发现一种新药是一个漫长、昂贵且常常是偶然的过程。成千上万的化合物经过一系列的测试，只有一种可能成为可行的药物。任何工具，只要能在这个漫长的多步骤过程中加快其中一个步骤，就会对整个链条产生重大影响。这就是为什么一些最大的制药公司正在求助于人工智能来帮助这个过程。
本文探讨了如何五大制药公司正在应用(或试图应用)人工智能和机器学习来改进药物发现。我们的目标是回答制药企业领导人今天提出的紧迫问题，包括:
- 像辉瑞(Pfizer)和默克(Merck)这样的行业巨头如今是如何利用人工智能开发药物的?
- 大型药物开发公司如何与初创公司合作以推动创新?
- 行业领先的制药公司期望人工智能如何改变未来的药物开发过程?
完全理解为什么制药公司正转向AI需要基础知识的药物是如何发现并获得批准,我们将从一个简单的概述开始的药物发现和审批流程(如果你是一位有着多年业内经历的,请直接跳过本节和滚动的AI用例“5大”药物制造商)。
药物发现和批准的基础知识
简单地说，每一种潜在的药物都要经过一个系统的筛选，这个系统由十几种日益昂贵和复杂的测试/试验组成，以确定潜在的药物是否既安全又有效。
下面的视频来自美国制药研究和制造商(PhRMA)提供了一个简明的概述过程如下的视频:
该制药公司将了解一项新的生物学发现，该发现将深入了解人体或有害细菌是如何工作的。然后，该公司将研究许多化合物，以找到可能对特定发现起作用的化合物。在实验室里，他们将做基本的毒性测试，以确定化合物是否能被正确吸收，并研究如何代谢等。
只有通过这些早期测试的化合物才有可能进入临床试验，从而获得政府的批准。临床试验分为三个阶段，每一步都需要更多的志愿者和更严格的标准来通过。这个过程需要几年的时间，只有一小部分药物可以通过。
据塔夫茨药物开发研究中心称平均成本开发一种新药并获得批准需要花费25.58亿美元。他们的数字是基于估计的平均直接成本13.95亿美元和11.63亿美元的时间成本(投资者在药物研发期间放弃的预期回报)。
美国药品研究与制造商协会索赔这个过程，从最初的发现到市场，至少需要10年，其中大约6到7年是在临床试验中度过的。根据行业组织，药物的成功率非常低。只有不到12%的进入临床试验的药物最终会被批准。PhRMA用下图可视化了这个漫长的过程:
FDA的批准并不能百分之百保证公司的投资会有回报。FDA总是有可能在发现服用这种药物的患者中存在问题后将其撤下，也有可能在另一家公司发布了一种更好的药物后不久将其偷走市场。
如果人工智能或机器学习能够将这一成功率提高几个百分点，达到14%或16%，这将为该行业带来数十亿美元的价值。例如，在公司尝试将一种药物投入临床试验之前，一个程序可以在早期阶段更好地预测毒性的可能性，这将直接为公司节省数百万美元，而且重要的是还能节省时间。在进行试验时，公司的带宽是有限的。任何稍微改进早期筛选的方法都有助于缩短整个开发时间。
一些最大的制药公司正试图将人工智能应用于以下领域:
- 寻找可能成为潜在药物的新化合物
- 预测潜在的潜在药物在测试中表现如何
- 发现可以作为治疗组合一起工作的药物
- 寻找以前测试过的化合物的新用途
- 根据基因标记创造个性化的药物
(欲了解5大制药巨头在人工智能领域的具体投资，请参阅我们的文章全文:制药和生物医学领域的人工智能”。)
制药公司
许多顶尖制药公司只是在最近才认真地将人工智能应用于药物研发，但在过去几年里，已经有了几宗引人注目的交易、合作和协作。在下面的章节中，我们将探讨目前的倡议和应用，似乎很重要，或预示着一个更大的转变，在该领域:
辉瑞与IBM合作
制药巨头辉瑞公司在2016年下半年宣布将利用IBM Watson进行药物发现的合作。辉瑞在其免疫肿瘤学研究中使用了IBM的人工智能技术，这是一种利用人体免疫系统来帮助对抗癌症的策略。根据我们的研究，这似乎是沃森在药物发现方面的首批重大应用之一。此举对辉瑞和IBM来说都是一次重大的公开声明。
