AI+药物国际研究热门方向

捕捉生物医学大数据的价值

目前研究人员正在开发计算方法，以确定与疾病相关的基因，或预测参与疾病因果关系的蛋白质，从而寻找潜在的可操作的治疗靶点。第一步，是在相互连接的基因或蛋白质的大规模网络中，体现特定疾病中失调的分子途径。这些网络是由蛋白质–蛋白质相互作用（PPI）建立的，或通过推理技术重建的，如相关或贝叶斯网络。这种表示方法可以划定与疾病相关的子网络模块，作为进一步计算分析其内在拓扑结构的基础，以确定被预测为 “因果“的节点（包括，例如，主调节器、枢纽和驱动突变）。特别是，网络传播算法通常用于放大那些很少或没有疾病相关直接证据的节点的信号。如上所述，主要的计算挑战涉及从不同层次获得的多层网络的整合，以及大规模动态信息的表示。

除了生物相关性外，还应考虑其他方面，以确定考量疾病靶点的优先次序，如” Open Targets initiative”倡议的那样。(i) 可药性（即能够用小型合成药物或生物药物或任何其他治疗方式来调节靶点的功能的可能性）；(ii) 干扰该靶点时的潜在安全影响；(iii) 利用自然语言处理（NLP）技术从专利和文献中挖掘记录的创新性；以及(iv) 药物开发的可行性。确认靶点的可药性大大受益于三维结构建模的进展，包括最近DeepMind的AlphaFold算法，就是基于主要氨基酸序列，改进蛋白质结构预测。 

使用网络计算方法对疾病的因果关系进行推断而确定的候选靶点，需要在湿式实验室实验产生的经验证据基础上进行验证。这一验证（例如，CRISPR-Cas9基因缺失或siRNA基因沉默）步骤，包括对来自患者的细胞或组织的靶点表达（相对于健康对照）表型评估，或在动物模型中进行功能检测，在使用计算预测模型时可以大大简化。因此，与药物发现相关的成本和时间都减少了，同时加强了在进入临床开发前选择候选靶点的理由。

近年来，越来越多的企业布局AI+ 新药研发，探索如何用 AI 技术实现新药研发的降本增效。据Deep Pharma Intelligence 统计，截至 2020 年， 全球共有 240 家 AI+ 新药研发企业，主要分布在美国、英国和加拿大，国内也有一些从事此类工作的企业。目前，探索 AI+ 新药研发的企业主要有三类：一是 AI 药物研发创新企业，如Exscienta、BenevolentAI、Atomwise、Relay Therapeutcs、晶泰科技、燧坤智能等；二是 IT 巨头，如 Google、微软、腾讯、阿里巴巴集团等；三是大型制药企业，如罗氏、阿斯利康、强生、葛兰素史克（GSK）等。