（来源：前瞻网）药物研发是一项漫长而艰难的工作。制药公司每年在研发上花费超过1720亿美元，而且一种新药的研发往往要花费漫长的数年乃至十数年时间。

不仅如此，使用传统技术发现的90%以上的分子在人体临床试验中都会失败，而且75%的新批准药物无法承担开发成本。一些分析师甚至预测，到2020年药品研发的投资回报率可能会降低为零。

不过，这种现状有可能被人工智能改变。利用AI进行药物研发已经成为了一个颇有潜力的新兴领域。

近日，爱尔兰一家初创公司Nuritas预计，到2021年，他们将利用人工智能技术发现五种新的医疗成分。总部位于都柏林的这家公司已经证明，它能够胜任这项任务。

这家初创公司利用人工智能发现了一种有助于治疗炎症的成分，预计到2019年底，这种成分将用于运动营养产品。

第一种成分是在与德国化工巨头巴斯夫的合作中发现的。用传统方法发现一种新成分的标准时间是5到7年，而这对搭档利用人工智能只用了2年就发现了它。

Nuritas首席执行官埃米特•布朗(Emmet Browne)表示:“与通常情况下的特定领域相比，在市场上迅速推出某种产品是极具颠覆性的。”

虽然目前还不清楚下一个发现的药物是什么，但Nuritas预计在未来12-18个月内还会发现五种成分。该公司60%的成功率远远高于行业标准。

“实际上，我们所做的就是利用人工智能来解开大自然的秘密。这就是它的深层意义。”Nuritas已从一系列知名投资者那里筹集了4000万英镑，其中包括Salesforce创始人马克•贝尼奥夫(Marc Benioff)、U2乐队主唱波诺(Bono)和the Edge。

人工智能如何发现新药?

当前药物研发过程的主要缺陷之一是需要大量的时间成本和前期投入。整个过程可能需要几十年才能开花结果，而且在效率、安全、优化以及临床前期和临床期安全方面，与其他行业形成了鲜明对比。

目前，制药业在每一种药物上花费近10亿美元。尽管大部分成本都来自优化过程、找到合适的分子、开发测定目标活性的方法，但要找到合适的化学物质却需要数年时间。

接下来是在动物身上进行的药物试验，尽管已经在化学发现上投入了多年，但成功率仍只达到了1:10。这往往是制药企业合并的原因，因为巨额投资带来的回报机会很小。

目前关于药物研发的研究是如此之多，每天都有近10,000篇论文被发表，光凭人力不可能将所有数据关联、吸收和连接起来，从而产生一个有用的结果。但如果不这样做，新药的研发更是毫无头绪。

人工智能和机器学习使收集和分析数据成为可能。首先利用人工智能提取“有用的信息”，然后经历一个专家小组的严格审查。

例如，正在研究ALS的AI新药研发公司BenevolentAI开发了一个“判断相关系统”，可以从数百万篇科学研究论文和摘要中审查数十亿段和行的字句。该技术在数据和已知事实之间建立了直接的关系，因此未知的联系也被发现。

科学家和研究人员正在对这一假说的有效性进行判断，并对其潜在的新药机制进行测试。

除此之外，人工智能还提供了对疾病的机理洞察，并提供了新的解决方法。它可以给出一个整体的新目标，如果在“复合意义上”使用，它允许我们在更大的化学调色板中选择我们的目标分子。

人工智能还可以在确定任何有关化合物的安全性和有效性的问题方面发挥重要作用，比目前所需的时间更少，从而节省用于治疗严重疾病的时间和资源。它可以用来建立一种负担得起、可持续和有效的新药供应渠道。

AtomWise的研究人员还发布了一个名为AtomNet的系统，旨在简化药物发现的初始阶段。它专注于观察不同化学物质之间的相互作用，从而轻松地确定目标分子。

AtomNet减少了这一过程中的手工工作，并利用深度学习来预测分子行为。虽然它没有发明一种新药，但它通过预测分子的行为减少了时间消耗。它已经通过帮助研发对付埃博拉和多发性硬化的药物证明了自己。

另一个例子是总部位于加州的two XAR，该公司正在将人工智能应用到药物发现机制中。它使用定制的计算平台来识别“药物和疾病之间的相关性”。该平台没有人为的偏见，并且通过小型和大型图书馆筛选，扩大数据库和并提高更快找到新药的机会。