IBM指出，人类研究人员平均每年阅读200至300篇科学文章，而沃森“吸收了2500万篇Medline摘要、100多万篇医学期刊全文文章、400万项专利，并定期更新”。
考虑到每年出版的大量医学文献，让机器阅读的价值主张是一个强有力的主张，但沃森是否彻底“攻克”了这个问题，并让它的价值主张真正为医院和药品开发商服务，似乎还不清楚。
其中一个希望是，沃森丰富的信息可以使其建立起非明显的联系，从而产生治疗癌症的联合药物。寻找联合用药甚至比寻找单一药物治疗更具挑战性。
辉瑞公司创新健康部门总裁阿尔伯特·布尔拉告诉记者《连线》杂志让身体对抗肿瘤的最佳方法是“一些刺激免疫系统的药物组合”。但可能的组合是无数的，所以最大的挑战是找到方法来缩小这个领域，并预测哪些组合可能更有效。多亏了沃森，它已经接受了历史数据的训练，我们正试图预测获胜的组合。”
(在我们与IBM的Swami Chandrasekaran的访谈进行了大约22分钟后，我们进一步介绍了人工智能应用“精准医疗”方法的更多例子请听我们对斯瓦米的采访。)
罗氏(Genentech)与GNS Healthcare合作
今年夏天，罗氏集团的一名成员基因泰克公司(Genentech)表示宣布他们与马萨诸塞州剑桥的合作GNS医疗。GNS Healthcare的使命宣言是利用机器学习的最新创新，将生物医学数据转化为解决方案和治疗方案。
这次合作的第一个重点也将是肿瘤学，就像IBM和辉瑞的交易一样。Genentech计划使用GNS REFS™(逆向工程和正向仿真)因果机器学习和仿真平台来发现和验证潜在的新药候选。他们还将寻找可能导致靶向治疗的遗传患者反应标记。
制药商遇到的一个问题是，在临床试验中，一种可能的药物有时似乎只对一小部分人有效。另一方面，它会被认为是不安全的，因为一小部分病人出现了严重的副作用。
廉价的基因测试使确定是否有遗传原因成为可能。一种药物有可能起作用，但只对具有特定基因的人有效。根据个人基因进行个体化治疗是所谓个体化医疗的核心，也是GNS医疗的一大重点。
个性化医疗被认为在未来具有巨大的潜力，机器学习可以在确定哪些基因和遗传标记与可能的治疗相互作用方面发挥作用。今年早些时候FDA批准Keytruda (pembrolizumab)是第一种仅针对癌症具有特定遗传特征的患者的治疗方法。
只有一小部分患者的癌症具有这些特定的遗传特征，这使得对大多数人进行这种治疗无效，但对这一小部分人有效。只有少数带有特定基因的人才能使用的药物正变得越来越普遍。
罗氏的项目才刚刚开始，短期内不会有合理的结果或ROI(好或坏)的证据。
赛诺菲与ex唯亚合作
最大的药物发现之一合作制药商赛诺菲(Sanofi)和人工智能驱动的药物研发公司ex唯唯(ex唯)今年宣布了基于可能收入的战略租赁协议。在下面的视频中，exscientist的CEO Andrew Hopkins解释了他们的系统是如何工作的。
ex唯科学将使用它的人工智能动力系统来识别和验证能够协同工作的药物靶标组合。它将为赛诺菲生产双特异性小分子化合物。实际上，exa负责发明新的潜在药物，而赛诺菲将负责制造、测试并进行临床试验。
安德鲁·霍普金斯，ex唯科学的首席执行官，索赔与传统的方法相比，ex唯一系统可以提供候选药物约25%的速度和25%的成本。该算法可以设计新的分子，旨在更好地预测哪些分子是最有效和最安全的。如果ex唯科学家公司能在协议中达到所有的里程碑，他们就有可能从总部位于巴黎的赛诺菲公司获得2.5亿欧元。
葛兰素史克与ex唯科学和Insilico医学的合作
