药物发现中的人工智能
药物发现中的人工智能利用机器学习来预测分子行为、设计新化合物，并缩短寻找可行药物通常所需的时间和数十亿时间。
概述
It is reshaping the slowest, riskiest part of pharma.
深入探讨
传统上，将一种药物推向市场需要 10 到 15 年的时间和超过 10 亿美元的资金，而且大多数候选药物都失败了。人工智能攻击了几个瓶颈。在目标识别中，模型挖掘基因组学和蛋白质数据，以找到值得药物治疗的与疾病相关的蛋白质。在热门发现中，生成模型提出具有所需特性的新分子，而虚拟筛选无需实验室合成即可对数百万种化合物进行排名。 DeepMind 的 AlphaFold 预测了超过 2 亿种蛋白质的 3D 结构，为研究人员提供了曾经需要多年晶体学研究的蓝图。 Insilico Medicine 和 Recursion 等公司目前正在人体试验中使用人工智能设计的分子。人工智能还可以及早预测毒性和 ADME（吸收、分布、代谢、排泄），在昂贵的试验之前杀死不良候选者。
技术洞察
分子通常表示为图形（原子作为节点，键作为边缘）并由图形神经网络进行处理，或者作为称为 SMILES 的文本字符串输入序列模型。变分自动编码器和扩散模型等生成方法在学习的化学空间中采样新结构，优化结合亲和力和药物相似性。 AlphaFold 使用在蛋白质数据库上训练的基于注意力的深度学习来预测氨基酸链如何折叠成决定功能的 3D 形状。
战略影响
背景与规则
行业背景决定了人工智能创意能否与现实接触。
质量控制
领域约束会影响可接受的错误率和监督模型。
构建选择
成功的部署使技术能力与一线工作流程保持一致。
人工智能在药物发现中的未来
前沿是闭环自动驾驶实验室，人工智能提出分子，机器人合成并测试它们，结果在几天内重新训练模型。期望通过实验室反馈、人工智能设计的抗体和 RNA 疗法以及跨生物学训练的基础模型来调整生成化学。监管机构正在为人工智能衍生候选人起草指南。艰难的考验仍然是临床试验，其中生物学的复杂性仍然阻碍着预测，因此人工智能近期最大的胜利是更快、更便宜、更明智的临床前决策。
现实世界的实施
AlphaFold 的开放数据库让世界各地的研究人员能够查找预测的蛋白质 3D 结构，以指导药物设计。
Insilico Medicine 将人工智能发现的一种治疗特发性肺纤维化的药物推进到人体临床试验中。
制药团队使用虚拟筛选对数百万个候选分子进行计算排名，只测试实验室中最有前途的分子。
人工智能毒性模型可以预测候选人是否会损害肝脏或心脏，从而在动物测试之前消除危险化合物。
风险与防护栏
监管要求可能会使原本强大的原型失效。
历史数据可能会编码损害特定社区的偏见。
遗留系统可能会造成集成瓶颈和隐性成本。
实施路线图
让领域专家参与从问题框架到评估的整个过程。
在启动前设计审计跟踪和文档。
尽早验证合规性和安全义务。
分阶段推出，并具有明确的停止和回滚标准。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Drug Discovery quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is AI in Drug Discovery?
药物发现中的人工智能利用机器学习来预测分子行为、设计新化合物，并缩短寻找可行药物通常所需的时间和数十亿时间。它正在重塑制药行业最慢、风险最高的部分。
DeepMind 的 AlphaFold 在帮助药物发现方面取得了哪些成就？
AlphaFold 使用深度学习大规模预测蛋白质 3D 结构，为研究人员提供了之前需要多年实验的结构蓝图。
机器学习模型中分子通常如何表示？
分子本质上是由图神经网络处理的图（原子=节点，键=边），或者编码为序列模型的SMILES字符串。
什么是人工智能药物发现中的“虚拟筛选”？
虚拟筛选使用模型在计算机上对巨大的分子库进行评分，因此只有最优秀的候选者才会在实验室中进行制造和测试。
为什么早期预测 ADME 和毒性如此有价值？
对吸收、代谢和毒性的早期预测可以在昂贵的动物和人体测试之前杀死不良候选者，从而节省时间和金钱。
哪些生成式人工智能技术用于设计新颖的分子？
VAE 和扩散模型等生成模型从学习的化学空间中采样新结构，优化所需的特性。