爱吃番茄酱
人工智能可大大缩短新型重症药物的研发周期
开发新药绝不是一件容易的事。平均而言，新型药品的开发工作需要耗时十年，且研发成本高达26亿美元——只有这样的巨额投入之下，药物才能由实验室真正走向市场。而由于其安全性及有效性的不确定性，最终往往只有约5%的实验性药品能够被实际投放市场。
不过药物制造商与各大科技企业正投入数十亿美元以建立人工智能解决方案，希望借此加快药物发现速度并降低药物成本。
华盛顿州雷蒙德市微软研究实验室主任Eric Horvitz在近期于德克萨斯州奥斯汀市召开的美国科学促进会年会上指出，“我认为人工智能堪称医疗卫生领域的沉睡巨人。”他解释称，微软公司正积极投资人工智能技术以推动药物设计与药理学研究，研究药物如何在体当中发挥作用，并将这项技术描述为“巨大的机遇”。
微软公司绝不是惟一在人工智能技术身上押下重注的厂商。截至2月底，位于多伦多的生物技术企业BenchSci已经发布统计结论，发现目前已经有16家制药公司以及60多家初创企业在利用人工智能技术进行药物开发。
最大的瓶颈
众多最具发展雄心的人工智能组织——包括ATOM私营-公共财团——希望能够将这一过程由原本的四到六年周期缩短至一年之内。
由于只有5%的实验性药物能够最终被投放市场，因此人工智能技术的引入将有助于改善周期漫长且以劳动密集型为主的药物发现过程。
当然，这项崇高的目标暂时还未能达成。不过总部位于伦敦的欧洲最大私营人工智能企业BenevolentAI公司表示，一旦确定了有望攻克的疾病目标，那么此项技术的引入将能够显著减少候选药物所需试验数量与错误量。到目前为止，该公司估计其能够将相关研发成本降低60%，并将药物的研发时间由原本的三年缩短至一年。
提前预测失败
由于成功开发出新药的可能性极低，因此制药业已经习惯了这种“几乎总是以失败告终”的状况。但英国葛兰素史克公司新近于巴尔的摩建立的AI药物发现部门负责人John Baldoni表示，人工智能检测方法能够有效清除部分候选药物，同时提取其中的有价值数据以推动其它项目的发展。
BenevolentAI公司已经扩大了其研究规模，其中涉及20多种针对罕见型癌症、炎症、神经退行性疾病以及中枢神经系统疾病的药物研发计划。在接受NBC新闻的采访时，该公司董事长Ken Mulvany表示，他们所使用的计算机经过训练以了解生物医学语言，并能够在人体之内找到药物、疾病以及蛋白质之间存在的神秘关联。
前景与挑战
当然，并不是所有人都相信人工智能技术会改变药物的开发前景。
哈佛大学化学家Alan Aspuru-Guzik博士曾经开发出面向材料科学的人工智能应用，而目前其正转向药物研发领域。在他看来，这一领域确实充斥着大量炒作气息。尽管如此，他认为“脾气暴躁”的反对者们显然忽略了他在这方面付出的努力，而真正的从业者也不会受到影响。他表示，“在不同领域之间的边界位置，总会出现众多令人兴奋的新生事物，而摩擦也将同样不可避免。”
目前的一大主要挑战，在于如何收集充足且可靠的信息来正确训练沃森以及其它人工智能系统。Aspuru-Guzik指出，“人工智能的实际质量取决于数据质量。”
基于他自己设计的、用于工业类分子应用的人工智能策略，他解释了应如何立足药物研发领域对计算机进行更好地训练。首先，他将数十万种类似药物的分子信息输入到AI算法当中，以帮助其学习各类分子间的共通性特征。最终，计算机将变得足够聪明，从而自行预测新药的结构表达。
他指出，“没错，人工智能会无数次预测出垃圾结果。”然而，科学家们可以设计出对应方法以排除那些无用的预测，并奖励好的预测结果，从而训练计算机并不断提升其准确性水平。
目前受到广泛关注的生成对抗网络(简称GAN)方法就是在两套人工智能网络之间建立一种竞争机制。其中的发生器网络负责猜测药物分子，而鉴别器网络则对每一项猜测结果作出对错判断。Aspuru-Guzik表示，“刚开始，这两套网络都愚蠢得不忍直视。但随着时间的推移，两套网络会相互学习并同时变得更加聪明。”
