人工智慧（artificial intelligence，AI）的發展，為新藥研發帶來了新的技術手段。透過機器學習（machine learning，ML）、深度學習（deep learning，DL）等方式應用於藥物靶點發現、化合物篩選等環節，大大提升了新藥研發的效率，為降本增效提供了可能。

從全球AI+新藥研發企業的應用實踐來看，AI+新藥研發主要是將ML、DL等AI 技術，應用到前期研究、靶點發現、化合物合成、化合物篩選、新適應證發現、晶型預測、患者招募等新藥研發環節。如資料探勘和分析有助於藥物靶標的確立，進而找到具有潛力的先導化合物，從而最大程度提升新藥研發效率。與傳統新藥研發管線相比，

基於AI和生物計算的新藥研發管線平均1-2年就可以完成臨床前藥物研究。

靶點識別、先導化合物確定、藥物重定向

被認為是全球AI+新藥研發最具變革意義的研究領域，其中靶點發現和化合物合成是企業佈局的熱門方向。

1、前期研究

前期研究主要是基於文獻分析和知識庫建設，進行疾病機制、靶點、藥物作用方式研究。AI 的應用主要在文獻資料整合分析、新藥研發知識庫建設、新藥研發資料集建設和基準化合物庫設計等方面，可以藉助AI自然語音處理、知識圖譜等技術實現海量資訊的快速提取，從而對推動新藥研發的眾多知識進行聚類分析，幫助提出新的可以被驗證的假說，進而加快新藥研發的程序。

2、藥物發現

藥物發現是關係新藥研發成功率的關鍵環節，主要包括靶點選擇最佳化、先導化合物的發現、先導化合物的篩選最佳化。AI在藥物發現環節的應用聚焦於靶點發現、晶型預測以及候選藥物分子的篩選最佳化。

在靶點發現和驗證方面，可以利用自然語言處理技術檢索分析海量文獻、專利和臨床試驗報告的非結構化資料庫，找出與疾病相關的潛在的、被忽視的通路、蛋白和機制，從而提出新的可供測試的假說，以發現新機制和新靶點。

在晶型預測方面，可以利用認知計算實現高效動態配置藥物晶型，預測小分子藥物所有可能的晶型。如艾伯維（AbbVie）結合晶泰科技的晶型預測等技術，設計了一套新整合模型，能夠以二維結構作為輸入，預測得到分子的熱力學溶解度。相比於傳統藥物晶型研發，採用 AI 技術的製藥企業能更加自如地面對仿製藥企業的晶型專利挑戰。另外，晶型預測技術縮短了晶型開發的時間，能更加高效地挑選出合適的藥物晶型，進而縮短研發週期，控制成本。

在化合物篩選和最佳化方面，要從數以萬計的化合物分子中篩選出對特定靶標具有較高活性的化合物，往往需要較長的時間和成本，可以利用AI技術建立虛擬藥物篩選模型，快速過濾“低質量”化合物，富集潛在有效分子，檢索更快、覆蓋範圍更廣，利用ML 技術，從海量化合物中挑選出高潛力候選藥物，從而減少研發新藥的時間和成本，加速先導化合物的發現和最佳化，以及候選藥物分子的產生。

不過，也有研究指出，使用目前的資料不太可能大幅度地提升

AI

藥物發現的效能，因為目前的資料沒有反映出藥物在體內的情況，所以計算機僅利用這些資料並不能很好地做出決策，尤其是針對複雜的疾病。雖然目前有大量的描述化學特性的資料，這些資料能夠使計算機生成相應的配體，但配體發現不等於藥物發現。

3、臨床前研究

臨床前研究需要開展藥效學、藥動學和毒理學研究以及藥劑學研究，主要是提前預測候選藥物的吸收、分佈、代謝、排洩和毒性（ADMET）在後續藥物開發中起到關鍵作用的性質，評估候選藥物透過臨床試驗的可能性，提高後續臨床試驗的成功機率。在臨床前研究環節，可以利用AI技術提升ADMET性質預測的準確度，以及幫助加速識別新適應證。在藥物ADMET性質研究方面，可利用深度神經網路演算法有效提取結構特徵的預測方式，進一步提升ADMET 性質預測的準確度。

