179
機器人
人工智能輔助新藥發現有七個創新方向，可大幅度節省成本和縮短研發時間2017醫療大數據和人工智能產業報告節選
2016 年至今，全世界都在說，人工智能的拐點已來。從世界級的玩家穀歌、IBM，到瘋狂的投資人和創業者，都在進行搶點布局，甚至軍備競賽。人工智能正在全球性地走向繁榮。麵對如此洶湧而來的人工智能浪潮，我們該如何看待？如何思考？動脈網作為這一浪潮的見證者，勢必要為它留下些什麼。
動脈網·蛋殼研究院2017年重磅作品——《2017醫療大數據和人工智能產業報告》已於9月16日醫療健康大數據與人工智能產業實踐論壇發布。
該報告全文一共10萬字， 由蛋殼研究院曆時一月，查閱超百萬字的資料、采訪數10家人工智能公司高層後整理而成。
這是動脈網有史以來最為係統地對人工智能醫療領域做出的一次梳理，詳細講述了醫療大數據和人工智能企業的底層技術、醫療人工智能九個細分領域、醫療人工智能企業現狀等，並搜集了超過60家國內外企業案例。
獲取完整報告的方式：長按識別下方二維碼，成為動脈網正式會員，即可獲得《2017醫療大數據和人工智能產業報告》完整電子版。
以下是報告部分內容的精編連載，實際內容更加豐富。
醫療大數據與人工智能產業報告Ⅳ：藥物發現
在藥物、生物技術和藥理學領域，藥物發現是發現新的候選藥物的過程。早期，人們隻能通過從傳統治療方法或偶然發現鑒定活性成分來發現藥物。
之後，通過合成小分子、天然產物或提取物在完整的細胞或整個生物體中進行篩選，來鑒定是否是有治療作用的物質。
新藥的開發流程可分為藥物發現、臨床前開發和臨床開發三個部分。而現代藥物發現在技術上又可以分為三個階段：靶點的發現和確證、先導物的發現、先導物的優化三個階段。
藥物發現流程
一、藥物發現的現狀
藥物發現是一種資本密集型的過程，需要藥業公司以及各國政府的大量投資。盡管生物技術的不斷進步，藥物發現仍然是一個昂貴、困難和低效的過程。
藥物發現的“最終產品”是一個關於潛在藥物的專利。之後藥物還需要經過非常昂貴的I期，II期和III期臨床試驗，其中大多數產品會在這過程中被淘汰。
關於創新藥研發，國際上有一種“雙10”的說法：10年的時間，10億美金投入。 一般而言，製藥公司需要花費5-10億美金，10到15年時間，才能成功研發出一款新藥。新藥研發的風險大、周期長、成本高，是藥企最大的痛點之一。
1997年到2011年獲批新藥研發費用
二、人工智能重構新藥研發
目前新藥產品的研發越來越難以取得突破。一方麵，大多數可以被使用的化合物已經被發現，新的化合物開發難度逐漸加大。
另一方麵，科學成果的數量增長速度很快，人類個體不可能完全理解這些數據。而人工智能可以從海量論文中攝取所需的分子結構等信息，並且可以自主學習，建立其中的關聯，提供新的思路和想法。
人工智能可以大幅度降低藥物研發成本
2015年，FDA報告了60種獲批藥物。這意味著算上失敗藥物的研發成本，該年度每種獲批藥物的的成本約為6.98億美元，其中就有將近420億美元用在了失敗藥物上。
蛋殼研究院認為，人工智能可以將新藥研發過程中的風險減半：到2025年，全球製藥行業每年即可節省約260億美元。
人工智能的加入，已經開始重構新藥研發的流程，人工智能在新藥研發上的應用也開始從靶點篩選向更多方麵拓展。
根據在流程上的分布，我們將AI+新藥研發的服務類型分成了三類：臨床前藥物發現服務、臨床前藥物自主研發和臨床研究服務。
人工智能參與藥物研發的方式
三、製藥企業紛紛布局
一直觀望AI發展的製藥公司現在紛紛涉足AI領域。
Numerate公司與武田藥業（Takeda Pharmaceutical）正式簽約，就使用Numerate公司的人工智能技術（artificial intelligence, AI）尋找腫瘤學、胃腸病學和中樞神經係統疾病的小分子藥物展開合作。
