AI如何助力科学家设计下一代药物

赞助人工智能如何帮助科学家设计下一代药物当生成式AI吸引公众目光时，另一种AI正在重塑药物发现。机器学习模型帮助压缩长达十年的研发周期，并攻克此前无法解决的问题。与阿斯利康合作设计和开发新药是一项昂贵且易失败的科学挑战。

一种新药可能需要多年开发，投入巨大。即便如此，大多数候选药物最终也无法惠及患者。对于生物药物——由工程蛋白质而非合成化学制成的疗法（常用于治疗大多数主要急性和慢性疾病）——复杂性更高。

科学家探索海量可能的分子，寻找少数能与正确靶点结合、在人体内保持稳定且可大规模生产的分子。如今，AI正在加速这些过程，并迅速成为制药研发基础设施的核心部分。AI辅助设计在生物候选药物开发中日益重要，阿斯利康等公司正积极组建工程团队以推动这一进程。

阿斯利康高级副总裁兼生物制品工程与肿瘤靶向发现研发主管Puja Sapra表示：“我们所做的一切——无论是设计、制造、测试还是分析——现在都得到了计算增强。”

“周期时间越来越短，而生产力和创新却在提高。”Sapra解释说，阿斯利康的方法遵循构建-测量-学习循环。AI通过计算生成或优先排序候选分子，预测哪些设计最可能成功。科学家随后将实验室资源集中在排名靠前的候选分子上。

这带来了更紧密的反馈循环，减少了死胡同，加快了迭代速度，并能针对此前被认为无药可治的疾病靶点。由于可能的分子组合数量远超任何人类团队所能系统探索的范围，利用AI缩小和优化测试选项已成为生物药物设计的主要焦点。

应对复杂的药物设计问题除了加速时间线，AI还被应用于发现全新类别的药物。传统生物制品通常针对单一疾病通路。下一代药物可以同时攻击多个靶点，或将治疗载荷精准递送到特定细胞。实现这一点需要同时优化多个变量。

Puja Sapra解释说，展望未来，AI驱动模型可帮助设计这些日益复杂的多特异性生物制品。

“例如，”她继续说道，“此类模型可根据基础生物学帮助确定优先考虑哪两三个靶点，然后跨多个参数进行优化，以平衡分子的效力、稳定性、可制造性和安全性。” “针对不可成药靶点开发药物正成为现实，”Sapra说。

“这些技术最终将使我们能够针对曾被认为无法触及的靶点开发药物。患者获益的潜力是巨大的。”数据护城河麦肯锡估计，生成式AI结合其他计算工具可将药物发现时间线缩短多达50%。但每个AI模型的质量取决于其训练数据。

在药物发现中，这意味着需要大量高质量生物数据。实验可提供丰富的数据来源。无论成功还是失败，每个实验都会产生关于什么有效、什么无效的信号。“数据是我们的差异化因素，”Sapra说，她解释了公司的数据集如何具有专有性和多模态性，包括分子结构、结合测量、安全性特征和制造结果。

“我们在多个疾病领域和药物类型中有意构建了多元化的组合。所有这些数据使我们能够用更丰富、更具代表性的训练集来微调前沿AI模型。”

她继续说道：“此外，我们投资了深度筛选技术，以生成大量额外数据集，用于不断优化和验证我们的模型。”构建自主发现引擎为了将所有数据集中在一处，阿斯利康正在马萨诸塞州剑桥肯德尔广场建设所谓的“未来实验室”设施，AI和机器人自动化将在此形成连续的闭环发现系统。

“自动驾驶汽车使用传感器和模型来导航环境，而该系统使用AI进行预测，机器人系统执行实验，仪器生成数据，”Sapra解释说。这些数据直接反馈给模型，加速每个后续周期。

“在整个过程中，科学家仍将是核心，提供监督、判断和战略方向，确保输出可解释、可耐受，并指向潜在的患者获益，”她补充道。最终，自动化高通量系统将能够每周制造和评估数千次分子相互作用。“这将以传统工作流程无法比拟的规模生成AI就绪数据，”Sapra说。

“机器人样本处理、自动化质量检查和集成数据管道也有望显著加速早期药物开发时间线。”

下一个前沿：从头生成药物Sapra说，最终，AI在生物药物发现中的终极愿景是该领域所谓的“从头”设计。为此，目标是让AI生成全新的蛋白质序列，精确匹配所需的药物特性。这包括设计结构、预测安全性、在体内的行为以及如何使其可制造。

“该领域正朝着完全由AI生成的生物制品取得巨大进展，从零开始设计直至临床候选药物，”Sapra说。“随着我们继续利用前沿模型并用正确的数据集进行微调，我们正更接近这一现实。我相信它会实现。这只是时间问题。

”然而，要达到这一点，需要几个关键要素。首先是整个行业更丰富、更标准化的训练数据。其次，针对AI生成候选药物的稳健评估基准。第三，懂得如何在机器学习和生物学交叉领域工作的团队。但在所有先决条件中，安全性预测可能是最重要且讨论最少的，Sapra说。

“从头设计中最困难的问题之一是预测计算生成的分子在人体内是否安全，”Sapra解释道。阿斯利康正在通过虚拟临床试验来解决这一问题。

这些是先进的细胞系统和微尺度器官模型，作为物理测试平台，与从它们输出中学习的AI配对。“这些系统有潜力在没有传统测试瓶颈的情况下生成增强的生物信号，并且它们是连接AI生成设计与临床候选药物之间闭环的关键缺失部分，”Sapra补充道。

目前正在发生的一个转变是转向智能体AI系统，该系统可以同时生成候选分子并预测其有效性和安全性。这些自主工作流可以将疾病层面的洞察直接连接到分子设计，弥合此前孤立的数据孤岛。“生物学的复杂性与分子的设计密不可分，”Sapra总结道。

人类人才释放AI潜力生物制品领域正在发生的变革不仅仅是技术问题。“随着更多自主系统的出现，人类监督仍然是这种方法的核心——确保可解释且合乎道德的AI，以造福患者，”Sapra说。对于科学家