在新適應證拓展方面，一是可以利用 AI 的 DL能力和認知計算能力，將已上市或處於研發管線的藥物與疾病進行匹配，發現新靶點，擴大藥物的治療用途；二是藉助公共領域的公開大資料集資源，可以利用AI演算法，選擇訓練推匯出預測跨目標活動的ML模型，應用於藥物的再利用，實現對現有藥物識別新的適應證；三是利用AI技術透過模擬隨機臨床試驗發現藥物新用途。如有公司透過ML 預測，利用 AI 算法系統性整合疾病、靶點、藥物等多個維度的海量資料，重建藥物-靶點相互作用網路，實現了對藥物-靶點相互作用的全景刻畫，實現老藥新用、在研藥物二次開發、失敗藥物再利用、天然產物開發等。

4、臨床試驗

臨床試驗是新藥研究中週期最長、成本最高的環節，由於患者佇列選擇和臨床試驗期間對患者的監測不力等原因，當前的藥物臨床試驗成功率不高，通常10種進入臨床試驗的化合物中只有1種能進入市場。在臨床試驗環節，可以利用ML、自然語言處理等技術輔助臨床試驗設計、患者招募和臨床試驗資料處理。

AI 輔助臨床試驗設計主要是利用自然語言處理技術快速處理同類研究、臨床資料和監管資訊，以及讀取臨床試驗等資料。使用AI來最佳化臨床試驗設計，使患者更容易參加臨床試驗，消除不必要的臨床操作負擔。AI 患者招募主要利用自然語言處理、 ML 等技術，對不同來源的受試者資訊和臨床試驗方案的入組/排除標準進行識別和匹配，包括醫學資料的數字化、理解醫學資料的內容、關聯資料集和模式識別、擴大受試者範圍、開發患者搜尋臨床試驗的簡化工具等。AI 輔助臨床資料處理主要是利用雲計算強大算力快速處理臨床資料分析並及時調整最佳化整個試驗程序，提升臨床試驗風險控制能力。

AI+新藥研發已進入快速成長期，備受業界矚目，應用AI 技術，可縮短前期研發約一半時間，使新藥研發的成功率從當前的12%提高到14%，每年為全球節約化合物篩選和臨床試驗費用約550 億美元。但其作為新興領域，也面臨著一些挑戰。一是生物學的複雜性，給資料獲取和AI演算法設計帶來巨大挑戰。二是當前的 AI 演算法模型只納入部分化學指標，生物學指標不完整。三是高質量資料制約。我國的醫藥大資料存在資料量少、資料體系不完整、資料標準不統一、資料共享機制不完善等問題。

參考資料：

1、劉曉凡，孫翔宇，朱迅。人工智慧在新藥研發中的應用現狀與挑戰［J］。藥學進展，2021，45（07）：494-501。

2、黃芳，楊紅飛，朱迅。人工智慧在新藥發現中的應用進展［J］。藥學進展，2021，45（07）：502-511。

3、劉伯炎 ， 王群 ， 徐俐穎 ， 等 。 人工智慧技術在醫藥研發中的應用［J］。 中國新藥雜誌 ， 2020， 29（14）： 1979–1986。

4、Wong C H， Siah K W， Lo A W。 Estimation of clinical trial success rates and related parameters［J］。 Biostatistics， 2019， 20（2）： 273–286。

5、Hong R S， Mattei A， Sheikh A Y， et al。 Novel physics-based ensemble modeling approach that utilizes 3D molecular conformation and packing to access aqueous thermodynamic solubility： a case study of orally available bromodomain and extraterminal domain inhibitor lead optimization series［J］。 J Chem Inf Model， 2021， 61（3） 1412–1426。

作者簡介：

小泥沙，食品科技工作者，食品科學碩士，現就職於國內某大型藥物研發公司，從事營養食品的開發與研究。

轉載自CPhI製藥線上