当前位置: 首页 >> 基本常识
人工智能遇上新药研发,它能给医药行业带来什么?
  
  来源: www.fsmcgy.cn 点击:1280

姚明康德媒体4天前我想分享

康德明明/报道

两年前,只有大约30家初创企业使用人工智能(AI)进行药物研发,目前这一数字已飙升至148.虽然这一统计数据不完整,但它反映了人工智能在药物研究中的快速发展。发展。今年,美国着名的硅谷银行(SVB)推出了其在数字健康领域的首个投资统计数据。今年上半年,该领域的投资额达52.6亿美元,超过2017年的总投资额,2019年的总投资额预计将超过100亿美元。可以说,AI技术的成熟出现在制药行业发展的关键节点中。由于新药目标和机制越来越少,制药公司需要更多的投资和精力来生产与以前相同的“一流”药物。克服这一障碍的方法包括提高研发效率,深入挖掘现有数据以发现新的见解。 AI可以做到这两点。然而,资深行业人士也表示,虽然人工智能正在快速发展,但我们需要提醒AI,研究方向是否有偏见。关于人工智能能力的过度炒作可能会给这个领域带来“人工智能冬天”。今天,耀明康德的内容团队将根据公共信息探索人工智能在药物研发方面的潜力和局限性。

照片来源:例如

理解复杂的规则

给定足够的数据,机器学习算法可以从中找到模式,然后使用它们进行预测或对新数据进行分类。它们在这方面的表现远远超过任何人。当代药物开发团队面临的挑战是需要系统地分析大量数据,这些数据不仅仅是人脑可以完成的。 AI尤其擅长处理复杂规则和分析大量数据。麻省理工学院(MIT)的科学家,Janssen的科学顾问Regina Barzilay博士说:“例如,当我们研究化学时,我们学到了很多规则并理解了化学反应的机理,但有时这些规则非常非常复杂。如果我们能为计算机算法提供大量数据并正确呈现需要解决的问题,它们可能会捕捉到人类无法捕获的规律。“在药物毒性的情况下,过去50年来,经批准上市后,已有450多种药物退出市场,肝脏毒性是最常见的原因。例如,特比萘芬于1993年上市,用于治疗皮肤癣菌感染,被发现在营销后引起肝脏毒性。截至2008年,已有3例肝功能衰竭导致死亡,其他70例肝毒性证实由特比萘芬引起。然而,肝脏中药物的代谢过程非常复杂,很难预测。这是机器学习可以帮助解决的典型问题,我们已经有了训练AI的数据。美国联邦政府的Tox21项目通过美国环境保护署(EPA),美国国立卫生研究院(NIH)和FDA之间的合作,建立了一个包含大量分子及其对人类关键蛋白的毒性的数据库。该数据库可用于训练AI以发现化合物结构,特征和功能与可能的毒副作用之间的关系。

一家名为Cloud Pharmaceuticals的生物技术公司已将这些数据整合到公司的复合筛选流程中。该公司去年与大型制药公司葛兰素史克(GSK)达成了研发合作协议。 “使用这个数据集来训练机器学习算法,当新分子出现时,AI可以预测它是否会有毒,”Cloud的联合创始人兼首席科学官Shahar Keinan博士说。

设计更好的新药

除了发现潜在的毒性外,机器学习算法还可以预测候选化合物在不同物理和化学环境中的反应,帮助药物开发者了解它们在身体不同组织中的行为。滑铁卢大学的物理化学家斯科特霍普金斯博士正在与辉瑞公司合作,研究算法,以评估候选分子吸收或失去水的能力。霍普金斯博士说:“如果药物分子很快吸收水分并且不会失水,那就意味着药物很容易溶于水。” “它在胃内迅速溶解并进入血液。”该算法通过分析89种小分子候选药物的结构与溶解度之间的关系,可准确预测相似分子的关键特征。“该研究已发表在Nature Communications上。

