新藥研發(fā)工業(yè)化的開(kāi)始
人工智能(AI)--從計(jì)算機(jī)算法中學(xué)習(xí)如何解開(kāi)復(fù)雜的基因組數(shù)據(jù)，例如疾病的基因表達(dá)模式--已經(jīng)準(zhǔn)備好為藥物開(kāi)發(fā)，臨床研究和醫(yī)學(xué)治療等各個(gè)方面帶來(lái)革命。但它也可能為人類實(shí)現(xiàn)又一個(gè)里程碑--降低藥品價(jià)格。
即使不能徹底消除目前這種效率低下、時(shí)間密集、不斷試錯(cuò)的創(chuàng)新過(guò)程，人工智能也能為其帶來(lái)顯著改觀。這正是許多人工智能專家所強(qiáng)調(diào)的價(jià)值。要知道，美國(guó)藥物研究與制造商協(xié)會(huì)(PhRMA)的研究表明，進(jìn)入臨床試驗(yàn)的藥物只有約12%能最終獲得監(jiān)管部門(mén)的批準(zhǔn)。
人工智能在模式識(shí)別和表征學(xué)習(xí)方面的熟練程度不斷進(jìn)化，可以更準(zhǔn)確地預(yù)測(cè)結(jié)果，因此在揭示疾病通路的基因水平的復(fù)雜性，設(shè)計(jì)治療干預(yù)措施以及確定將從中受益的患者等方面，人工智能是最有前途的研究工具。
藥明明碼(WuXi NextCODE)的首席執(zhí)行官Hannes Smarason先生觀察到，AI將藥物研究從假設(shè)驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)的過(guò)程。他解釋說(shuō):例如“一個(gè)科學(xué)家需要做一個(gè)實(shí)驗(yàn)，在他意識(shí)到這點(diǎn)之前，知識(shí)系統(tǒng)對(duì)他說(shuō):‘你應(yīng)該做三件事情。’或者，‘你為什么不看一下這四個(gè)結(jié)果?我已經(jīng)為你做了實(shí)驗(yàn)。’”
Exscientia的首席執(zhí)行官Andrew Hopkins博士補(bǔ)充說(shuō)，人工智能“把目前需要手動(dòng)，依賴于技術(shù)人員水平的研發(fā)工作系統(tǒng)化”。
AI新藥研發(fā)的挑戰(zhàn)
然而，大多數(shù)這些預(yù)期的研發(fā)節(jié)省措施是長(zhǎng)期的，在人工智能應(yīng)用方面仍然存在挑戰(zhàn)。
Smarason先生說(shuō)，還沒(méi)有直接與AI相關(guān)的產(chǎn)品被批準(zhǔn)。 “但是我會(huì)說(shuō)，我們肯定會(huì)在10年的時(shí)間框架內(nèi)，看到一些跟AI相關(guān)的重要(藥物)產(chǎn)品面世。”
根據(jù)Hopkins博士的觀點(diǎn)，目前AI面臨的挑戰(zhàn)之一是要求“藥物研發(fā)領(lǐng)域?qū)＜叶x合理的問(wèn)題。如果提出的問(wèn)題太宏大，相關(guān)數(shù)據(jù)不足，提交給AI的問(wèn)題就會(huì)不完善?！?/p>
Deshpande博士說(shuō)，另一個(gè)挑戰(zhàn)是獲得“高質(zhì)量和一致性的數(shù)據(jù)來(lái)訓(xùn)練算法。目前數(shù)據(jù)通常保存在孤島中，并且跨越多個(gè)組織。”
Lanza博士補(bǔ)充說(shuō)，克服傳統(tǒng)的研發(fā)文化也是一個(gè)挑戰(zhàn)。 他說(shuō):“人工智能本質(zhì)上意味著不可以解釋，而是更多地用作‘黑匣子’。我經(jīng)常聽(tīng)到，為了使這些預(yù)測(cè)預(yù)言，科學(xué)家們想知道AI是如何做到的。 這是通常思考AI的錯(cuò)誤方式。關(guān)鍵是，這些算法可以看到的數(shù)據(jù)中的信號(hào)對(duì)于人類而言太窄或太寬。因此，如果我們要求人工智能產(chǎn)生人為可解釋的結(jié)果，就可能限制AI去解決最有趣的問(wèn)題。”
聯(lián)系客服
