AI赋能药物研发得到专家高度评价 但尚难依靠AI实现First-in-Class

近年来，随着国内创新药产业迅猛发展，在许多细分领域，国内药企已经完成了从追赶者到开拓者的转变。但与此同时，创新药企业也面临着药物研发难度陡增，研发成本水涨船高的窘境。如何平衡研发投入与成果产出？AI赋能药物研发或许将成为一条解决路径。

9月25日，第六届中国医药创新与投资大会在苏州国际博览中心召开。会上，中国科学院院士、中国科学院上海药物研究所研究员蒋华良围绕“AI助力药物研发”这一主题进行了报告。

人工智能赋能药物研发

蒋华良首先对谷歌旗下人工智能公司Deep Mind所开发的人工智能系统AlphaFold进行了高度评价，他认为AlphaFold是人工智能在药物研发领域的里程碑。据Deep Mind发布在《自然》杂志上的论文，AlphaFold已经能够预测人类98.5%的蛋白结构。

著名结构生物学家施一公也曾表示，AlphaFold代表了目前全球最领先的人工智能蛋白机构预测系统，其对蛋白结构的精准预测，是本世纪取得的最重要的科学突破之一。

与许多跨时代的技术类似，AlphaFold也对传统结构生物学界造成了冲击，许多结构生物学家自嘲“马上要失业了”。但蒋华良认为，人工智能的结构预测算法将会成为重要的辅助，将科研人员从诸如蛋白质样品制备与结晶等繁琐工作中解脱出来，投入药物研发更为关键的节点中去。

据了解，药物靶标是机体内与特定疾病发生发展过程有着内在联系，并能被药物作用而发挥治疗作用的生物大分子或特定的生物分子结构。而在药物研发中，作为药物靶标的蛋白质的结构是相应药物设计与改造的基础，在目前的药物研发链条中，人工智能技术已经涵盖包括靶标发现、靶标确证等多个环节。对此，施一公曾表示：“所有小分子药物结合的药物靶点蛋白的结构，几乎都能被AlphaFold一网打尽。”

蒋华良在会上列举了一组数据，目前FDA批准的1619个药物中，1366个为小分子药物，253个为大分子药物，共涉及靶点893个，其中667个为人体靶点（其余为病原体靶点）。蒋华良着重强调，靶标枯竭已经成为全球新药研发共同面临的问题，“现在做来做去还是那么几个靶点，PD-1一出来就几十个（企业）跟上，关键还是要找到（适合）自己的靶点。”

在靶标枯竭的背景下，如何缩短研发时间、节约研发经费已成为横亘在各大药企面前不得不解决的问题，蒋华良认为，人工智能结合大数据是精准药物研发的机遇，通过AI技术可以快速、低成本获得新型药物的治疗方法。

AI尚难做到First-in-Class

在此次会议的圆桌讨论环节，研发热度与无序竞争导致创新药赛道拥挤成为嘉宾热切讨论的议题，当被问及能否借助人工智能使企业能够快速突破First-in-Class的研发时，蒋华良坦言：“AI现在很难做出First-in-Class，基本上还是me-too为主。不要对AI抱有过分高的希望，AI是赋能的技术。目前资本对于人工智能的追捧过热了，要理性看待这项技术。”

“AlphaFold并没有解决蛋白质科学所有的问题，比如说小分子和靶标蛋白的相互作用没法预测、动态变化的就搞不定、蛋白质与蛋白质相互作用的也搞不定，这些问题的复杂性是目前AI无法解决的。”蒋华良表示。

据记者了解，即便是人工智能自身，目前也存在许多缺陷，首先是有偏的数据集，尤其是在生物医药领域，涉及患者隐私问题会对临床数据的运用造成限制；其次是模型的偏差性，化合物与人体靶点反应过程非常复杂，数据稳定性和可重复性差，从而影响到了AI建模。

因此，目前判断人工智能是否能让国内药企突破First-in-Class、实现弯道超车为时尚早，只有对有价值的临床数据进行持续的积累，进一步完善AI模型，人工智能技术才能为药物研发带来一个更加光明的未来。

封面图片来源：摄图网