葛蘭素史克公司（GSK）與Exscientia達成合作。這筆交易涉及金額約為4300萬美元。雙方合作之後，Exscientia將利用其AI藥物研發平台為GSK進行10個創新小分子藥物疾病的靶點開發。
包括默克(Merck & Co)、強生(Johnson & Johnson)和賽諾菲(Sanofi)在內的其他製藥巨頭也在探索人工智能的潛力，以幫助簡化藥物研發過程。
製藥企業和人工智能新藥研發企業進行合作開發
四、人工智能+新藥研發的七個創新方向
人工智能在新藥研發上的應用主要可以是兩個階段：一個是新藥發現階段，另一個是臨床試驗階段，共七種不同應用方向。
各個新藥研發階段的人工智能新藥研發企業
1.靶點篩選
靶點發現也就是發現能減慢或逆轉人類疾病的生物途徑和蛋白，這是目前新藥發現的核心瓶頸。
針對前沿論文分析和處理並提供預測數據我們也可以看作在靶點篩選上的應用。老藥新用是目前尋找藥物的常用方式，他的實現方式是將市麵上已曝光的藥物及人身上的1 萬多個靶點進行了交叉研究及匹配。
以往這項工作由人工試驗完成，現在通過人工智能參與，將給試驗的速度帶來指數級的提升。
據推測，搭建算法模型及大規模的算力，利用“老藥新用”這一手段手段有望將藥物研發成本降至3億美元甚至更低，研發周期也縮短至6.5年。
在科學研究飛速發展的今天，每30秒就會有一篇生命科學論文發表。除此以外，還有大量的專利、臨床試驗結果等海量信息散布在世界各地。這些信息中，隻有一小部分的科學信息可以形成有用的新知識。
對於藥物研發工作者來說，他們沒有時間和精力來關注所有的新信息，但是這些信息又包含了全球大部分科研人員的研究成果和大量關於新藥的信息，從這些信息中找尋新藥的蛛絲馬跡是藥物發現的一種捷徑。
2.藥物篩選
藥物篩選，也可以稱為先導物篩選。製藥企業積累了大量調控蛋白功能的小分子化合物，大規模的跨國藥企一般都會有50-300萬的化合物儲備。先導物發現首先通過少數模塊組合成不同蛋白，然後會采用高通量篩選來發現合適的先導物。
高通量篩選方式會在同一時間由機器人進行數以百萬計的試驗，因此成本非常高昂。迄今為止，學者們已經紛紛倡導利用AI/ML開發有效和準確的虛擬篩選方法，以取代昂貴且耗時的高通量篩選過程。
現有虛擬篩選的方法名為“高通量篩選”，而它非常容易受到FDR（錯誤發現率）的影響。如果可以將第3階段試驗的風險減半，就可以為大型製藥公司節約數十億美元的成本，
針對藥物篩選階段，人工智能有兩種應用方案，一種是利用深度學習開發虛擬篩選技術以取代高通量篩選，另一種是利用人工智能圖像識別技術優化高通量篩選過程。
穀歌和斯坦福的研究人員正致力於利用深度學習開發虛擬篩選技術，以取代或增強傳統的高通量篩選過程，並提高篩選的速度和成功率。
通過應用深度學習，研究人員能夠實現跨越多個靶點的眾多實驗的信息共享。正如Bharath Ramsundar 等在其一篇機器學習相關的論文中所稱：“我們的實驗表明，深層神經網絡優於所有其他方法……尤其在於，深層神經網絡大大超越了所有現有的商業解決方案。在許多靶點上，它都實現了接近完美的預測質量，使其尤其適合被用作虛擬篩選裝置。
總之，深度學習提供了建立虛擬篩選並將其作為藥物設計管道中標準步驟的機會。”（Massively Multitask Networks for Drug Discovery，2015/2/6）
3.藥物優化
藥物優化又可以叫做先導物優化，這個步驟主要是對先導物的構效關係進行優化。這個階段需要全麵改進先導物的分子缺陷，當代藥物發現有時可能有20～30個指標需要同時優化，而分子改造牽一發而動全身。
