近年来，人工智能（AI）已经被广泛应用于多个行业，彻底改变了社会生活的许多领域。在制药这一传统行业，AI也已经有了诸多应用。AI逐渐应用于药物发现的靶点发现，虚拟筛选，化合物设计与合成，ADME-T性质和理化性质预测，药物临床试验设计、管理、患者招募，药物警戒应用和真实世界证据生成等多个流程和环节。那么，AI应用于制药的逻辑是什么？AI会如何改变药物研发？如何应对制药行业的效率挑战？本文分为上下篇，本篇重点介绍AI在制药行业多场景中展开及面临的挑战。制药受困从制药行业的困境说起。在过去的数十年里，许多科学、技术和管理因素都取得了巨大进步，这有助于提高药物研发的生产率（RD）。然而，自年以来，每10亿美元研发投入获得批准的新药数量几乎每9年减少一半，该趋势在60年间非常稳定，被称为制药行业的反摩尔定律（Eroom’sLaw）。新药的开发成本越来越高，药物研发面临着严重的生产力危机。对于反摩尔定律主要有三种解释，即低垂果实假设（好摘的果子被摘走了）、监管障碍假设（新药申报的监管要求不断增高）、研发模式问题。前两种解释都是客观事实难以改变，那么，是否有更好的药物研发模式？这是制药行业一直在思考的问题。制药行业在遭遇生产力困境的同时，也面临着数据困境。随着全社会数字化信息化的快速推进、药物研发设备的升级和长期的积累，可用的药物研发数据越来越多，以至于在一定时间范围内无法使用常规方法和软件工具分析和处理所有数据。传统的统计学在浩瀚的大数据面前越来越力不从心。制药企业正在经历数字化转型，大量的数据产生。于是，日益增长的数据处理的需求，与现有数据分析能力之间的矛盾，推动制药行业寻求新出路。AI的橄榄枝年3月，AI程序AlphaGo大胜韩国著名棋手李世石，是AI发展历史上的里程碑事件。这一事件加快了AI在社会生活多个领域的探索和应用，也让制药行业看到了提高药物研发生产率的希望。年后，AI在制药行业的技术测试大量开展。实验科学不再是唯一选项，以数据为中心的药物发现逐渐走上舞台。在随后的几年时间里，AI制药逐渐升温，概念验证研究持续不断、大量的资本涌入AI驱动的生物技术初创公司、制药公司与AI生物技术公司和AI技术供应商之间的合作越来越多。一些领先的制药公司的高管认为，AI不仅仅是一个先导化合物发现的工具，而且是一个促进生物学研究、发现新的生物靶点和开发新的疾病模型的更通用的工具。AI在制药的多场景中展开数年间，AI已经被尝试应用于药物研发的几乎所有流程和环节，主要有以下方面：靶点确认。靶点确认是药物开发中的关键步骤，也是最复杂的步骤之一。目前已知的药物靶点绝大多数为蛋白质，通过机器学习的方法，从蛋白质原始信息中提取特征，构建准确稳定的模型进行功能的推断、预测和分类，已经成为靶点研究的重要手段。从患者的样本中、海量的生物医学资料中提取基因组学、蛋白质组学、代谢组学等多组学数据，借助深度学习来分析非疾病和疾病状态之间的差异，也可用来发现对疾病有影响的蛋白质。基于表型的药物发现。在过去的三十多年里，基于靶点的药物发现都是药物发现的主要方法。近年来，基于表型的药物发现（直接使用生物系统进行新药筛选）受到

转载请注明:http://www.aideyishus.com/lkjg/8088.html