人工智能
AI驱动的医学突破：利用人工智能进行新型药物发现
药物发现被称为“从实验台到病床”，因为其周期长，成本高。将一款药物推向市场需要大约11到16年，并花费 BETWEEN 10亿美元到20亿美元。但现在，AI正在革新药物开发，提供更快的速度和更高的利润。
AI在药物开发中已经改变了我们对生物医学研究和创新策略的方法。它帮助研究人员减少疾病途径的复杂性，并识别生物目标。
让我们更深入地了解AI在药物发现中的潜力。
了解AI的作用：它如何被用于药物发现？
AI通过分析大量数据和进行复杂预测，增强了药物发现过程的各个阶段。以下是它的工作方式：
1. 目标识别
目标识别是药物发现的第一过程，涉及识别可能与药物结合以产生治疗效果的分子实体，如蛋白质、酶和受体。
AI可以利用包含目标识别关键信息的庞大临床数据库。这些数据源可以包括生物医学研究、生物分子信息、临床试验数据、蛋白质结构等。
经过训练的AI模型可以通过生物技术，如基因表达，了解复杂的生物疾病，并识别药物候选者的生物目标。例如，研究人员已经开发了各种AI技术来识别 新型抗癌目标。
2. 目标选择
AI在药物发现中可以帮助研究人员根据疾病相关性和预测的治疗效用选择有前途的目标。通过强大的模式识别，AI可以根据不仅仅是已发表的医学文献，还可以选择完全新的目标，这些目标在已发表的专利中没有任何参考。
3. 药物优先排序
在这个阶段，AI评估和评级领先的药物化合物，并优先考虑它们以进行进一步的评估和研究，以推进其开发。与之前的排名技术相比，基于AI的方法更有效地识别出最有前途的候选者。例如，研究人员已经开发了一个 基于深度学习的计算框架，用于识别和优先考虑阿尔茨海默病的新药。
4. 化合物筛选
AI模型可以预测化合物的化学性质和生物活性，并提供有关不良影响的见解。它们可以分析来自各种来源的数据，包括以前的研究和数据库，以识别与特定化合物相关的任何潜在风险或副作用。例如，研究人员已经开发了 一个深度学习工具，用于筛选包含数十亿个分子的化学库，从而大大加快大规模化合物探索的速度。
5. 从头药物设计
手动筛选大量化合物的集合一直是药物发现中的传统做法。有了AI，研究人员可以筛选具有或不具有先验信息的新化合物，并预测发现的药物的最终3D结构。例如，AlphaFold，由DeepMind开发，是一个可以预测蛋白质结构的AI系统。它维护着一个包含超过2亿个蛋白质结构预测的数据库，这可以加速药物设计过程。
5个成功的AI基于药物发现示例
1) Abaucin
抗生素可以杀死细菌。但是，由于新药物的缺乏和旧药物对细菌的快速耐药性，细菌变得越来越难以治疗。 Abaucin，一个AI开发的强效实验抗生素，旨在杀死Acinetobacter baumannii，一种最危险的 超级细菌。
使用AI，研究人员首先测试了数千种药物，以查看它们对该细菌Acinetobacter baumannii的效果如何。然后，这些信息被用来训练AI，开发出一种可以有效治疗它的药物。
2) Insilico Medicine的Target X
Insilico Medicine使用其 生成式AI平台，创建了一种名为Target X的药物，目前处于第1期临床试验阶段。Target X旨在治疗 特发性肺纤维化，一种如果不治疗，可能会导致老年人肺部僵硬的疾病。第1期将涉及80名参与者，其中一半将接受逐渐增加的剂量。这将有助于评估药物分子如何与人体相互作用。
3) Verge Genomic的VRG50635
Verge Genomics，一家AI药物发现公司，使用其AI平台CONVERGE，通过分析人类数据点，发现了一种用于治疗ALS的新化合物VRG-50635。这些数据点包括有关ALS和其他神经退行性疾病（如帕金森病、ALS和阿尔茨海默病）患者的大脑和脊髓组织的信息。
该平台首先将PIKfyve酶识别为ALS的可能目标，然后 建议VRG50635 作为PIKfyve的有前途的抑制剂，这成为治疗ALS的潜在药物候选者。该过程大约需要四年，现在该候选者正在进行人体试验的第1期。
4) Exscientia-A2a受体
Exscientia，一家AI MedTech公司，负责开发第一个用于免疫肿瘤治疗的AI设计分子——一种利用人体免疫系统对抗癌细胞的癌症治疗方法。他们的AI药物已经进入人体临床试验阶段。其潜力在于其能够针对 A2a受体，促进抗肿瘤活动，同时确保身体和大脑的副作用较少。
使用 生成式AI，他们已经为针对各种疾病的其他化合物创建了 其他化合物，如
- 转录依赖性癌症，通过针对 CDK7抑制剂
- 炎症性疾病，通过针对 PKC-theta酶
- 血液学和肿瘤学疾病，通过针对 LSD1调节剂
5) Absci的零样本生成式AI新抗体
Absci，一家 生成式AI 药物发现公司，已经展示了其使用零样本生成式AI通过计算机模拟创建新抗体的能力。零样本学习意味着AI模型在训练阶段没有明确地测试当前输入信息。因此，该过程可以自行提出新的抗体设计。
由AI驱动的新抗体可以将开发新药物的时间从六年缩短到仅18到24个月，并增加其在临床试验中的成功概率。该公司的技术可以每周测试和验证300万个AI生成的设计。这一新发展可以立即为每位患者提供新的治疗方法，从而带来显著的工业变革。
AI和药物发现的未来是什么？
除了许多 其他医疗应用 之外，AI正在使药物发现过程更快、更智能，通过分析大量数据集和预测有前途的药物目标和候选者。使用生成式AI，生物技术公司可以识别患者反应标志，并快速开发 个性化治疗计划。
一份报告表明，很快，更多的MedTech公司将在早期药物发现中融入 AI和ML，这将有助于创造一个500亿美元的市场，在接下来的十年内，这将是AI在制药业中增长的巨大潜力。AI可能会降低整体药物发现成本，使更多新的药物能够更快地提供给患者。
如果您想了解更多关于AI及其对我们未来的影响，请访问 unite.ai。
