“口碑爆棚的影片《我不是藥神》，讓醫療、醫藥等敏感話題重回公眾視線。正如影片所說，“世界上只有一種病，就是窮病。”吃不起高價藥，就只能等死了嗎？如果使用人工智能進行藥物研發，是不是可以減少藥物研發的鉅額投入呢？”
截止到目前，《我不是藥神》的票房已經突破22億。影片中白血病患者群體傾家蕩產，為了能省點藥費，不惜嘗試各種仿製藥，鋌而走險。有的到處尋找仿製藥延續生命，有的放棄治療或自殺，選擇死亡，他們面對的是生與死的選擇。
很多人在影院哭完之後，開始罵專利藥不顧人性命，定價昂貴，也有人表示專利藥收取高額費用，才能投入更多資金更好地進行藥物研發。
美國衛生及公共服務部的最新研究顯示，每種新藥的研發成本通常在1.61億美元到20億美元之間，平均耗時7年半，在臨床試驗階段，還很難招募到合適的病人。
不容否認，一種新藥，尤其是“特效藥”、“專利藥”的研發，一旦面世將是諸多患者的福音，然而高昂的售價卻讓老百姓吃不起藥。值得慶幸的是，AI也許能夠降低研發成本，一步步成為新的“藥神”。
AI正在加速藥物研發 結果尚需時間檢驗
新藥研發週期長、成本高已經成為行業的大痛點，而AI在新藥發現、安全性、有效性測試等方面，正在全面加速新藥研發的效率。
在最近兩年的時間裡，全球各大藥企巨頭已經開始與醫療AI創業類公司合作，選擇用AI技術加速藥物研發。比如，阿斯利康與BergHealth，強生與Benevolent AI，默沙東與Atomwise，武田製藥與Numerate，賽諾菲和葛蘭素史克與Exscientia，輝瑞與IBM Watson，輝瑞與晶泰科技等都達成了合作關係。
2015年，默沙東與美國的Atomwise合作，其開創性的AtomNet技術平臺能像人類藥物化學家一般邏輯思考，它每天使用強大的深度學習算法和超級計算機工具分析數百萬的潛在療法，從而加快藥物研發進程。主要針對的是新藥的有效性和安全性預測。
2016年，美國強生公司與英國BenevolentAI達成合作，進行新藥研發。BenevolentAI 是目前歐洲最大的AI初創公司之一，在全球排名前五，BenevolentAI的技術平臺名為JACS(Judgment Augmented Cognition System，判斷加強認知系統)，該系統可以從海量的散亂無章的信息中，提取出能夠推動藥物研發的知識，提出新的可以被驗證的假說，從而加速藥物研發的過程。
2017年，葛蘭素史克公司（GSK）與Exscientia達成合作。Exscientia作為蘇格蘭的一家初創公司，主要業務是利用AI進行藥物研發指導。該公司的AI系統，只需相當於傳統方法四分之一的時間和成本，即可完成新藥候選。雙方合作之後，Exscientia將利用其AI藥物研發平臺為GSK進行10個創新小分子藥物疾病的靶點開發。
此前，Exscientia 與賽諾菲達成合作協議，共同開發治療糖尿病及其併發症的雙特異小分子藥物。雙方已選擇了45個代謝病靶點，約1000種雙靶點組合，目標是設計出分子量小於500的雙靶點藥物。
目光轉回國內，2018年5月，以算法驅動創新的AI醫藥研發公司晶泰科技宣佈與輝瑞製藥簽訂戰略研發合作，融合量子物理與人工智能，建立小分子藥物模擬算法平臺，顯著提高算法的精確度和適用廣泛度，驅動小分子藥物的創新。在這一基礎上，平臺還將實現對藥物若干項關鍵性質的準確預測，進一步賦能藥物發現與發展中的重要環節。
2018年6月，美國新一代人工智能公司Insilico Medicine宣佈與中國醫藥研發服務行業龍頭藥明康德簽署一項合作協議。根據協議，Insilico Medicine公司使用其獨有的生成對抗網絡和強化學習等新型算法，生成的新藥研發管線將在藥明康德的新藥研發服務平臺上進行測試。
從目前來看，人工智能主要作用於藥物研發主要有七個場景：靶點藥物研發、候選藥物挖掘、化合物篩選、預測ADMET性質、藥物晶型預測、輔助病理生物學研究，以及發掘藥物新適應症。
根據Tech Emergence的研究報告，AI可以將新藥研發的成功率從12%提升至14%，這2%意味著能夠為生物製藥行業省下數十億美元的研發成本和大量的試錯時間。
但是，不容否認的是：AI藥物研發一定是一場持久戰。目前世界上並沒有AI藥物研發的成功案例，人工智能研發的藥物也並沒有被批准上市。
目前發展較好的國外企業應用AI研發的新藥已進入二期臨床，但是二期到三期的失敗率高達70-80%。輝瑞、羅氏、GSK等巨頭紛紛下注AI公司，目前發展還需要時間檢驗。
形勢大好的AI製藥 存在哪些挑戰？
儘管看起來形勢大好，AI+製藥仍存在不小挑戰。比如，如何獲取與藥企的合作，怎麼擁有海量的靶點以訓練算法等。畢竟，相比醫院，藥企的藥物研發流程和數據更“機密”。
當前製藥人工智能面臨的首要問題，還停留在數據層面。美國的醫療人工智能產業界已經有一些比較成功的案例，而中國目前卻沒有。反思來看，與數據有很大的關係。
國內醫療機構大體上還處於比較分散的狀態，數據標準化、結構化程度都很低，並且相對不完整，醫院之間的互聯互通做的也不好。在中國，還沒有辦法取得一個病人全面的歷史數據。
在採集數據的過程中，醫師的手法也會直接影響到模型的效果。另外，在病理、心電等領域，各廠商基本都是遵循自己私有的數據格式，而優質數據集的積累這一問題需要醫院、藥企的共同協同，才能解決這一“燃料”問題。
同時，製藥行業的專業門檻也很高。藥物研發流程涉及約20個功能模塊，即使是某個模塊的專家，對其他模塊的業務也只能瞭解大概。這造成了AI+製藥的另一個挑戰——醫藥和AI人才的有效融合, 即AI團隊能夠理解並解決醫藥團隊所看到和描述的行業痛點。
在人才方面，AI+新藥研發領域需要垂直領域的專家參與才能有所突破。既需要物理學家、藥物學家、又需要人工智能科學家、計算機領域工程師等跨學科人才。通過在交叉領域人才和經驗的積累，才更容易獲得突破性的思路和好的成果。
AI製藥存在非常大的可能性，如果技術能夠有效縮短藥物研發的效率，提高研發上市成功率，那麼藥物研發的成本就會大幅度降低，這樣可以大幅度減輕國家醫保負擔，“平價藥”也將成為可能。對於AI+新藥研發來講，AI應該是值得等待的“藥神”。
閱讀更多 科技雲報道 的文章
