人工智能（AI）在制藥行業(yè)中具有巨大的商業(yè)潛力。根據(jù)Deep Pharma Intelligence的數(shù)據(jù)，在2014年至2023年間，AI相關(guān)的藥物開發(fā)累計(jì)投資超過600億美元。近期Xaira Therapeutics以10億美元的投資規(guī)模成功上市，并且各個制藥公司與英偉達(dá)之間不斷簽訂新的合作協(xié)議，預(yù)示著2024年的AI投資規(guī)?？赡軙^這個低估數(shù)字。

然而，除了公關(guān)炒作外，行業(yè)領(lǐng)袖之間也在進(jìn)行真正的討論，質(zhì)疑AI投入是否真能提高制藥行業(yè)的生產(chǎn)力和產(chǎn)出。雖然生物技術(shù)公司一直宣稱利用AI進(jìn)行藥物發(fā)現(xiàn)比傳統(tǒng)方法更快更便宜，但到目前為止，這些公司只有少數(shù)幾種藥物進(jìn)入了臨床試驗(yàn)階段，而且還沒有一種藥物通過了第三階段的FDA審批。

去年早期的幾個臨床失敗案例，包括Exscientia對其抗癌藥物EXS-21546和BenevolentAI對皮炎藥物BEN-2293的一、二期試驗(yàn)，表明AI在藥物開發(fā)中的回報(bào)可能會進(jìn)一步延遲。

AI在制藥行業(yè)的討論似乎過分夸大了AI工具在快速開發(fā)臨床可用化合物方面的能力。這夸大了AI掌握人類生物學(xué)這樣多樣復(fù)雜領(lǐng)域能力的力量。

AI工具本身并不能像ChatGPT一樣快速完成撰寫研究論文的任務(wù)。對我們來說，存在的問題不是“AI能否改變藥物發(fā)現(xiàn)？”當(dāng)適當(dāng)運(yùn)用時，AI無疑會改變藥物發(fā)現(xiàn)。我們需要問的是：“我們該如何消除早期AI派生化合物試驗(yàn)中出現(xiàn)的翻譯問題？”如果我們能回答這個問題，我們將能更好地驗(yàn)證AI派生的結(jié)果。

AI未達(dá)到預(yù)期的原因主要在于數(shù)據(jù)本身以及公司如何處理其AI派生的結(jié)果。AI模型在識別相關(guān)性方面表現(xiàn)出色，但眾所周知，相關(guān)性并不能解釋因果關(guān)系。生成AI方法的成功與使用公開數(shù)據(jù)集的數(shù)據(jù)的準(zhǔn)確性和完整性有關(guān)，但我們還沒有證據(jù)表明我們已經(jīng)完全數(shù)字化了人類生物學(xué)。即使是最準(zhǔn)確和最完整的數(shù)據(jù)集，也只能使研究人員識別到適當(dāng)?shù)南嚓P(guān)性。簡而言之，我們需要更多的數(shù)據(jù)。開發(fā)藥物的公司需要理解因果關(guān)系，這需要回到濕實(shí)驗(yàn)室來驗(yàn)證AI生成的結(jié)果。

在當(dāng)前對AI資源的爭奪中，幾乎沒有AI平臺專注于使用真實(shí)的生物樣本來訓(xùn)練其AI模型，使用真實(shí)的生物樣本進(jìn)行縱向研究以產(chǎn)生數(shù)據(jù)的機(jī)會更加稀缺。只有少數(shù)公司和團(tuán)體在開展貝葉斯AI與傳統(tǒng)機(jī)器學(xué)習(xí)模型相結(jié)合的研究，從樣本中獲得洞察力。

使用來自疾病發(fā)生前后的真實(shí)生物樣本，并使用貝葉斯方法進(jìn)行研究具有無偏探索的價值，有可能重新定義藥物的概念化、發(fā)現(xiàn)和開發(fā)。神經(jīng)AI可以作為下一步解碼遺傳因素與常見疾病之間錯綜復(fù)雜關(guān)系的工具，有助于藥物開發(fā)路徑的重要決策。

借助這些方法，我們已經(jīng)確定了治療難治性癌癥（如膠質(zhì)母細(xì)胞瘤和胰腺癌）的臨床階段研究中顯示早期效果的試驗(yàn)人群。

真正成功的AI工具是什么樣的？盡管早期的失敗引起了人們對AI在制藥領(lǐng)域的價值的懷疑，但我對未來的機(jī)會持樂觀態(tài)度。AI工具可以富有成效地幫助我們識別用于臨床開發(fā)的化合物，但我們必須利用真實(shí)的生物輸入，即不僅僅依賴公開數(shù)據(jù)集，還需要嚴(yán)格驗(yàn)證從AI模型中得出的結(jié)果，以確保我們理解治療候選物的潛在作用機(jī)制，以及哪些類型的患者最有可能受益?；诖?，我們可以設(shè)計(jì)臨床試驗(yàn)，僅包括那些可能受益的患者。

在進(jìn)行臨床試驗(yàn)時，我們可以使用AI模型對患者治療前后的生物學(xué)進(jìn)行臨床樣本的收集和分析。通過從這些模型中獲取的洞察，我們可以更好地了解治療候選物的生物學(xué)效應(yīng)，并進(jìn)一步完善我們對哪些類型的患者對治療有響應(yīng)的理解。

最后，基于AI派生的洞察力，一旦藥物獲得批準(zhǔn)，可以幫助我們在標(biāo)簽擴(kuò)展或藥物再利用方面開辟道路，通過利用對作用機(jī)制和反應(yīng)人群特征的理解，識別具有類似生物特征的其他患者群體。

BPGbio的首席執(zhí)行官Niven R. Narain博士表示，BPGbio利用其NAi交互式生物學(xué)AI平臺運(yùn)營著一個臨床注釋的縱向研究，擁有超過10萬個患者/樣本生物庫。該公司的研究人員提取組織、血液和尿液樣本，并對其進(jìn)行代謝組學(xué)、脂質(zhì)組學(xué)、蛋白質(zhì)組學(xué)分析。BPGbio的官員表示，通過將綜合多組學(xué)數(shù)據(jù)與領(lǐng)域特定的AI模型進(jìn)行分析，使公司能夠更好地理解其正在設(shè)計(jì)治療方案的疾病的潛在生物學(xué)機(jī)制以及其治療候選物給予患者后的生物學(xué)變化。

雖然AI在制藥領(lǐng)域的應(yīng)用尚處于發(fā)展階段，但有望實(shí)現(xiàn)精準(zhǔn)醫(yī)學(xué)，并在制藥開發(fā)的各個環(huán)節(jié)提供價值。AI工具可以幫助我們識別用于臨床發(fā)展的化合物，但我們必須結(jié)合真實(shí)的生物樣本和濕實(shí)驗(yàn)室驗(yàn)證來嚴(yán)格驗(yàn)證AI模型的結(jié)果，以確保我們理解治療候選物的作用機(jī)制和哪些患者可能最有可能受益。通過這樣的方法，我們可以更好地利用AI在制藥領(lǐng)域的潛力，為精準(zhǔn)醫(yī)學(xué)的實(shí)現(xiàn)助力。