编者按：药物发现和开发是高度数据密集型的过程，从分子到临床试验会产生不同类型的数据。这是一个试错的过程，错误率高，成本高达数十亿。人工智能（AI），加上正确的数据，有可能增加在研新药在试验里和在真实世界中成功的可能性。

药明康德最近与多名人工智能领域的专家进行了深度对话。在这篇文章中，我们将读到NuMedii公司首席执行官Gini Deshpande博士的看法。她认为患者分层，实现精准治疗和精简临床试验，这几个药物研发过程将最快从人工智能和大数据中获益。这个领域最大的挑战一是缺少量化良好的队列数据集，可以用来训练具有“真实”模式的算法；二是缺少既懂得AI又懂得传统药物开发的复合型人才。一旦我们解决这些挑战，AI可以为最需要的患者创造革命性的疗法。

本文是药明康德“人工智能专家独家深度对话”的第2篇文章：

新药研发的AI时代：人工智能带来的真正冲击是什么？

▲NuMedii的创始人兼首席执行官Gini Deshpande博士，她是一名资深的分子生物学家，拥有超过16年的行业经验，擅长将尖端科学概念转化为造福患者的产品。

 药明康德：您如何描述AI领域的公司境况？ 它们大多是初创企业，还是Google和Intel这样的大数据公司？

药明康德：您的公司与其他利用AI进行药物研发的公司有什么不同？ 你们怎么应用AI？

Gini Deshpande博士：NuMedii自2010年以来一直在开发大数据，AI和系统生物学的综合运用，加速发现精准治疗，解决未满足的医疗需求。人工智能方法很适合利用大数据，因为它们提供了框架来“训练”计算机识别模式，从大量新的和现有的基因组和其他生物医学数据中筛选，以解决疾病过程中的各种复杂的生物网络。我们使用多种AI方法，从传统的机器学习到最新的深度学习，能够在系统层面快速发现药物和疾病之间的联系。

我们也用AI方法确认患者亚群，以及可能适合每个患者亚群的疗法。由于我们广泛应用于大数据和人工智能，所以能够深入理解AI的局限性。在NuMedii，我们更喜欢将AI认为是“增强智能（Augmented Intelligence）”而不是“人工智能”。我们将AI，大数据和系统生物学与人类智慧结合在一起，使我们的科学家能够获得更多更好的信息。我们的目标是使用这种人机交互系统来加速药物发现，降低研发成本，降低临床试验的失败率，从而最终发现更好，更精准的药物。 

Gini Deshpande博士: 药物发现和开发是高度数据密集型的过程，其中会产生不同类型的数据（从分子到临床试验），大量信息需要跟踪。这是一个试错的过程，错误率高，成本高达数十亿。

▲利用广泛的人类疾病和药物分子特征数据来推动药物发现（图片来源：Numedii）

造成这些问题的因素有几个：生物学本质上是复杂的，患者的疾病表现在患者人群中不同。遗传，环境和其他因素也决定了疾病的进展以及患者对特定治疗方式的反应不同。因此，这些研发过程和所涉及的变量成为一个大数据问题。人工智能，加上正确的数据，有可能使药物发现和开发出错率更低，增加在研新药在试验中和在真实世界中成功的可能性。在理想情况下，我们希望通过AI使药物研发过程具有一些可预测性。

Gini Deshpande博士: 患者分层，实现精准治疗和精简临床试验，这几个药物研发过程将最快从人工智能和大数据中获益。临床研究非常适合应用AI来改善诊断和治疗。随着更多的医生实践从纸张转移到电子系统以获取患者信息，AI将有更多的方法获得更多信息来协助医生做出决定。像放射学和眼科这些领域特别适合应用AI；事实上，我们在领先的学术中心看到很多这样的用途，如加利福尼亚大学分校（University of California, San Francisco）和Google Brain之间最近展开了合作。通过这些成像方法检测罕见疾病，这是AI可能优于人类能力的领域。

在药物发现和开发方面，人工智能在评估大规模数据，寻找治疗益处的趋势方面将特别有用。像NuMedii这样的公司正在使用AI和生物医学数据来简化相关疾病的生物学发现，从而减少药物发现的时间，但更重要的是显著提高研发成功率。

▲利用专业知识来选择和降低候选药物的风险（图片来源：Numedii官网）

AI与寻找疾病生物学相辅相成，因此也已经开始在药物设计中应用，从而简化筛选和化合物库开发过程。 最近研究表明，Exscientia和Numerate这样的公司使用AI来进行化学研究，能够把临床前候选药物的发现和优化时间从4年半到大大缩减到1年。 

Gini Deshpande博士: 计算能力当然不再是在药物发现中使用AI的限速步骤。AI的有效使用需要大量相关性、高质量和一致性的数据来训练算法，才能实现精确的模式识别。这些数据的访问尤其具有挑战性。目前数据通常保存在孤岛中，并且跨越多个组织。此外，生物医学数据是非常多样化的，涵盖多个“omics”信息，如遗传，基因组，蛋白质组学和代谢组学，以及从化学结构到临床信息的环境暴露。为了使AI有效地使用这些数据，映射这些不同数据之间的关系是需要解决的挑战。

▲生物医学数据中存在各种组学“omics”信息（图片来源：IBM）

这个领域最大的挑战之一是寻找一个量化良好的队列数据集，可以用来训练具有“真实”模式的算法。例如，如果我们收集了来自患者的高分辨率数据集，大量的“omics”信息并具有相应的临床数据，我们就可以使用这些数据集训练我们的AI系统，使其产生新的见解并加速药物发现。Human Longevity公司正试图通过Health Nucleus系统努力来实现这一点，这对于药物发现十分有用。 

截至目前，FDA还没有批准一款AI驱动研发的药物，所以一些公司不愿在其研发计划中广泛采用基于AI的方法。一旦有几个成功的新药案例，我们就有希望看到AI扩展到常规的药物研发流程中。好消息是，制药和生物技术公司有强烈的兴趣尝试AI。在研发产品线的具体部分——从发现的早期阶段到试点项目的较小规模的临床开发，我们正在采用AI方法。然而，我们离AI完全自动化药物发现过程还很远，而且还需要很多能够理解AI带来的积极作用以及它的限制的人，这样才能充分利用这些技术得出的结果。而且我们缺乏既懂得AI又懂得传统药物开发的复合型人才，这也是广泛采用AI的另一个障碍。 

Gini Deshpande博士: 人工智能技术的各个方面将继续爆发式发展。量子计算将会变得更加容易获得，从而在药物发现过程的早期以及临床开发的下游都能实现新的应用。一旦我们有几个成功的案例说明AI如何精简并加快药物发现，我们将看到更广泛的AI应用，并且AI有望将在未来5到10年内成为常规药物研发过程。 

大多数AI初创公司最终都以各种方式与制药和生物技术公司合作，帮助它们开展药物发现工作。展望未来，会有一些公司继续提供人工智能服务。但是，我们还将看到更多的AI初创公司成为药物开发商——将AI驱动的药物发现与严谨的药物开发能力完全整合在一起，以加速这一过程。在NuMedii，我们一定会通过开发内部研发管线来走自主开发这条路—— 我们将其称为“吃自己的鱼子酱”。其他几家AI公司像BenevolentAI和Berg Pharma也在开发内部管线，我们期望看到更多公司跟随我们的脚步。 

我相信终有一天，AI对最终用户（患者）的真正价值不再是如何发现有效的药物，而是多快能发现有效的药物。为此，AI是一个很好的工具，如果正确使用正确的数据集，可以为最需要的人创造革命性的疗法。