为什么人工智能正在成为癌症药物发现的有力工具

人工智能不再仅仅是药物开发的辅助工具。这篇论文展示了它如何帮助建立更快、更智能、更个性化的癌症治疗方法，同时也揭示了仍然存在的科学和监管障碍。

在最近发表在《BJC报告》（BJC Reports）杂志上的一篇Perspective文章中，一组作者研究了人工智能（AI）如何重塑药物发现，并将其转化为精准肿瘤学。

背景

如果拯救生命的抗癌药物可以在几个月内而不是几十年内被发现，那会怎么样？通常，药物开发需要10年以上的时间，而且价格昂贵，这使得患者很难及时获得新药。然而，人工智能的最新进展可以帮助加速识别有希望的候选药物，改善患者分层，并提供更多关于某些患者对治疗反应的预测信息。数据偏差、监管不确定性和临床验证不足限制了人工智能的使用。为了最大限度地发挥其潜力，需要进行更多的研究，以确保安全、公平和临床有意义地实施人工智能驱动的疗法。

转向人工智能驱动的药物开发

药物发现传统上依赖于漫长的实验过程，其特点往往是失败率高，成本不断上升。因此，在肿瘤学中，肿瘤异质性、治疗耐药性、克隆进化和生理复杂的疾病生物学带来了一些挑战。利用人工智能解决这些挑战，通过计算建模、预测分析和自动化化合物设计为研究人员带来了新的机会。

这一转变的一个重要里程碑是，人工智能生成的小分子药物已经进入临床试验阶段。例如，使用生成式人工智能设计的肿瘤坏死因子受体相关因子2和nck相互作用激酶（TNIK）抑制剂在人体研究中显示出安全性、耐受性和靶标参与的药效学证据。重要的是，这项试验是在特发性肺纤维化而不是癌症中进行的，但它提供了一个与肿瘤学方法学相关的早期翻译参考点。

人工智能疗法的例子

人工智能现在是早期临床治疗应用的一部分。例如，生成式人工智能衍生化合物INS018_055目前正处于II期临床研究，重点是治疗纤维化疾病。一种免疫肿瘤药物（EXS21546）已通过人工智能增强，以抵消肿瘤微环境中的免疫抑制。最后，通过基于计算机算法的分析，化合物巴西替尼最初是用于治疗类风湿性关节炎的，但后来被重新用于治疗2019冠状病毒病（COVID-19）。

这些案例显示了主要的优势，包括通过自动化靶标识别和化合物优化来加速早期药物发现，通过在实验室测试前预测毒性和脱靶效应来降低失败率，最后，通过选择合适的患者和使用生物标志物来提高临床试验的成功率。

人工智能成功背后的技术驱动力

药物发现中的人工智能受益于几项技术进步。例如，预测蛋白质结构的新技术，包括那些模拟复杂生物分子相互作用的技术，提供了对药物如何与其靶标相互作用的更详细的了解。这使得科学家们能够制造出更有效、更精确的药物。

通过自我监督学习（SSL），人工智能可以从大量未标记的数据集中找到有用的模式。这在肿瘤学领域尤其有价值，因为有大量的基因组和多组学数据，但往往缺乏注释。SSL能够识别新的药物靶点和疾病机制。

联合学习允许机构在不共享敏感患者数据的情况下进行协作。它可以帮助保护隐私，同时提高模型的普遍性，这对于开发在不同人群中有效的治疗方法非常重要。

减少实验负担和伦理问题

人工智能有可能减少对传统实验室和动物实验的依赖。计算工具可以模拟候选药物可能表现的关键方面，并预测身体如何代谢药物，通过吸收、分布、代谢、排泄和毒性（ADMET）模型评估毒性。

使用“数字双胞胎”在虚拟病人身上测试药物，可以模拟个体对正在开发的治疗方法的反应。这可能有助于完善个性化的治疗策略，并可能减少不必要的早期实验，尽管这些方法仍然需要经验验证。

临床翻译面临的挑战

人工智能驱动的药物发现的一个主要问题是通用性，因为人工智能是在特定数据上进行训练的，可能在不同的患者身上表现不佳。人工智能生成的疗法要获得监管部门的批准和临床接受，它们的决定必须明确，在生物学上是合理的。临床医生和监管机构需要了解这些系统是如何得出结论的。

另一个挑战是，有偏见的人工智能训练数据可能导致不公平的医疗结果，并增加患者之间的差异。确保数据的多样性和纳入减轻偏见战略是实现公平护理的重要步骤。

监管的分散也是一个巨大的挑战，因为不同的国家对验证人工智能模型有不同的标准。需要在验证、再现性、数据互操作性和监测方面制定更统一的标准，以加快批准过程。

人工智能和精准肿瘤学的未来

通过整合多组学数据，包括基因组学、转录组学、蛋白质组学和代谢组学信息，人工智能在推进精准肿瘤学方面具有独特的优势。这种整合允许更准确的疾病分类和个性化治疗策略。

人工智能还可以帮助解释实时临床数据，包括循环肿瘤DNA (ctDNA)，以跟踪进展和早期发现耐药性；因此，它可以通过根据更新的数据不断调整患者的治疗方案来支持适应性治疗策略。

人工智能的发展还得到了联合验证和自适应临床试验设计的帮助，通过从现有数据中持续学习和改进治疗策略以适应实际患者需求，实现了可扩展的基于人工智能的方法。

结论

《展望》表明，人工智能驱动的药物发现已经从理论潜力转向早期临床现实，具有安全性、靶向性和初步疗效的证据。然而，这些进展只是初步的可行性，而不是最终的验证。持续的临床影响将需要将计算模型与实验和临床验证相结合的混合框架。

如果这些方法要帮助加速、改进和个性化癌症治疗，从而改善未来的患者护理，解决人工智能可靠性、公平性和监管治理方面的限制将是至关重要的。

参考文献

Precision oncology in the age of AI: lessons from AI-driven drug discovery and clinical translation