AI賦能藥物研發得到專家高度評價 但尚難依靠AI實現First-in-Class

每經記者｜孫嘉夏    每經實習記者｜許立波    每經編輯｜魏官紅    

近年來，隨著國內創新藥產業迅猛發展，在許多細分領域，國內藥企已經完成了從追趕者到開拓者的轉變。但與此同時，創新藥企業也面臨著藥物研發難度陡增，研發成本水漲船高的窘境。如何平衡研發投入與成果產出？AI賦能藥物研發或許將成為一條解決路徑。

9月25日，第六屆中國醫藥創新與投資大會在蘇州國際博覽中心召開。會上，中國科學院院士、中國科學院上海藥物研究所研究員蔣華良圍繞“AI助力藥物研發”這一主題進行了報告。

人工智能賦能藥物研發

蔣華良首先對谷歌旗下人工智能公司Deep Mind所開發的人工智能系統AlphaFold進行了高度評價，他認為AlphaFold是人工智能在藥物研發領域的里程碑。據Deep Mind發布在《自然》雜志上的論文，AlphaFold已經能夠預測人類98.5%的蛋白結構。

著名結構生物學家施一公也曾表示，AlphaFold代表了目前全球最領先的人工智能蛋白機構預測系統，其對蛋白結構的精準預測，是本世紀取得的最重要的科學突破之一。

與許多跨時代的技術類似，AlphaFold也對傳統結構生物學界造成了沖擊，許多結構生物學家自嘲“馬上要失業了”。但蔣華良認為，人工智能的結構預測算法將會成為重要的輔助，將科研人員從諸如蛋白質樣品制備與結晶等繁瑣工作中解脫出來，投入藥物研發更為關鍵的節點中去。

據了解，藥物靶標是機體內與特定疾病發生發展過程有著內在聯系，并能被藥物作用而發揮治療作用的生物大分子或特定的生物分子結構。而在藥物研發中，作為藥物靶標的蛋白質的結構是相應藥物設計與改造的基礎，在目前的藥物研發鏈條中，人工智能技術已經涵蓋包括靶標發現、靶標確證等多個環節。對此，施一公曾表示：“所有小分子藥物結合的藥物靶點蛋白的結構，幾乎都能被AlphaFold一網打盡。”

蔣華良在會上列舉了一組數據，目前FDA批準的1619個藥物中，1366個為小分子藥物，253個為大分子藥物，共涉及靶點893個，其中667個為人體靶點（其余為病原體靶點）。蔣華良著重強調，靶標枯竭已經成為全球新藥研發共同面臨的問題，“現在做來做去還是那么幾個靶點，PD-1一出來就幾十個（企業）跟上，關鍵還是要找到（適合）自己的靶點。”

在靶標枯竭的背景下，如何縮短研發時間、節約研發經費已成為橫亙在各大藥企面前不得不解決的問題，蔣華良認為，人工智能結合大數據是精準藥物研發的機遇，通過AI技術可以快速、低成本獲得新型藥物的治療方法。

AI尚難做到First-in-Class

在此次會議的圓桌討論環節，研發熱度與無序競爭導致創新藥賽道擁擠成為嘉賓熱切討論的議題，當被問及能否借助人工智能使企業能夠快速突破First-in-Class的研發時，蔣華良坦言：“AI現在很難做出First-in-Class，基本上還是me-too為主。不要對AI抱有過分高的希望，AI是賦能的技術。目前資本對于人工智能的追捧過熱了，要理性看待這項技術。”

“AlphaFold并沒有解決蛋白質科學所有的問題，比如說小分子和靶標蛋白的相互作用沒法預測、動態變化的就搞不定、蛋白質與蛋白質相互作用的也搞不定，這些問題的復雜性是目前AI無法解決的。”蔣華良表示。

據記者了解，即便是人工智能自身，目前也存在許多缺陷，首先是有偏的數據集，尤其是在生物醫藥領域，涉及患者隱私問題會對臨床數據的運用造成限制；其次是模型的偏差性，化合物與人體靶點反應過程非常復雜，數據穩定性和可重復性差，從而影響到了AI建模。

因此，目前判斷人工智能是否能讓國內藥企突破First-in-Class、實現彎道超車為時尚早，只有對有價值的臨床數據進行持續的積累，進一步完善AI模型，人工智能技術才能為藥物研發帶來一個更加光明的未來。

封面圖片來源：攝圖網