近年來，人工智能技術（AI）與醫療健康領域的融合不斷加深。AI在醫療領域主要應用場景包括語音錄入病歷、醫療影像輔助診斷、藥物研發、醫療機器人和個人健康大數據的智能分析等。

近年來，人工智能技術（AI）與醫療健康領域的融合不斷加深。AI在醫療領域主要應用場景包括語音錄入病歷、醫療影像輔助診斷、藥物研發、醫療機器人和個人健康大數據的智能分析等。隨著語音交互、文本識別、圖像識別和大數據分析，以及智能終端等技術的逐漸成熟，AI的應用場景越發多樣。

藥物研發是AI技術應用的重要場景之一。藥物研發要經歷靶點的發現與驗證、先導化合物的發現與優化、候選化合物的挑選及開發和臨床研究等多個階段。傳統的藥物研發耗時耗力，且成功率低。AI助力藥物研發，可大大縮短藥物研發時間、提高研發效率并控制研發成本。

一、AI助力新藥研發的六大應用場景目前制藥企業紛紛布局AI領域，主要應用在新藥發現和臨床試驗階段，主要有以下六大應用場景：

1.海量文獻信息分析整合

海量文獻信息分析整合對于藥物研發工作者來說，最讓他們頭疼的事如何去甄別每天產生的海量科研信息。而人工智能技術恰恰可以從這些散亂無章的海量信息中提取出能夠推動藥物研發的知識，提出新的可以被驗證的假說，從而加速藥物研發的過程。

英國生物科技公司Benevolent Bio（隸屬于 Benevolent AI），利用技術平臺JACS（Judgment Augmented Cognition System），從全球范圍內海量的學術論文、專利、臨床試驗結果、患者記錄等數據中，提取出有用的信息，發現新藥研發的蛛絲馬跡。

2017年，借助JACS的分析能力，Benevolent Bio 標記了100個可用于治療肌萎縮性側索硬化癥（ALS）的潛在化合物，從中篩選出5個化合物。經過英國謝菲爾德神經轉化研究所的小鼠試驗，證實4個化合物在治愈運動神經衰退方面確有療效。4/5的有效篩選率，這是研究人員之前從未想過的。

位于英國倫敦的BenevolentAI成立于2013年，是一家致力于AI技術開發和應用的公司，是歐洲大的AI初創公司。他們的目標是建立人們期盼已久的“制藥企業2.0”，利用AI助力新藥開發，降低臨床試驗的失敗率。自2013年以來，Benevolent AI已經開發出24個候選藥物，且已經有藥物進入臨床IIb期試驗階段。

國際制藥巨頭之一的強生公司已經與Benevolent AI達成合作協議，強生將一些已經進入臨床階段的試驗藥物連帶一起特許給Benevolent AI，而Benevolent AI將利用人工智能系統來指導臨床試驗的進行和數據的收集。

2.化合物高通量篩選

化合物篩選，是指通過規范化的實驗手段，從大量化合物或者新化合物中選擇對某一特定作用靶點具有較高活性的化合物的過程。而要從數以萬計的化合物分子中篩選出符合活性指標的化合物，往往需要較長的時間和成本。

AI 技術可以通過對現有化合物數據庫信息的整合和數據提取、機器學習，提取大量化合物與毒性、有效性的關鍵信息，既避免了盲人摸象般的試錯路徑，還可以大幅提高篩選的成功率。

典型代表是硅谷公司Atomwise。Atomwise公司成立于2012年，其核心產品為AtomNet是一種基于深度學習神經網絡的虛擬藥物發現平臺。AtomNet就像一位人類化學家，使用強大的深度學習算法和計算能力，來分析數以百萬計的潛在新藥數據。目前，AtomNet已經學會識別重要的化學基團，如氫鍵、芳香度和單鍵碳，同時該系統可以分析化合物的構效關系，識別醫藥化學中的基礎模塊，用于新藥發現和評估新藥風險。

AtomNet在抗腫瘤藥物、神經系統疾病藥物、抗病毒藥物、抗寄生蟲藥和抗生素藥物的藥物篩選方面表現出色。例如，2015年AtomNet僅用一周模擬出2種有潛力用于埃博拉病毒治療的化合物。Atomwise正與全球知名藥企和大學院校進行合作，其中包括輝瑞、默克、abbvie和哈佛大學等。