借助人工智能，能夠以直觀的方式定性推測生理活性物質結構與活性的關係，進而推測靶酶活性位點的結構和設計新的活性物質結構。可以進一步提升藥物的構效關係分析的速度，快速挑選最具安全性的化合物。
4.病人識別及招募
招募合適的誌願者一直是製藥公司麵臨的難題之一，在時間就是金錢的藥物研發過程中，除了招募的直接成本，由於延長時間造成的間接成本也不容忽視。
在實際過程中，大多數臨床試驗不得不大幅延長其時間表，因為在原定時間內很難發現足夠數量的患者。這類麻煩並不罕見，根據拜耳的數據，90%的臨床試驗未能在指定時間內招募到足夠數量的患者，通常而言所耗費的時間是指定時間的兩倍左右。
利用人工智能對疾病數據深度研究，製藥企業可以更精準挖掘目標患者，快速實現患者招募。
2016年，Biogen進行了一項研究，使用Fitbit追蹤多發性硬化症患者的活動。結果，24小時內便成功招募了248名患者，其中77%的人完成了後續研究。
這項實驗顯示，有一小部分可穿戴設備使用者非常願意自我量化，並分享他們的生理數據。使用數字健康設備（包括醫療級的可穿戴設備）招聘大量的誌願者參加臨床試驗正在成為趨勢。
5.服藥依從性管理
依從性是指病人執行醫囑的客觀應答的程度。在新藥臨床試驗中，依從性可定義為受試者按照規定的藥物劑量和療程服用試驗藥物的程度。
傳統方式服藥依從性主要通過人工隨訪來管理，如果數據量大則隻能依靠病人的自覺性。
在這個階段我們利用移動技術和麵部識別技術來判斷患者是否按時服藥，用自動算法來識別藥物和藥物攝取，並且可以提醒患者按時服藥，對患者的服藥依從性做出精準管理。
6.患者數據收集
在傳統的新藥研發流程中患者的健康狀況和身體數據情況隻能在臨床中進行評估，病人需要進行定期檢查，特定時間和地點獲得的數據並不能完整的代表病人的身體情況，容易出現數據偏差。
在這個階段可以應用可穿戴設備與機器學習分析來提升臨床試驗中的患者參與度、數據質量和操作效率。
生命科學臨床研究領域雲解決方案供應商Medidata宣布與Garmin達成戰略合作，通過Garmin的健康手環與MedidataClinicalCloud相結合的方式提升臨床試驗中的患者參與度、數據質量和操作效率。
此外，VitalConnect等公司還獲得了FDA的批準，利用其生物傳感器來監測患者的各項生物指標。這些生命科學公司正把我們推向一個新的時代，連接到之前根本無無法獲取的一係列新行為數據。
前文所述案例均能讓我們在臨床試驗中提升患者互動，最終讓我們獲得更多、更實用的數據，這些對於藥物研發取得突破至關重要。
7.小分子藥物晶型預測
藥物晶型對於製藥企業十分重要，其不但決定小分子藥物的臨床效果，同時具有巨大的專利價值。
藥物晶型專利是藥品化合物專利之後的最重要的專利，是原研藥企業阻止或推遲仿製藥企業在其化合物專利過期後將仿製藥推入市場的重要籌碼，藥物晶型專利可以延長藥物專利2 到6 年，對於重磅藥物而言，則意味著數十億美元的市場價值。
利用人工智能，高效地動態配置藥物晶型，可以把一個小分子藥物的所有可能的晶型全部預測。相比傳統藥物晶型研發，製藥企業無需擔心由於實驗搜索空間有限而漏掉重要晶型，可以更加自如地應對來自仿製藥企的晶型專利挑戰。
此外，晶型預測技術也大大縮短了晶型開發的周期，更有效地挑選出合適的藥物晶型，縮短研發周期，減少成本。
文|蛋殼研究院
後台發送關鍵詞即可獲得相關好文
網站、公眾號等轉載請聯係授權
近期推薦
人工智能報告 係列
聲明：動脈網所刊載內容之知識產權為動脈網及相關權利人專屬所有或持有。文中出現的采訪數據均由受訪者提供並確認。未經許可，禁止進行轉載、摘編、複製及建立鏡像等任何使用。
最後更新：2017-10-08 09:29:44