人工智能（AI）發展至今，已成為社會生活和生產中一種非常真實的力量。這種力量將會，甚至已經，顛覆了世界上的幾乎所有行為。隨著機器人、智能手表、智能音箱、虛擬助理等科技產品的出現，人工智能技術的迅猛發展及其在醫療衛生領域的深度應用，將極大改變原有社會的面貌。

目前，人工智能在醫療衛生領域廣泛應用正形成全球共識。可以說，人工智能以獨特的方式捍衛著人類健康福祉。除了在診療手術、就醫管理、醫療保險領域發揮作用，基于算法的人工智能近年來更是推動著疾病與藥物研究的革新，并越來越體現其優勢。

制藥業作為一個古老悠久又對人類至關重要的行業，人工智能何以成為制藥業未來趨勢？在人工智能制藥全面到來之前，制藥業還將面臨什么挑戰？

AI制藥，潛力無限

制藥業是危險與迷人并存的行業。通常，一款藥物的研發可以分為藥物發現和臨床研究兩個階段。

在藥物發現階段，需要科學家先建立疾病假說，發現靶點，設計化合物，再是展開臨床前研究。而傳統藥企在藥物研發過程中則必須進行大量模擬測試，研發周期長、成本高、成功率低。根據《自然》數據，一款新藥的研發成本大約是26億美元，耗時約10年，而成功率則不到十分之一。

其中，僅發現靶點、設計化合物環節，就障礙重重，包括苗頭化合物篩選、先導化合物優化、候選化合物的確定、合成等，每一步都面臨較高的淘汰率。

對于發現靶點來說，需要通過不斷的實驗篩選，從幾百個分子中尋找有治療效果的化學分子。此外，人類思維有一定趨同性，針對同一個靶點的新藥，有時難免結構相近、甚至引發專利訴訟。最后，一種藥物，可能需要對成千上萬種化合物進行篩選。即便這樣，也僅有幾種能順利進入最后的研發環節。

然而，通過人工智能技術卻可以尋找疾病、基因和藥物之間的深層次聯系，以降低高昂的研發費用和失敗率。基于疾病代謝數據、大規模基因組識別、蛋白組學、代謝組學，AI可以對候選化合物進行虛擬高通量篩選，尋找藥物與疾病、疾病與基因的鏈接關系，提升藥物開發效率，提高藥物開發的成功率。

具體而言，科研人員可以使用人工智能的文本分析功能搜索并剖析海量文獻、專利和臨床結果，找出潛在的、被忽視的通路、蛋白、機制等與疾病的相關關系，進一步提出新的可供測試的假說，從而找到新機制和新靶點。漸凍人癥（ALS）就是由特定基因引起的一類罕見病，而IBM Watson使用人工智能技術來檢測數萬個基因與ALS的關聯性，成功發現了5個與ALS相關的基因，推進了人類對漸凍人癥的研究進展（此前醫學已發現了3個與ALS相關基因）。

在候選化合物方面，人工智能可以進行虛擬篩選，幫助科研人員高效找到活性較高的化合物，提高潛在藥物的篩選速度和成功率。比如，美國Atomwise公司使用深度卷積神經網絡AtomNet來支持基于結構的藥物設計輔助藥品研發，通過AI分析藥物數據庫模擬研發過程，預測潛在的候選藥物，評估新藥研發風險，預測藥物效果。制藥公司Astellas與NuMedii公司合作使用基于神經網絡的算法尋找新的候選藥物、預測疾病的生物標志物。

當藥物研發經歷藥物發現階段，成功進入臨床研究階段時，則進入了整個藥物批準程序中最耗時且成本最高的階段。臨床試驗分為多階段進行，包括臨床I期（安全性），臨床II期（有效性），和臨床III期（大規模的安全性和有效性）的測試。

傳統的臨床試驗中，招募患者成本很高，信息不對稱是需要解決的首要問題。CB Insights的一項調查顯示，臨床試驗延后的最大原因來自人員招募環節，約有80%的試驗無法按時找到理想的試藥志愿者。

臨床試驗中的一大重要部分，在于嚴格遵守協議。簡言之，如果志愿者未能遵守試驗規則，那么必須將相關數據從集合當中刪除。否則，一旦未能及時發現，這些包含錯誤用藥背景的數據可能嚴重歪曲試驗結果。此外，保證參與者在正確時間服用正確的藥物，對于維護結果的準確性也同樣重要。

但這些難點卻可以在人工智能技術下被解決。比如，人工智能可以利用技術手段從患者醫療記錄中提取有效信息，并與正在進行的臨床研究進行匹配，從而很大程度上簡化了招募過程。

