人工智能,真正的解决方案:AI如何加速药物发现

新药发现的速度在下降,与药物被批准用于临床的数量每花费几十亿美元减半自1950年以来每9年。理性的计算机辅助药物设计的出现被誉为药物发现的新黎明与能力模型——潜在的药物靶点,药物甚至他们行为的系统,它只是一个时间问题新药迅速通过管道诊所。而这些在硅片的方法无疑辅助药物发现,他们并没有带来彻底变革成功的候选药物预期。的最新的希望为制药行业革命的形式人工智能(AI)的方法。大型制药公司投资,许多创业公司也在人工智能跟踪开发技术,可以发现新的药物更快、更便宜。为市场带来药物的成本大致估计约26亿美元,超过10年,这在药物发现技术是急需的。但这是计算机辅助药物设计是一个夸张的定时炸弹等着被发现?还是真正的尖上的一场革命,实现它的承诺?

什么是人工智能?

人工智能是计算机软件学习的能力,而不是仅仅是预先编程,以执行指令执行。在药物发现这可能意味着看图书馆潜在的药物化合物和确定从先前成功的候选人在其他疾病分子将工作的一个新问题。人工智能有多种形式,但是机器学习和自然语言处理是两个帮助药物发现科学家发现新药的候选人。机器学习是人工智能的一种形式,系统从数据来确定模式和决策基于这些模式,而自然语言处理是指计算机系统能够“阅读”和使用书面信息。教授Wlodzislaw杜赫,尼古拉斯·哥白尼的理论物理和信息学教授大学波兰,解释说,“机器学习有很大的进步,它给真正希望加速药物发现。目前,计算模型的药物及其交互网站使用人工智能,但是也有可能控制实验的实验室和大型实验以自动方式运行。”

人工智能可以帮助在药物设计如何?

计算能力已经被用于药物发现的援助自1980年代以来,但在人工智能这主要形式的虚拟筛选,分子建模和预测可能的候选药物的权利属性是无毒的。这个过程基本上丢弃的候选药物对于那些最有可能成功,这意味着之后——更加昂贵和耗时的步骤在临床前测试还没有完成分子可能工作。

人工智能的区别在于训练后性质已知的化合物库,它可以学会让自己联系,告诉我们哪些分子可能成功所需的应用程序。

信息学的总经理David王PerkinElmer解释说,“有三个感兴趣的特定领域,人工智能和机器学习可以应用;目标识别、铅优化和筛选候选药物。目标识别需要进一步验证和/或细化的通道地区铅标识和/或复合筛选。铅优化包括协助模拟算法,如模拟结构、毒性、绑定和药物可用性。筛选候选药物使用图像或模式识别的算法非常高的内容或高吞吐量的屏幕来帮助科学家在大量数据中辨识出罕见的或不明显。”

研究机构已经在药物设计中使用人工智能

AI不再仅仅是一个科幻小说,而且已经是几个令人兴奋的活动的支柱。IBM华生第一次被开发成一个问题回答工具,著名的人类击败了冠军的游戏节目危险在2011年。IBM华生后来合作辉瑞在2016年他们的药物发现研究。软件使用机器学习和自然语言处理等人工智能技术,和辉瑞使用IBM Watson来识别他们的新目标immuno-oncology研究。在这种情况下,人工智能技术可以帮助科学家筛选大量的数据。随着信息候选药物的化学性质和目标,IBM Watson可以使用信息从文学了2500万年Medline摘要在它的系统。利用这些信息,它可以使连接的一组科学家不太可能。

GNS医疗与基因泰克,罗氏集团的一员,为药物发现使用机器学习。他们的重点是使用人工智能发展个性化医疗方法。制药大排水管道是发现一些药物仅适用于某一群人,有时是因为他们的基因,有时甚至是他们的微生物组。GNS希望AI能够预测哪些子组将如何应对省钱的治疗,使药物只有在那些将受益于使用它们。

应用前景

尽管这些人工智能软件程序的承诺,AI-assisted治疗尚未诊所。BenevolentBio是一个人工智能启动,他希望改变,而且已经使用他们的自然语言处理软件找到的候选药物减少症状神经退行性疾病的肌萎缩性脊髓侧索硬化症(ALS)的老鼠。平台包含信息从病人记录,临床试验,研究文献和专利,可以推断出潜在的药物候选人之间的关系,疾病,和更多的基因预测哪些药物类疾病的分子会工作。

杜赫教授将AI扩大药物发现的潜力,”一个方向AI可能在量子计算机的使用,和神经形态计算。经典计算还应该导致很大的进步,建筑模型过于复杂的生物过程对人类了解详细。例如,BioCyc(一个在线工具,允许基因组和代谢途径的分析和预测)收集数据策划从成千上万的出版物。当你考虑这个问题,没有替代人工智能。”

夸张的?

人工智能没有快速解决解决制药行业的问题。虽然有成功的故事,一些专家想知道如果它是另一个宣传培训的道路上。如果科学家可以有机会继续发展人工智能的一些技术。如果不是,它可能只是代表另一个小步,帮助科学家在他们的药物发现的追求,为计算机辅助药物发现。

杜赫教授认为:“人工智能实现其潜在的我们需要一个组合模型基于文献的数据,计算技术和自动化的实验室,即硬件、软件和数据库的控制下的人工智能系统。另一个因素是需要更好的phenomics(了解表型性状的变化与环境或其他因素)——在许多水平研究领域的标准(计算框架集成的信息分子行为更好地理解人类行为)NIMH仍远未完成,所以很难预测分子水平是如何耦合的生理和行为。”

无限的潜力

如果人工智能技术可以开发选项几乎是无限的。一个真正的人工智能技术可以像人类的大脑一样思考,但更大的能力,保持整个系统的人类生物学和疾病的“头脑”,与所有的科学文献中的信息。我可能这两种资源来找到最好的治疗选择和个人对于任何给定的疾病。王总结道,“继续计算机能力的进步将允许科学家继续建立和扩大现有模型,进一步提高综合规划软件的采用,规模更大。人工智能和机器学习景观在制药公司都取得了巨大的增长在过去5 +年,预计这种增长只会继续为功能扩展”。