筛选药物的潜在毒性和生化特征是药物开发中不可或缺的一步,但对于AI研究人员来说,药物开发中的“圣杯”是从头开始产生新治疗分子的结构。药明康德的合作伙伴Insilico Medicine正在利用生成对抗网络(GAN)开发新的小分子化合物,用于治疗癌症,代谢疾病和神经退行性疾病等严重疾病。该算法由两个相互竞争的深度神经网络组成。第一个深度神经网络的任务是基于一系列化合物的功能和生物化学特征(例如,溶解度,目标或生物利用度)产生分子结构。另一个深度神经网络的作用是“批评”第一个神经网络输出的结构。 “他们互相竞争,”Insilico首席执行官Alexander Zhavoronkov博士说。 “经过无数次的迭代,他们能够学会创造新的结构。”Insilico计划开发多种孤儿药目标候选药物。

图片来源:Insilico的官方网站

人工智能的局限性

尽管人工智能在药物开发领域取得了巨大进步,但它们无法取代人类的作用。人工智能在药物开发中发挥作用,就像智能厨房一样。 “你可以拥有智能微波炉,咖啡机和其他智能工具,但他们不能为你做晚餐,”Barzilay博士说。 “你需要将这些工具整合在一起做晚餐,他们只能提供帮助。你做得更快更好。 “人工智能的表现受到输入数据质量的限制。在今年的药明康德全球论坛上,业内专家也表示,很多时候,用于训练机器学习算法的高质量数据不存在。低质量的数据可能导致算法从数据中获取错误信号,导致“垃圾进入,垃圾出”的扩展。由于格式和代表性等各种原因,目前存在的公共数据往往无法成为高质量数据。一些AI药物开发公司,这个问题的解决方案是生成高质量的数据。例如,insitro和Recursion都根据解决具体问题的需要生成自己的数据。药明康德相关阅读:什么样的大数据未来需要人工智能吗?|无锡药明康德全球论坛记录对于加里马库斯博士来说,他担心人工智能能力的过度炒作可能带来与现实不符的预期。在人工智能开发的历史中,我们可以看到人工智能领域的发展经历了1974-1980和1987-1994两年的“冬季”发展。人工智能研究的政府和私人投资已经大大减少,因为期望没有实现。

Gary Marcus博士是纽约大学心理学和神经科学教授,也是机器学习初创公司Geometric Intelligence的创始人兼首席执行官。在他看来,深度学习是一种非常好的算法工具,但它相当于超级记忆。能够记下你想知道的一切当然不是坏事,但是当遇到异常情况时,它缺乏灵活性,而且性能也不好。他担心的是我们过分依赖这种人工智能架构的深度学习。尽管深度学习是一个完美的“锤子”,但医学领域需要解决的问题并非都是“钉子”。尝试使用工具来解决所有问题是不合适的。面对需要解决的问题的多样性,我们还需要有更灵活,更细致的思维方式。 Genentech研究和开发负责人Michael Varney博士也对近期采访中人工智能过度炒作表示担忧。

提供更多可能性

尽管业内人士表示,人工智能在药物开发中的应用已被过度炒作,但他们仍然对人工智能可能带来的可能性感到非常兴奋。 Marcus博士和Varney博士都在积极开发和使用人工智能工具来协助开发新药。 “如果你可以将药物发现的效率提高5到10倍,从经济的角度来看,研究人员可以探索更具风险的研发项目,因为失败的成本会大大降低。 “华盛顿大学的S. Joshua Swamidass博士说。他领导的团队使用机器学习,最终揭开了特比萘芬在2018年引起的肝毒性之谜。“想象一下,我们有能力探索难治性疾病的创新疗法!”

参考文献:

