。Insilico Medicine证明了生成式人工智能有潜力解决复杂疾病，并更高效地将新治疗方法推向市场。药物发现的未来前景更加乐观，生成式人工智能推动着创新。