人工智能最广为人知的应用之一(尽管相当间接)是在1999年科学家决定解码我们的DNA时举行的基因组计划中。

它不仅为一些罕见的遗传疾病和相关标志物提供了线索，而且还为预防糖尿病、帕金森症、阿尔茨海默症等疾病提供了重要线索。如今，多靶点基因反应可以通过机器学习来处理，而初创企业Evisagenics的软件技术通过剪接同位素量化与预测分析相结合，帮助发现新的药物靶点和生物标志物，对与疾病相关的基因进行优先排序，并提供一个有着良好证据支持的目标列表。

在药物研发的每个环节，都有许多人工智能初创公司已经进入。

这些环节包括聚合和综合信息、了解疾病的机制、建立生物标志物、生成数据和模型、修改现有药物、产生新的候选药物、验证和优化候选药物、设计药物、临床前实验设计、进行临床前实验、设计临床试验、招募临床试验人员、优化临床试验、发布数据和分析真实世界的证据等。

比如Cambridge Cancer Genomics使用人工智能，从血液样本中的肿瘤DNA中预测癌症进展。CytoReason使用人工智能整理组织和标准化与免疫相关的基因、蛋白质、细胞和微生物组数据，使之成为一个单一的、机器可读的、细胞层次的免疫系统视图，使研究人员获得有关疾病机制、临床标记、药物发现和验证的新见解。

Desktop Genetics使用AI确定影响CRISPR导向设计的生物变量。允许研究人员改善研究和减少实验偏见。

BullFrog AI使用人工智能预测哪些患者会对正在进行的治疗产生反应。GNS Healthcare使用人工智能将不同的生物医学和医疗数据流转换为代表个体患者的计算机模型，允许研究人员通过了解针对个别患者的最佳健康干预措施，大规模提供个性化药物。

Aetion使用人工智能分析医疗和药品索赔数据，允许研究人员了解哪种治疗方法在什么时候对哪些病人最有效。

“AI+药物研发”的市场现状

据估计，一种新药需要约1000人20年的努力以及高达16亿美元的成本才能进入市场。这似乎是一项巨大的投资，往往会导致该领域的公司合并。

Deep Knowledge Ventures的研究表明，美国拥有人工智能用于药物开发的公司总数的59%，是竞争者中的“领导者”，而欧盟和亚洲目前至少似乎也已经踩在了起跑线上。

Deep Knowledge Ventures预计，亚太地区的投资将大幅增加，主要是外国公司(大多美国公司)，并且预计未来几年我们将见证亚洲相关公司的大量增长——特别是太平洋和中国。

根据Deep Knowledge Ventures报告，AI药物开发市场2015年的市场份额为2亿美元，2018年市场达到7亿美元，预计2024年价值超过50亿美元。而另一些对2024年该行业估值的预测为100亿美元甚至高达200亿美元。

目前，大型制药公司以及赛诺菲(Sanofi)、深基因组(Deep Genomics)、伯格健康(Berg Health)、云制药(Cloud Pharmaceuticals)、Kadmon Corporation、阿斯利康(Astra Zeneca)等初创企业已经在人工智能药物研发方面投入了数百万美元。

来自BenevolentAI的Jackie Hunters教授表示:“目前的药物开发过程既昂贵又太漫长。人工智能提供了一种解决方案，可以将多年的工作缩短为几个月，从而提高准确性和效率。”

这家总部位于人工智能的生物制药公司的首席执行官Radin补充说:“在我们存在的这几年里，我们已经被告知数百次，电脑无法做到这一点：生物学太复杂了，这是行不通的。在每一个疾病项目中，我们都对新人工智能识别的候选对象进行了概念验证研究，我们在标准端点上产生了有用的结果。”

AtomWise首席运营官亚历山大•利维(Alexander Levy)进一步解释道:“你可以在药物和广泛的生物系统之间进行互动，并将其分解成越来越小的互动群体。如果你研究了足够多的这种分子的历史例子，你就可以做出非常准确但又非常快的预测。”

人工智能正越来越多地应用于医疗保健领域，这种变化很可能会改变我们的生活(甚至挽救生命。从外科机器人到可以进入人体的微型机器人，人工智能已经确立了在医疗领域的影响力。

而在药物研发领域，人工智能将会带来一个革命性的新时代。