ex唯科学还与制药公司葛兰素史克(GlaxoSmithKline)签署了类似的协议7月。这家制药公司正在利用ex唯科学发现新的、有选择性的小分子，用于多达10个与疾病相关的靶标。在这笔交易中完成他们所有的里程碑将价值3300万英镑(约4370万美元)。
仅仅一个月后，葛兰素史克(GlaxoSmithKline)又宣布了一项新计划交易与另一家人工智能药物研发公司Insilico Medicine合作。Insilico为制药公司完成了一系列试点挑战，现在葛兰素史克将评估Insilico的技术在识别新的生物目标和途径。
这只是葛兰素史克与不同公司达成的众多交易中的两项，这些交易都是为了利用新的计算机建模系统来改进药物、生物标记物和药物的发现新疫苗。
(你也可以阅读关于葛兰素史克的人工智能应用这是典型的自然语言处理业务用例。)
强生和entai
与其他许多近期的交易不同，知名制药商和初创公司在药物研发中使用人工智能，去年的交易是“仁慈人工智能”(entai)达成协议从强生公司获得潜在药品的许可。entai授权强生公司开发、生产和商业化一系列临床阶段的候选新药。药品的总数以及药品的具体名称似乎都是保密的。
entai公司不仅尝试从头开始发现一种新的化合物，还使用他们的人工智能系统试图为现有的候选药物寻找新的潜在用途。虽然entai在其YouTube频道上没有任何简明扼要的视频来总结其价值主张，但以下视频(来自CB Insights)中，entai的詹姆斯•钱德勒(James Chandler)对他们的公司和使命进行了简要说明:
有许多候选药物经过了重要的早期安全性测试，但当发现它们对设计用来治疗的疾病无效时，它们就被放弃了。通过使用人工智能来寻找这些候选药物可能起作用的其他疾病，entai在理论上可以显著缩短这一过程，因为所有的初步安全测试已经完成。这将使他们能够直接进入二期临床试验。
看来慈善是最近的事2 b阶段试验治疗帕金森氏症患者嗜睡的药物是这一协议的最初用途之一。这似乎是强生与仁爱医院的首次试运行，预计结果要到2018年8月才能出来。
结论
人工智能在药物发现中的应用是一项较新的技术应用。任何外部观察人士都很难拿出确凿的证据，证明人工智能正在明显改善药物发现。这是有原因的:
- 长时间发展-一种候选药物从发现到上市大约需要10年的时间，甚至一个阶段的临床试验也可能需要一年的时间。
- 高失败率-即使有人工智能的帮助，我们也可以期待大多数制药公司的候选药物会失败。如果一家人工智能制药公司最初的几次尝试都失败了，这不会是意料之外的，也不会是一个糟糕算法的证明。人工智能在药物发现方面的成功只是略低的失败率，而这需要一个大的数据集来得出结论。
- 商业秘密-大多数公司都非常保护他们的商业机密，不太可能精确到不同的专有工具在他们的研发中被使用的程度。
在这一点上，人工智能药物发现平台有可能对制药行业产生真正影响的最佳迹象之一，是大型制药公司对此的反应。时还没有从事全面拥抱这些平台上通过大规模收购,在刚刚过去的一年里,我们已经看过很多大型制药商认真检查通过大量测试技术的潜力,大小不一的官方合作,和许可协议。
大型制药公司已开始探索人工智能在药物发现过程的各个层面上的应用，从创造新化合物，到发现潜在的组合，再到确定如何开发个性化药物，以及发现以前测试过的候选药物可能的新用途。
从理论上讲，我们很容易理解为什么投资者和制药商相信人工智能最终会发挥重要作用。可以说，制药业已经发现了许多容易摘到的果实——简单、容易找到、对每个人都安全有效的药物。未来的许多治疗方法可能采用药物组合或只对具有特定基因的人有效的治疗方法。要找到这些治疗方法可能需要交叉检查大量的数据源，以寻找可能的交互作用，这类任务对人来说可能比较困难，但对计算机来说相对容易。
标题图片来源:123年处方援助