對于實驗的過程中存在的患者服藥依從性無法監測等問題，人工智能技術可以實現對患者的持續性監測，比如利用傳感器跟蹤藥物攝入情況、用圖像和面部識別跟蹤病人服藥依從性。蘋果公司就推出了開源框架ResearchKit和CareKit，不僅可以幫助臨床試驗招募患者，還可以幫助研究人員利用應用程序遠程監控患者的健康狀況、日常生活等。

AI制藥，時候未到

既然人工智能已經展現出了在制藥業領域的優勢和潛力，為什么人工智能制藥產業至今還未密集爆發？反而是人們對人工智能領域不斷取得的突破屢見不鮮。對于“人工智能算法因發現了一種強效的新抗生素”之類的頭版新聞并不再感到稀奇。

新冠肺炎疫情是對人工智能的一塊試金石，在協助診療和管理上，人工智能的表現可圈可點。

然而，對于制藥來說，盡管國內有阿里云與全球健康藥物研發中心GHDDI合作開發人工智能藥物研發和大數據平臺，針對冠狀病毒的歷史藥物研發進行數據挖掘與集成，國外有DeepMind使用其AlphaFold人工智能系統來預測和發布與新冠病毒相關的結構。就像人工智能掌握了古老的中國棋盤游戲圍棋一樣，人工智能在制藥上顯示了巨大希望。然后呢，并沒有答案。

此外，盡管科技進步顛覆了移動通訊，個人電腦，互聯網和基因測序等等領域，開發新藥的成本卻在穩步上升。人工智能制藥為這個領域吸引了更多投資和更多人才。但隨著炒作愈演愈烈，藥物開發成本卻一路走高。于是，一直以來，看起來很有希望的人工智能技術突破，卻并沒有帶來研發水平的顯著提高。

人工智能制藥似乎依舊不堪大用。究其根本，還在于當今的人工智能存在的固有局限性。對于目前的人工智能來說，其主要還是通過在數據中尋找模式來學習的。通常，輸入的數據越多，人工智能就越智能。

總部位于舊金山的OpenAI發布的GPT-3算法，只需幾個詞的提示就可以寫出任何主題的連貫段落。值得一提的是，第一版GPT于2018年發布，包含1．17億個參數。2019年發布的GPT-2包含15億個參數。相比之下，GPT-3擁有1750億個參數，比其前身多100倍，比之前最大的同類NLP模型要多10倍。于是，該算法通過分析近5千億個單詞實現了智能。然而這些數據也限制了GPT-3。

要實現超自然的性能，一般來說，必須輸入模擬特定行為的高質量數據對系統進行訓練。這在圍棋等游戲中容易實現，每一步都有明確的參數，但在不太可預測的現實生活場景中則要困難得多。這也使得人工智能在應用到現實場景的過程中，經常會遇到困難。

疫情期間，在法國、美國等地，人工智能之所以也未能支持政府建立有效的接觸者追蹤系統的努力，很大一部分原因就是缺少必要的“原料”。在英國，由于缺乏系統的數據采集來追蹤和溯源新冠病例，短期內幾乎不可能使用人工智能技術實施接觸者追蹤干預。

當然，即便人工智能可以創造出人類急需的藥品，改善健康，治療疾病。但無論是生成強化學習等方法的結合，還是量子計算的迷人前景，都需要生物學、化學以及更多學科的支持。只有保證科學的供給，才能更好地產出科學。

生活水平提升引起的人口結構變化和疫苗、抗生素等醫學技術的出現加快了人類疾病譜變遷的速度，慢性病取代傳染病成為人類主要的疾病負擔。目前的醫療衛生體系是人類在對抗傳染病和急性病過程中形成的。醫學理念、臨床干預方式難以應對慢性病的挑戰，逐漸表現出效率低下，醫療保健成本高速增長等特征，日趨不堪重負。

人工智能技術的巨大突破，融合了深度學習算法、數據建模、大規模GPU并行化平臺等技術構成的深度神經網絡，能模擬人腦的工作機制。國家可以在提升早期檢測準確度、加強診斷和風險控制、降低治療費用、輔助病人自我健康管理、提升治療效果等方面給予醫療工作者充分支持。

在制藥行業從識別生物靶點，設計新分子，到提供個性化治療和預測臨床試驗結果方面，人工智能制藥更是具有巨大潛力。目前，人工智能制藥或許依然會輸給傳統的生物學和化學，但這并不意味著它還沒有準備好進入黃金期。未來，隨著醫療大數據的形成與完善，患者檢查、診斷、治療全過程的數字化之后，AI就能通過自動學習來研發藥物。可以預見，不久的將來，隨著AI制藥黃金期的到來，也將給制藥這一歷史悠久且至關重要的行業帶來前所未有的變革。

責任編輯：xj