[1]人工智能撼动药物发现。检索2019年8月24日,来自

[2]人工智能创业公司正在争夺药物开发。这里有5个关于哪些可以存活的问题。检索2019年8月24日,来自成长/

[3]机器学习将细胞成像承诺引入焦点。检索2019年8月24日,来自

[4] Bera等,(2019)。数字病理学中的人工智能 - 诊断和精确肿瘤学的新工具。 Nature Reviews Clinical Oncology,

[5]人工智能冬季警告,怀疑论者认为深入学习医学需要重新启动。检索2019年8月24日,来自 In-medicine/

本文来自无锡药明康德微信团队,欢迎前来朋友圈,拒绝转载到其他平台;如果需要打开白名单,请在文章底部留言;如果您有其他合作需求,请联系

收集报告投诉

药明康德/报告

两年前,只有大约30家创业公司使用人工智能(AI)进行药物发现,现在这个数字已飙升至148.尽管这一统计数据尚未完整,但它反映了人工智能在药物开发中的快速发展。今年,着名的美国硅谷银行(SVB)推出了第一笔数字健康投资。今年上半年,该领域的投资额达到52.6亿美元,超过了2017年的全年。总投资,2019年的总投资预计将超过100亿美元!可以说,人工智能技术的成熟出现在制药业发展的关键节点上。随着新的药物目标和作用机制变得越来越少,制药公司需要更多的投资和精力来生产与之前相同的“先入先例”。 “克服这一障碍的方法包括提高研究和开发效率,深化现有数据以发现新的见解。人工智能可以在这两个方面发挥重要作用。但是,行业资深人士也表示,虽然人工智能正在迅速发展,但我们需要警惕AI的研究方向是否出错。过度炒作AI能力可能会带来“AI冬天”。今天,药明康德内容团队将结合公共信息,探讨药物中AI的潜在和局限性发展。

图像来源:例如

理解复杂的规则

给定足够的数据,机器学习算法可以从中找到模式,然后使用它们进行预测或对新数据进行分类。它们在这方面的表现远远超过任何人。当代药物开发团队面临的挑战是需要系统地分析大量数据,这些数据不仅仅是人脑可以完成的。 AI尤其擅长处理复杂规则和分析大量数据。麻省理工学院(MIT)的科学家,Janssen的科学顾问Regina Barzilay博士说:“例如,当我们研究化学时,我们学到了很多规则并理解了化学反应的机理,但有时这些规则非常非常复杂。如果我们能为计算机算法提供大量数据并正确呈现需要解决的问题,它们可能会捕捉到人类无法捕获的规律。“在药物毒性的情况下,过去50年来,经批准上市后,已有450多种药物退出市场,肝脏毒性是最常见的原因。例如,特比萘芬于1993年上市,用于治疗皮肤癣菌感染,被发现在营销后引起肝脏毒性。截至2008年,已有3例肝功能衰竭导致死亡,其他70例肝毒性证实由特比萘芬引起。然而,肝脏中药物的代谢过程非常复杂,很难预测。这是机器学习可以帮助解决的典型问题,我们已经有了训练AI的数据。美国联邦政府的Tox21项目通过美国环境保护署(EPA),美国国立卫生研究院(NIH)和FDA之间的合作,建立了一个包含大量分子及其对人类关键蛋白的毒性的数据库。该数据库可用于训练AI以发现化合物结构,特征和功能与可能的毒副作用之间的关系。

一家名为Cloud Pharmaceuticals的生物技术公司已将这些数据整合到公司的复合筛选流程中。该公司去年与大型制药公司葛兰素史克(GSK)达成了研发合作协议。 “使用这个数据集来训练机器学习算法,当新分子出现时,AI可以预测它是否会有毒,”Cloud的联合创始人兼首席科学官Shahar Keinan博士说。

设计更好的新药

除了发现潜在的毒性外,机器学习算法还可以预测候选化合物在不同物理和化学环境中的反应,帮助药物开发者了解它们在身体不同组织中的行为。滑铁卢大学的物理化学家斯科特霍普金斯博士正在与辉瑞公司合作,研究算法,以评估候选分子吸收或失去水的能力。霍普金斯博士说:“如果药物分子很快吸收水分并且不会失水,那就意味着药物很容易溶于水。” “它在胃内迅速溶解并进入血液。”该算法通过分析89种小分子候选药物的结构与溶解度之间的关系,可准确预测相似分子的关键特征。“该研究已发表在Nature Communications上。

筛选药物的潜在毒性和生化特征是药物开发中不可或缺的一步,但对于AI研究人员来说,药物开发中的“圣杯”是从头开始产生新治疗分子的结构。药明康德的合作伙伴Insilico Medicine正在利用生成对抗网络(GAN)开发新的小分子化合物,用于治疗癌症,代谢疾病和神经退行性疾病等严重疾病。该算法由两个相互竞争的深度神经网络组成。第一个深度神经网络的任务是基于一系列化合物的功能和生物化学特征(例如,溶解度,目标或生物利用度)产生分子结构。另一个深度神经网络的作用是“批评”第一个神经网络输出的结构。 “他们互相竞争,”Insilico首席执行官Alexander Zhavoronkov博士说。 “经过无数次的迭代,他们能够学会创造新的结构。”Insilico计划开发多种孤儿药目标候选药物。

