在药物研发领域，AI正从无人问津的边缘角落走向舞台的中央。最有名气的药物发现机器当属IBM的Watson。但是，AI能够最终成为医药研发的工具还面临着诸多挑战。首要的困难就是数据的可及性，另一个难点是费用问题。

(深度学习算法开始“入围”药物研发领域)

在与世界围棋冠军的对弈中，人们惊叹于阿尔法狗的收放自如，独孤求败;近日，由百度研发的无人驾驶汽车现身北京五环，引燃舆论……目前人工智能(Artificial intelligence, AI)已越来越多地介入到我们生活的方方面面。同样，在医药研发领域，AI也频显身手。

今年6月，武田制药与Numerate达成协议，Numerate开发的AI将帮助武田制药开发肿瘤、消化系统以及神经系统的药物;同样在上个月，马萨诸塞州剑桥市的GNS医疗保健机构与罗氏子公司基因泰克达成协议，后者将借助GNS的AI平台来深入研究影响目前肿瘤治疗效果的因素;今年5月，赛诺菲与Exscientia达成2.8亿美元的里程碑付款协议，Exscientia帮助赛诺菲设计治疗糖尿病和心血管疾病的药物。

长期以来，医药研发者对AI持怀疑态度，但最近AI与药企频频联手，正在打破这种成见。因为AI正直面医药研发的“痛处”——较高的临床失败率。

传统的医药研发模式耗时耗力，且成功率不高。据统计，目前进入临床I期的候选药物最终成功上市的概率只有10%，研发失败的药物中，约50%是因为缺乏疗效。缺乏疗效的可能原因是选择了错误的靶点，而AI或许有助于降低因缺乏疗效而导致药物研发失败的风险。

在药物研发领域，AI正从无人问津的边缘角落走向舞台的中央。也许，最有名气的药物发现机器当属IBM的Watson。2016年11月，IBM与辉瑞达成协议，帮助后者开发肿瘤免疫类药物。Watson通过快速发掘、分析海量的文献数据、实验室数据、临床报告等来发现药物。目前，生物医药信息爆炸式增长，研究者需要一些能够自主学习的机器，以应对海量数据。目前，已有一些AI介入医药研发的实践，如表1所示。

表1 一些AI公司与医药公司合作研发的案例

在研究诸如无人驾驶汽车，自然语言处理的过程中，AI已经升级了复杂的多级人工神经网络(sophisticated multilevel artificial neural networks)，也叫深度学习算法(Deep-learning algorithms)，如今这些方式可以运用到药物研发中。Numerate就是这样众多AI公司中的一员，它试着将AI应用到药物研发的每一个阶段，从化合物靶点的虚拟筛选，到化合物结构的设计与优化，以及建立药物吸收、分配、代谢、排泄和毒性的模型。Numerate与武田制药合作，计划为后者提供临床候选药物。

不光服务药企，AI同样在学术圈大显身手。Atomwise——多伦多大学的分支机构，建立了AtomNet平台，它计划筛选1000万个化合物。今年，它免费为超过100所大学的药物实验室提供服务，根据各实验室选定的靶点，Atomwise为各实验室提供了72个潜力候选药物。

但是，AI能够最终成为医药研发的工具还面临着诸多挑战。首要的困难就是数据的可及性。大数据公司已经搜集了自1980年以来能够共享的临床数据，很多公司也都加入到化合物共享以及老药新用的探索中。比如，葛兰素史克正在向ATOM分享他们实验数据、基因数据、药理以及药代数据。尽管如此，大型制药企业的原始数据比较凌乱，需要进行有序的数字化整理。

AI在药物研发中应用的另一个难点是费用问题。在诸如计算机视觉这样的领域，研究者可以得到巨额的数据集，这是因为每个数据点的费用极小。但在制药领域，每个数据点的花费相当昂贵，这就要求研究者必须开发出一套不依赖海量数据的算法。加利福尼亚州斯坦福大学的研究者们正为此努力，他们开发出一种算法，依靠少许数据，只需要几次简单的学习，计算机就能推测药物的性能。

随着计算机计算能力的不断升级，深度学习算法的不断进步，AI看起来会对药物研发产生深远的影响。据估算，小分子药物的数据量大约在1060，未来的药物研发者们或许在做每个决定前，需要依据手头有限的数据，建立n种新的模型，尽可能实现1060次检索。

在AI领域，谷歌大脑(Google Brain)早已名声在外，这是谷歌的深度学习工程。谷歌汇聚了全球顶尖的AI开发人才，目前正扩充生物科学团队，他们最近完成了量子化学与深度学习技术的对接。据行业分析师预测，在不久的将来，谷歌将会设立由AI驱动的药物研发公司。

大家都在讨论AI在药物研发领域的潜力，似乎前景光明。但事实上，多数药企巨头对AI还持观望态度。因为到目前为止，生物信息学还没有对药物研发的成功率产生积极的影响。在医药研发领域，AI必须带来成功的故事，只有如此，才能引领更多的药企进入AI时代。