当然，计算机仍然会被人类所愚弄，这一点相信对于GPS导入死路或者因临时封道而无法前进的用户们可谓深有体会。在Aspuru-Guzik看来，人工智能会提升人类的能力，但绝不会取而代之。他总结称，“人工智能会给我们带来新的超能力，但最终仍将由人类对其进行控制与使用。
科技行者
我们先来看一个数据，据塔夫特药物发展研究中心（Tufts Center for the study of Drug Development）的数据，一款新药的面市从药物发现到获得FDA批准平均大约需要97个月。
另外，德勤的数据显示，自2010年以来，12家主要制药公司的获批药物开发成本已经增加了33%，至约每年16亿美元。
从这些数据中，我们看见的是药物研发所花时间、资金的成本之高。而从本质来讲，人工智能、机器学习算法的加入有利于药物研发时间的缩短。
在药物研发的早期阶段，人们利用计算机上的分子对接软件模拟目标靶点与候选药物之间的相互作用，从而计算两者之间的亲和力大小，以降低实际筛选化合物数目，同时提高先导化合物发现概率，也就是我们所说的虚拟筛选。目前，人们常用的虚拟筛选方法是“高通量筛选”。
在高通量筛选中，让机器人在同一时间进行上百万次试验，以找出最具潜力的目标化合物，提高要药物发现的“命中率”。之后，将这一结果进行进一步的深度优化，未进入临床前药物开发过程做好准备，如此才能算是进入第一阶段。不过，令人较为失望的是，这一套流程下来，时间过去了1到3年，成功率却仅仅只有20%。
现在，一些人工智能团队正在试图用深度学习算法来开发一个新的虚拟筛选技术，用以替代或是增强现有的高通量筛选。并提高筛选的速度和成功率。比如谷歌和斯坦福，他们的研究人员正意图通过应用深度学习，实现跨越多个靶点的众多实验的信息共享。
如若成功，这一项目将在进一步提高数据处理速度的基础上同时提高药物发现的成功率，最终，以往需要1到3年的工作时间也将大大缩减。 
镁客网
帮助药物研发团队简化一些初始工作，同时还可以对化学分子的反应与结合进行模拟，并且在进行模拟的过程中还会不断自我学习，丰富自己的数据库。
构建临床研究套件，包括临床试验数据采集系统、CRF电子化设计系统、临床研究项目管理系统、随机和药物管理系统、药物警戒系统。该套件产品主要适用于药物、医疗器械及疫苗的临床试验过程中产生数据的采集、管理、审查及归档。可以帮助企业用户在临床试验阶段通过数据管理对试验进行全程把控，在审查中规避数据层面的风险，同时也可以提升临床试验的效率，降低成本。
存储医药大数据和构建主要的人工智能套件，主要包括DATApower(数据及数据管理系统)、MEDpower(人工智能药物研发)。“这部分主要是利用大数据分析和人工智能技术来帮助提高药品精准营销和药物研发的水平。云势软件希望用信息技术、大数据数据技术、人工智能技术，辅助药企客户加快研发进程，提高销售业绩。
科普星球
另一项挑战就是成本，在制药行业数据点是非常昂贵的，为此科学家将一类计算机视觉算法、单点学习的算法进行调整，使其适用于药物研发，最终得到一种可以根据非常少的数据来对药物属性进行测算的算法。
展望未来，深度学习和AI算法，以及硬件和软件的发展都有望对药物研发产生重大影响。理论上小分子药物的种类可以达到10的60次方之多。
但是，只有到AI真正能提高药物研发的成功率时，AI技术才能成为生物药物研发的主导，到目前为止生物信息学并没有提高药物研发的成功率，使得一些大公司对AI的巨大潜力心怀警惕，只有当医药领域有过用用AI技术成功的案例后，整个行业才会真正引入AI。
游戏秘密
个人觉得可能是通过一系列的科学实验论证，再投入到实际的药物研发中。