图片来源:Insilico的官方网站

人工智能的局限性

尽管人工智能在药物开发领域取得了巨大进步,但它们无法取代人类的作用。人工智能在药物开发中发挥作用,就像智能厨房一样。 “你可以拥有智能微波炉,咖啡机和其他智能工具,但他们不能为你做晚餐,”Barzilay博士说。 “你需要将这些工具整合在一起做晚餐,他们只能提供帮助。你做得更快更好。 “人工智能的表现受到输入数据质量的限制。在今年的药明康德全球论坛上,业内专家也表示,很多时候,用于训练机器学习算法的高质量数据不存在。低质量的数据可能导致算法从数据中获取错误信号,导致“垃圾进入,垃圾出”的扩展。由于格式和代表性等各种原因,目前存在的公共数据往往无法成为高质量数据。一些AI药物开发公司,这个问题的解决方案是生成高质量的数据。例如,insitro和Recursion都根据解决具体问题的需要生成自己的数据。药明康德相关阅读:什么样的大数据未来需要人工智能吗?|无锡药明康德全球论坛记录对于加里马库斯博士来说,他担心人工智能能力的过度炒作可能带来与现实不符的预期。在人工智能开发的历史中,我们可以看到人工智能领域的发展经历了1974-1980和1987-1994两年的“冬季”发展。人工智能研究的政府和私人投资已经大大减少,因为期望没有实现。

Gary Marcus博士是纽约大学心理学和神经科学教授,也是机器学习初创公司Geometric Intelligence的创始人兼首席执行官。在他看来,深度学习是一种非常好的算法工具,但它相当于超级记忆。能够记下你想知道的一切当然不是坏事,但是当遇到异常情况时,它缺乏灵活性,而且性能也不好。他担心的是我们过分依赖这种人工智能架构的深度学习。尽管深度学习是一个完美的“锤子”,但医学领域需要解决的问题并非都是“钉子”。尝试使用工具来解决所有问题是不合适的。面对需要解决的问题的多样性,我们还需要有更灵活,更细致的思维方式。 Genentech研究和开发负责人Michael Varney博士也对近期采访中人工智能过度炒作表示担忧。

提供更多可能性

尽管业内人士表示,人工智能在药物开发中的应用已被过度炒作,但他们仍然对人工智能可能带来的可能性感到非常兴奋。 Marcus博士和Varney博士都在积极开发和使用人工智能工具来协助开发新药。 “如果你可以将药物发现的效率提高5到10倍,从经济的角度来看,研究人员可以探索更具风险的研发项目,因为失败的成本会大大降低。 “华盛顿大学的S. Joshua Swamidass博士说。他领导的团队使用机器学习,最终揭开了特比萘芬在2018年引起的肝毒性之谜。“想象一下,我们有能力探索难治性疾病的创新疗法!”

参考文献:

[1]人工智能撼动药物发现。检索2019年8月24日,来自

[2]人工智能创业公司正在争夺药物开发。这里有5个关于哪些可以存活的问题。检索2019年8月24日,来自成长/

[3]机器学习将细胞成像承诺引入焦点。检索2019年8月24日,来自

[4] Bera等,(2019)。数字病理学中的人工智能 - 诊断和精确肿瘤学的新工具。 Nature Reviews Clinical Oncology,

[5]人工智能冬季警告,怀疑论者认为深入学习医学需要重新启动。检索2019年8月24日,来自 In-medicine/

本文来自无锡药明康德微信团队,欢迎前来朋友圈,拒绝转载到其他平台;如果需要打开白名单,请在文章底部留言;如果您有其他合作需求,请联系

http://www.caihuihn.cn

友情链接:
清水岩信息网 版权所有© www.fsmcgy.cn 技术支持:清水岩信息网 | 网站地图