人工智能如何打破小分子药物发现的瓶颈

药物开发的临床试验以缓慢和昂贵而闻名，只有很小一部分药物候选物最终被监管机构批准。传统的药物发现过程中的广泛瓶颈对于制药行业来说是众所周知的：单独的临床阶段就需要十年左右的时间，占研发成本的近四分之三，到2024年，开发一款药物的平均成本将惊人地达到$2.2亿。

也许最关键的是，制药行业一直难以在早期工作中准确预测成功的开发结果：尽管投入了很多年和大量资金，但大约80-90%的药物候选物未能获得批准。药物安全是一个很大的原因，意外毒性约占30%的药物开发失败。

人工智能发现的分子在I期试验中更成功

然而，新出现的数据表明，人工智能和计算方法不仅解决了这些挑战——它们从根本上改变了我们预测成功结果的能力。新型药物开发的早期阶段尤为关键——而这正是人工智能和计算化学可以产生最大影响的地方。

这些人工智能和计算方法可以帮助在早期发现和优化阶段找到有效的新型治疗方法，以针对治疗疾病的正确蛋白质，而不是在后期阶段，这一直是这种做法。计算毒性预测在药物发现的早期阶段特别有帮助，因为它可以排除可能在临床试验中失败的分子。更早地找到最好的药物——并排除那些不会有效的药物——可以节省十年昂贵的研究，并增加药物通过临床试验阶段的机会。
最近关于人工智能本土生物技术公司的研究显示，令人鼓舞的趋势表明，计算方法确实开始克服药物发现中一些最根本的挑战。例如，发表在《药物发现今日》上的分析发现，人工智能发现的分子在I期试验中比历史行业平均值更成功——在I期达到80-90%的成功率，相比行业平均值为40-65%。

这种早期成功尤为重要，因为它表明人工智能驱动的方法正在解决药物发现中最根本的挑战之一：设计具有多种特性的分子，这些特性对于制药开发是必要的。

多参数优化的力量

在这一转变的核心是人工智能计算化学比人类更擅长、更快的技能：多参数优化，即同时平衡潜在药物的多个属性——例如效力、安全性、特异性、血脑屏障通透性等。这使得设计最有前途的候选物变得更加准确、快速和高效，即使这些属性相互矛盾。

传统的药物发现方法只能一次优化一个参数，使得改进一个方面而不对其他方面产生不利影响变得困难。例如，用于治疗脑瘤的药物需要能够穿过血脑屏障以到达大脑。但是，能够高效穿过屏障的药物可能不够选择性地针对其目标，这可能会降低药物的有效性或引起不良副作用。传统方法可能首先优化血脑屏障通透性等问题，然后在后期解决其他属性，这可能会将问题推迟到过程的后期，而不是在早期解决。

与此同时，人工智能增强的计算工具从根本上改变了药物设计的方法。与可能导致后期失败的顺序优化相比，人工智能使得在发现阶段就可以同时优化所有关键参数。使用快速发展的生成人工智能和机器学习工具，可以更快、更准确地开发出最佳的药物候选物，同时分析多个参数，这增加了成功的可能性，最终预计将导致开发出更有效、更可靠、更安全的治疗方法，以更快的速度惠及更多患者。

人工智能计算工具还可以学习不同治疗领域的独特要求。人工智能算法可以将这些细致的要求纳入其中，以生成针对特定疾病和目标器官的药物候选物，而不是仅仅满足一般的药物样性标准。例如，针对脑瘤的化合物面临的优化挑战与为慢性炎症相关的化合物（如关节炎、糖尿病、动脉硬化等疾病）不同。

为了真正赋予这些人工智能驱动的方法以能力，需要超大型的分子数据集，用于筛选和训练这些模型。数据集越大，覆盖的化学空间就越大，这也增加了成功的机会。与其筛选几万（甚至几百万）分子并将几十个推入开发，计算研究人员可以筛选多达数十亿的分子。

下一步：将人工智能方法整合到开发流水线中

由于这些方法的复杂性增加，一个主要挑战是能够大规模执行这些方法。因此，在药物发现中利用人工智能的下一步是整合可以使发现过程通过使用人工智能代理大规模执行的工具——人工智能代理是可以在不需要持续的人类干预的情况下执行复杂任务或过程的自治计算系统。

例如，代理可以用于收集和分析必要且不断增长的信息量，并排除不太相关的药物候选物。

一旦代理被训练以了解许多参数、化学约束和其他相关变量（如毒性水平和FDA要求），它们最终将能够为研究人员提供针对任何疾病的领先分子候选物。
制药行业现在的挑战不再是是否采用人工智能驱动的计算药物设计，而是如何快速有效地将其整合到现有的开发流水线中。虽然仍然存在挑战，但初步证据表明，人工智能和计算化学掌握了开发更好的药物的钥匙，这些药物可以更高效地开发，并以比以往任何时候都快的速度惠及更多患者。