人工智能在药物发现中的应用

从Siri到面部识别,人工智能(AI)和机器学习正在成为日常生活的一部分。但它们也可以通过帮助寻找新的更好的疾病治疗方法更快地拯救生命

人工智能与机器学习

早在2011年,IBM的沃森超级计算机赢得了美国电视游戏节目《危险》(Jeopardy)的冠军,赢得了公众的想象力。

当时,智能手机没有内置Siri或Google Assistant,很少有人会相信Google Home和Amazon Alexa这样的普通设备会变得多么普通。沃森的胜利立即让数百万人看到了人工智能的进步。

人工智能有许多不同的类型,但最常见的是“机器学习”。在机器学习中,会添加一个输入–例如图像。然后应用一个复杂的函数将该图像与观察连接起来–例如“cat”。在本例中,您将能够自动筛选c收集图像以查找猫的图像。

从上面的图像分类示例来看,人工智能和机器学习现在被用于许多应用中[3]但人工智能研究中有一个尚未开发的机会,那就是我们如何将其应用于医疗保健和药物研发。

由于对不同疾病背后的分子机制的知识的爆炸式增长,比以往任何时候都更有希望的新药物设计目标正在被确定。

但药物发现背后的过程可能具有挑战性。人工智能和机器学习能否帮助缓解一些传统的瓶颈,使我们能够更快地向患者提供新的、更有效的药物?

你知道吗?

  • 26亿

    美元是新药上市的估计成本(2013年美元)。[1]

  • 10%

    在2006年到2015年间进入临床试验的药物最终被批准

  • ≈300

    我们已经开发了化合物性质的AI预测模型。

为什么在药物发现中使用人工智能?

药物发现研究的中心目标是确定对身体有益的药物——换句话说,它们可以帮助预防或治疗特定疾病。

尽管有几种不同类型的药物,但许多都是化学合成的小分子,可以特异性地结合与疾病相关的目标分子(通常是蛋白质)。

为了找到这些分子,研究人员传统上对分子库进行大屏幕筛选,以确定其中一个有可能成为药物。然后,他们通过无数轮的测试,将其开发成一种有前途的化合物。

近年来,更合理的基于结构的药物设计方法越来越普遍。这避免了最初的筛选阶段,但仍然需要化学家通过设计、合成和评估众多化合物来创造潜在的新药。

由于通常不知道哪种化学结构既具有所需的生物效应,又具有成为有效药物所需的性质,因此将有希望的化合物提炼成候选药物的过程既昂贵又耗时。最新数据显示,将一种新药推向市场的成本目前平均为26亿美元(2013年美元)。[1]

此外,即使一种新药候选药物在实验室测试中显示出潜力,在进入临床试验时仍可能失败。事实上,在第一阶段评估的候选药物中,只有约10%进入市场。[2]

考虑到这一点,专家们现在将人工智能系统无与伦比的数据处理潜力视为加速和降低新药发现成本的一种方式也就不足为奇了。据市场研究公司Bekryl称,到2028年,人工智能有可能为药物发现过程节省700亿美元。[4]

人工智能如何应用于药物发现?

用于筛选新药候选者的图书馆规模之大,意味着个体研究人员现在几乎不可能自己审查所有内容,而这正是人工智能和机器学习可以提供帮助的地方。

这些复杂的技术使研究人员能够从庞大的数据集中提取隐藏的见解。这样做的好处很多:

  • 预测潜在化合物的性质,这意味着只有具有所需性质的化合物才能被选择用于合成——通过阻止对不太可能有效的化合物进行研究,节省了时间和金钱。
  • 产生全新化合物的想法,预计“发明”的分子将具有成功所需的所有特性——这将极大地加快有效新药的发现。
  • 减少了重复性任务的需要,如手动分析数千张组织学图像,从而节省了数百人的实验室工作时间。这些只是药物发现管道早期的一些潜在优势。

这些只是药物发现管道早期的一些潜在优势。

深度神经网络在药物发现中的应用

为了理解人工智能是如何在实践中应用的,让我们来看看我们目前正在进行的一些创新研究。

预测模型是我们工作的核心德国达姆施塔特默克KGaA计算化学与生物学主任弗里德里希·里普曼(Friedrich Rippmann)说。“T这些都是统计模型,可以预测一个复合想法——一个尚未合成的分子——是否会产生所需的活性。