類似于Atomwise ，現在有一系列人工智能公司專注于藥物分子篩選，包括Recursion Pharmaceuticals、BenevolentAI、TwoXAR、Cyclica和Reverie Labs等。

3.發掘藥物靶點

現代新藥研究與開發的關鍵是尋找、確定和制備藥物靶點。靶點是指藥物在體內的作用結合位點，包括基因位點、受體、酶、離子通道和核酸等生物大分子。

典型代表是Exscientia公司，Exscientia與葛蘭素史克（GSK）在藥物研發達成戰略合作。Exscientia 通過AI藥物研發平臺為GSK的10個疾病靶點開發創新小分子藥物。

Exscientia開發的AI系統可以從每個設計周期里的現有數據資源中學習，其原理與人類的學習方式相似，但AI在識別多種微妙變化以平衡藥效、選擇性和藥代動力學方面要更加高效。其AI系統完成新藥候選的時間和資金成本只需傳統方法的1/4。目前該公司與國際多家知名藥企形成戰略合作，包括強生、默克和賽諾菲等。

圖3 Exscientia 藥物研發流程圖示

4.預測藥物分子動力學指標（ADMET）

ADMET包括藥物的吸收、分配、代謝、排泄和毒性。預測ADMET是當代藥物設計和藥物篩選中十分重要的方法。過去藥物ADMET性質研究以體外研究技術與計算機模擬等方法相結合，研究藥物在生物體內的動力學表現。目前市場中有數十種計算機模擬軟件，包括ADMET Predicator、MOE、Discovery Studio和Shrodinger等。該類軟件現已在國內外的藥品監管部門、制藥企業和研究院所得到了廣泛應用。

典型的代表包括晶泰科技（XtalPi）、Numerate等。為了進一步提升ADMET性質預測的準確度，已有生物科技企業探索通過深度神經網絡算法有效提取結構特征，加速藥物的早期發現和篩選過程。其中晶泰科技通過應用人工智能高效地動態配置藥物晶型，能完整預測一個小分子藥物的所有可能的晶型，大大縮短晶型開發周期，更有效地挑選出合適的藥物晶型，減少成本。

5.病理生物學研究

病理生物學（pathophysiology）是一門研究疾病發生、發展、轉歸的規律和機制的科學。病理生物學研究是醫藥研發的基礎，至今許多疾病尚無治療方法，是由于在病理生物學研究方面沒有取得進展。

肌萎縮側索硬化（ALS）是一種破壞性的神經退行性疾病，發病機制至今不明。ALS的一個突出病理特征是，一些RNA結合蛋白（RNA binding proteins， RBPs）在ALS中發生突變或異常表達/分布。人類基因組中至少有1 542種RBPs，目前已發現17種RBPs與ALS相關，除此以外，其他RBPs是否與ALS相關呢？

典型案例是IBM公司開發的Watson系統，通過閱讀了2 500萬篇文獻摘要，100萬篇完整論文和400萬專利文獻，并基于相關文獻的大量學習，建立了模型預測RBPs與ALS相關性。有研究者為了測試其模型的預測能力，首先將IBM Watson的知識庫限制在2013年之前的學術出版物上，并要求Watson使用這些可用的信息來預測與ALS相關的其他RBPs。在2013—2017年期間，Watson在對4個導致突變的RBPs給出了高度評價，證明了模型的有效性。而后，Watson對基因組中所有的RBPs進行篩選，并成功鑒定在ALS中改變的5種新型RBPs。

6.發掘藥物新適應癥

利用深入學習技術，將臨床藥物與新的適應癥相匹配。這樣可以繞過動物實驗和安全性實驗。

例如，沙利度胺曾用來治療麻風病，后來研究人員發現其對多發性骨髓瘤具有療效。由于該藥物已經積累了大量的安全性與劑量數據，研究人員能夠繞過第一階段的安全性和劑量試驗。

根據實驗結果，FDA在2012年批準沙利度胺治療多發性骨髓瘤。據彭博預測，這個過程總共花費了4 000~8 000 萬美元。如果從零開始，一個新藥所需的平均費用為20 億美元。