AI+药物研发 节约百亿美元研发成本

在医学领域，人工智能最常应用于哪些领域？

斯坦福大学生物医学信息学负责人Russ Altman博士认为，“机器学习和神经网络在发现大型生物数据库的规律时非常有用。”

那么，数据充裕的地方，人工智能才有可能插足。目前，医学领域中，AI应用最多的几个领域包括：

精准医疗：包括基因组学、基因转录组学、蛋白质组学、代谢组学等。

辅助诊断：基于病历、文献等医疗大数据。

医学影像识别：基于大量的影像数据。

在医疗领域，人工智能的应用最常体现在为辅助诊断或者影像检测的「轻」应用，如辅助影像诊断医生筛查早期肿瘤，或是帮助完成病例电子化、流程无人化。

然而在利用AI技术加速药物开发这样的「重」领域上，人工智能同样表现不俗：

Teva制药与IBM达成合作，利用Watson支持药物开发和慢性病管理；成立于2013年的BenevolentAI与强生达成了合作；位于美国旧金山的初创公司Atomwise研发了深度学习网络AtomNet，其超级计算机可以在几天之内评估820万种化合物，找到多发性硬化症可能的治疗方法。

2016年底，高盛发布的人工智能报告中提到：“随着人工智能和机器学习的不断整合，人们将有望在新药研发的过程中显著地实现“去风险”，不但将节约每年约260亿美元的研发成本，同时还将提高全球医疗信息领域的效率，节约的成本价值超过每年280亿美元。”

AccutarBio—精准打靶

AccutarBio旨在准确定位治疗有效的药物靶标，以使用“混合”方法创建下一代药物，该方法依赖于计算设计，然后进行实验验证。

Accutarbio的创始人范捷博士，硕士就读于加州伯克利分校，博士期间师从 Nikola Paveletich，解析了RPA-DNA 复合物晶体结构；博后师从诺贝尔医学奖获得者 Gunter BLobel，期间解析了核孔小体复合物的相关结构；获得 Robertson foundation 临床研究经费开发乳腺癌药物。

他相信人工智能与实验验证相结合 (hybrid-method)，可以提高筛选药物准确性和效率，打造算法平台，可以加速新一代靶向治疗药物开发，也可以为癌症病人提供更多可选择的治疗方案。在过去的一年里，AccutarBio已经利用人工智能方法基于蛋白晶体学数据进行药物设计，并在美国申请2项专利；下一阶段的任务主要是实现平台能力实验验证，如果这个研究进入到临床应用，新药开发的前期海量筛选和粗选的阶段会大大缩短。

AccutarBio 已获得天使轮融资，投资人为真格基金创始人徐小平，目前正在展开 A 轮融资。

Atomwise—算法模拟制药过程

Atomwise公司成立于2012年6月，是一家药物挖掘与人工智能结合领域的比较有代表性的初创公司。其通过运用超级计算机、AI和复杂的算法模拟制药过程，来预测新药品的效果，让药物研究的成本降至数千美元。

其通过IBM超级计算机分析数据库，并用深度学习神经网络分析化合物的构效关系，于药物研发早期评估新药风险。Atomwise自主研发的深度学习网络AtomNet，可识别医药化学中的基础模块，并且声称自己在新药发现、结合亲和力预测和毒性检测上得到了世界上比较好的结果。

目前，Atomwise的商业模式是：为制药公司、创业公司和研究机构提供候选药物预测服务。合作伙伴有Merck、IBM、Soscip等。

BenevolentAI—用AI颠覆药物研发

Benevolent AI成立于2013年，公司旨在将人工智能应用于医学研究的庞大数据库以快速筛选和组织数据。

他们通过深度学习和自然语言处理理解和分析大量的生物科学信息，包括：专利、基因组数据和所有生物医学期刊以及数据库每天上传的10,000多份出版物。

深度学习软件摄取、分析信息，找出关联并提出相应的候选药物，进一步筛选具有对某些特定疾病有效的分子结构，比如可用于神经退行性疾病但没有心脏或肝脏副作用的分子。

截止目前，BenevolentAI已经获得四轮融资，总融资额达到 1.406亿美元，估值达到10亿美元。公司的第一款人工智能应用(生物科学领域)已被用于药物研发，并且正被拓展到其它领域。

2016年12月，医药巨头辉瑞与 IBM Watson Health签署协议：将Watson的超级计算能力用于其研发新型抗癌药中。辉瑞将使用Watson for Drug Discovery的机器学习、自然语言处理及其它认知推理能力，用于免疫肿瘤学(Immuno-oncology)中的新药物识别，联合疗法和患者选择策略。

Watson for Drug Discovery是一个新的云平台，旨在帮助生命科学家发现新的药物靶点和替代性的药物的适应症。Watson的吸引主要在它能处理海量信息，它可以帮助研究人员查看不同的数据集，通过动态可视化来发现新联系，提示隐藏的模式。

Insilico Medicine—设计新型药物分子

与大多数通过研究构效关系或研究靶标生物大分子的结构，设计药物分子的公司不同Insilico Medicine公司使用了一种较新的深度学习技术：生成式对抗网络(GAN)来构建药物分子。

nsilico Medicien充分利用基因组学技术，以及大型数据分析和人工智能技术，致力于针对衰老和与年龄有关疾病的硅片药物研发和药物再利用。公司主要从事研发用于治疗如癌症、帕金森、老年痴呆症、肌肉萎缩和延缓衰落的药物。

去年6月，Insilico Medicine公司与新加坡的Asia Genomics联合签署了一项协议，双方公司将根据个体的基因年龄注释和转录组数据，联合开发一种适用于识别人类衰老相关生物标记的先进个性化长寿技术。除衰老生物标记分析外，双方还打算开发人工智能年龄预测算法，作为多重深度神经网络（DNNs）的聚合。

此外Insilico与成立于上世纪80年代的美国保健品供应商Life Extension进行独家合作，通过大数据分析和人工智能识别，帮助后者开发具有新型营养作用的分子结构。

Insilico Medicine公司将专注于利用高级信号通路活化分析技术和深度学习算法研发保健营养品，模拟与健康和长寿相关的组织特异转录反应措施和方法。此外，他们还会研究延长寿命的膳食成分，在老人体内组织中模拟年轻人的健康信号状态。Life Extension公司将利用这些信息开发新型保健营养产品，帮助人类健康、长寿。

这或许告诉我们，AI或许可以被应用在追求人类的终极梦想——延长生命上。

文章原标题：AI+药物研发，节约百亿美元研发成本的攻克癌症“重拳”

标签：