我们使用的技术大多与机器学习有关。特别是,我们使用了各种类型的深度神经网络。但我们也探索了其他更经典的统计技术,有一些有趣的名字,比如随机森林和支持向量机。

当多伦多大学的研究人员获得IMANEET大规模视觉识别挑战(ILVRC)时,深度神经网络开始在2012左右变得特别流行。[1]

近年来,机器学习技术的这一子集已经彻底改变了计算机视觉、自然语言处理和游戏等多个领域。[5]现在它在识别新化合物方面显示出令人兴奋的前景。

我们正在推动可解释深层神经网络领域的创新研究,”里普曼继续说。

“我们的预测不再只告诉我们,‘是的,这会成功’或‘不,它不会成功’。现在,通过突出分子中负责某种活动的区域,它们还可以告诉我们它们为什么会起作用或不起作用。这给化学家提供了一个直接的指示,即如何去除某种不需要的活性。”

他们的发现在最近一篇广受欢迎的文章《药物发现中的可解释深入学习》中有更详细的描述。[6]

到目前为止,弗里德里希·里普曼(Friedrich Rippmann)的团队和该公司的合作伙伴进行的研究,已经提供了大约300种评估化合物特性的新模型,这些模型可以帮助预测它们与特定疾病相关目标的结合能力。

我们的化学家已经在使用这些模型来判断他们的化合物想法,然后再决定是否合成它们里普曼补充道。

合作提高药物发现中的人工智能

在这一领域取得进展本质上是一个协作过程。

我们很少完全靠自己开发新的方法里普曼说。“我们的所有工作都是与领先的学术团体和初创公司合作完成的。

到目前为止,值得注意的合作包括与奥地利林茨大学的塞普·霍克雷特教授合作——他领导着这一研究领域的顶级学术团体之一。

此外,我们还在多伦多与Cyclica合作,利用他们的预测技术确定化合物可能针对哪些人类蛋白质(例如,在表型筛选的反褶积中)。

另外,我们正在与一家位于巴黎的初创公司Iktos合作,利用他们的技术自动“发明”符合药物预定义要求的新分子,包括与药物靶点结合、缺乏特异性毒性、溶解性等。

但在药物发现方面加强人工智能的合作也在更大规模地进行。

人工智能分析的好坏取决于所用数据集的质量。因此,制药行业正越来越多地寻求通过汇集数据进行合作。

最近的一项促进计划,即MELLODDY项目,涉及欧盟创新药物计划和不少于十家制药公司——包括德国达姆施塔特的默克KGaA。它旨在通过所谓的“联合学习”改进预测模型,通过使用一种新型区块链系统将数据存储在一个安全的分类账上,同时保护单个公司的商业秘密。[7]

未来会怎样?

根据弗里德里希·里普曼(Friedrich Rippmann)的说法,未来最大的机会是加速药物发现和降低损耗率,最终使更多的新药更快地提供给患者。

在药物发现中应用人工智能的机会很多,”他说。“但目前,我们有时会因为涉及的高昂成本而受阻。随着更多竞争的出现,我们将看到成本下降,这将为不同领域的新发现带来令人兴奋的可能性。

2012年,联合国制定了17项可持续发展目标,以应对世界面临的紧迫环境、政治和经济挑战。三年后,所有成员国都通过了这些决议。我们承诺,我们的工作将有助于实现这些雄心勃勃的目标。我们利用人工智能进行药物发现的研究符合“目标9:产业、创新和基础设施;目标9.5:加强科学研究。“从预测药物是否具有理想性能的模型到识别药物可能影响的蛋白质,人工智能的进步是一个合作过程。”我们正在与他人合作,打造更好的人工智能和机器学习工具,帮助患者更快地获得新的、更有效的药物。

了解更多关于可持续发展目标的信息

与我们合作

你和AI可以有所作为。

你相信吗,人工智能尚未充分发挥其潜力?你是否渴望通过科学技术突破人类进步的界限?加入我们的工作,以提高软件,提高对新药的搜索。这只是我们的研究领域之一。还有更多的东西有待发现!

查看所有作业
你和AI可以有所作为。 你和AI可以有所作为。
Baidu