近年来，AI被广泛应用于多个行业，给社会生活带来很大改变。在制药行业，AI也有诸多应用。如，应用于药物研发的靶点发现、化合物设计与合成、ADMET（药物的吸收、分配、代谢、排泄和毒性）性质和理化性质预测、药物临床试验设计和管理、药物警戒应用及真实世界证据生成等多个流程和环节，大大提高了药物研发效率。那么，AI应用于制药的逻辑是什么？AI如何改变药物研发？这需要从制药行业的困境说起。制药困境过去数十年，许多科学技术和管理因素都取得巨大进步，对提高药物研发生产率起到积极的推动作用。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，该趋势在过去60年间非常稳定，被称为制药行业的反摩尔定律。这一现象导致新药开发成本越来越高，药物研发面临严重的生产力危机。关于反摩尔定律主要有3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提高）及研发模式问题。前两种解释都是客观事实，难以改变，那么，对于第三种解释，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，也面临数据困境。随着数字化信息化快速推进、药物研发设备不断升级及研发数据长期积累，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药物研发大数据面前越来越力不从心。日益增长的数据处理需求，与现有数据分析能力之间的矛盾，推动制药行业寻求新的出路。多场景应用年3月，AI程序AlphaGo大胜韩国棋手李世石，是AI发展史上的里程碑事件。这一事件加快了AI在诸多领域的探索和应用，也让制药行业看到了提高药物研发生产率的希望。此后，AI在制药行业的技术测试大量开展，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”：概念验证研究持续开展，大量资本涌入AI驱动的生物技术初创公司，制药公司与AI生物技术公司、AI技术供应商之间的合作越来越多……一些领先的制药公司认为，AI不仅是一个先导化合物发现工具，还是一个促进生物学研究、发现新的生物靶点、开发新的疾病模型的通用工具。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，主要有以下几个方面：一是靶点确认。靶点确认是药物开发的关键步骤，也是最复杂的步骤之一。目前已知的药物靶点大多为蛋白质，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推断、预测和分类，已成为靶点研究的重要手段。从患者样本及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，借助深度学习分析非疾病和疾病状态的差异，也可用来发现对疾病有影响的蛋白质。二是基于表型的药物发现。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/lkzp/8152.html