人工智能驱动的医疗革命，为什么 AI 的最佳应用是制药？ | HyperTech
HyperTech 是一个全球前沿视野的编译栏目，我们筛选近期科技领域的评论文章，进行信息整合并提供所有原文链接。
人工智能使计算机和机器人能够从过去的行为和错误中学习，就像人类一样。从搜索算法到自动驾驶汽车再到 Siri 等语音助手，AI 已融入我们的日常生活。
在复杂的药物研发中，AI 有可能加速研发过程，让研究发现更具成本效益，也能减少新药满足患者所需的时间。围绕 AI 的乐观情绪也增加了外界对生命科学行业技术的关注。数据科学家受到高度追捧，从 2015 年到 2021 年上半年，AI 驱动的生命科学初创公司已筹集超过 10 亿美元。
在当前新冠疫情防治中，AI 已成功发现可用于治疗 Covid-19 的潜在药物。最近，谷歌旗下 DeepMind 的 AlphaFold 解决了困扰了生物学领域几十年的「蛋白质折叠问题」，这个发现可能给基于结构的药物设计创造了新的机会。
AI 怎样参与药物研发？
药物研发是一个非常烧钱的过程，但机器学习可以使药物开发中涉及的许多分析过程更加高效，让研发省下数年的工作时长和数亿的资金投入。
AI 参与药物研发的 4 个主要阶段
AI 目前已成功应用于药物开发的 4 个主要阶段：
1.确定干预目标
2.发现候选药物
3.加快临床试验
4.寻找诊断疾病的生物标志物
第一阶段：确定干预目标
药物开发的第一步是了解疾病的生物学起源及其耐药机制。然后需要确定治疗疾病的良好目标（通常是蛋白质）。高通量技术的广泛应用，例如短发夹 RNA (shRNA) 筛选和深度测序，极大地增加了可用于发现可行目标途径的数据量。但使用传统技术，需要集成大量不同类型的数据源然后找到相关模式，这仍然是一个挑战。
机器学习算法可以更轻松地分析所有可用数据，甚至可以学会自动识别好的目标蛋白质。
第二阶段：发现候选药物
需要找到一种能够以所需方式与已识别目标分子相互作用的化合物。这涉及筛选大量（通常是数千甚至数百万）潜在化合物对目标的影响，更不用说它们的脱靶副作用（毒性）。
不管这些化合物是天然的、合成的还是生物工程的，都可以。
但是，当前的软件通常不准确，会产生很多不好的建议（误报），因此需要很长时间才能将其缩小到最佳候选药物（称为线索）。
机器学习算法可以学习根据结构化细节信息和分子描述符来预测分子的适用性。然后，筛选数百万个潜在分子，并将它们全部过滤为最合适、副作用也最小的最佳选择。这一过程节省了大量的药物设计时间。
第三阶段：加快临床试验
找到合适的候选患者进行临床试验是很难的。如果选择了错误的候选人，则会延长试用期，耗费大量时间和资源。
机器学习可以通过自动识别合适的候选人以及确保试验参与者群体的正确分布来加速临床试验的设计。算法可以帮助识别区分合适候选人和不合适候选人的模式。它们还可以作为未产生结论性结果的临床试验的早期预警系统——允许研究人员更早地进行干预，并有可能挽救药物的研发。
第四阶段：寻找诊断疾病的生物标志物
只有在下了诊断后才能开始疾病的治疗。有些方法非常昂贵，需要动用复杂的实验室设备和涉及专业知识，例如全基因组测序。
生物标志物是在体液（通常是人类血液）中发现的分子，可以绝对确定患者是否患有疾病。它们让诊断疾病的过程既安全又便宜。
我们还可以使用它们来查明疾病的进展，让医生更容易选择正确的治疗方法并判断药物是否有效。
但是为特定疾病发现合适的生物标志物是很困难的。这是又一个昂贵、耗时的过程，涉及筛选数万个潜在的候选分子。
AI 算法通过将分子分为合适候选和不合适候选，可以自动化大部分人工操作从而加快整个寻找生物标志物的流程。
生物标志物可用于识别：
尽早发现疾病——诊断生物标志物
患者患病的风险——风险生物标志物
疾病的可能进展——预后生物标志物
患者是否会对药物预测性生物标志物产生反应
业内说法：药物研发中 AI 的优势和挑战
「总的来说，AI 和生命科学的融合，特别是 AI 在药物发现方面的融合，是一个新领域」，加拿大 AI 药物设计公司 Valence Discovery 的创始人 & CEO Daniel Cohen 接受采访时说。
「目前一个很大的症结在于典型药物研发计划中缺乏足够大和质量高的数据集。此外，目前很难确定基于 AI 的技术在药物研发中可以或不能实际实现哪些目标。
也正是因为界定模糊，业内人士产生了不切实际的期望。对 AI 的失望部分来自一种误解，认为它是应对所有药物研发难题的灵丹妙药 。」
「基础机器学习研究的进步，与在实践中充分利用这些新的技术方法之间的差距比人们想象得要大多了。」Cohen 解释说。
尽管面临挑战，但药物研发中的 AI 正在朝着正确的方向迈出重要的一步。
「我们也看到一些成功。当然，现实要达到预期还需要时间。总的来说，AI 在药物发现和药物化学方面的应用是一个发展非常迅速的领域。」
AI 已经成为命中识别和从头分子设计这两大药物研发领域的强大工具。命中识别在库中搜索可能是新药中可行活性成分的预先存在的化合物，类似于试错过程。
从头分子设计是一种通过计算从头开始创造新的独特分子的方法。与使用传统方法的科学家团队相比，AI 可以更彻底、更快速地分析和定制化学性质。
「应用于命中识别和从头分子设计的 AI 可以探索真正广阔的化学空间领域，并生成可以在实验室中实际合成的分子。」查尔斯河实验室（Charles River）计算机辅助药物设计主管 Grant Wishart 解释说。
「AI 驱动的药物研发的一个常见限制是，创造潜在候选药物所涉及的化学反应是未知的，这使得该化合物的实际实验室合成具有挑战性。」
「这一直是该领域的主要障碍。」Cohen 说。
AI 制药领域的合作和未来
今年的上半年，Charles River 宣布与 Valence Discovery 建立合作伙伴关系。此次合作将使用 AI 来改进 Charles River 帮助客户进行新的和现有的药物研发计划的方式。
「在 Charles River，我们认为 AI 具有增强我们的现有技术和影响我们客户项目的巨大潜力。我们特别在从头设计领域寻找合作伙伴，并认为 Valence 的技术和创造力非常适合无缝协作。」 Wishart 说。
Valence Discovery 正在解决 AI 驱动的药物发现中的两个关键挑战：使用有限的数据和设计可以在实验室中实际合成的化合物。
例如，除了分子本身之外，Valence Discovery 的 REACTOR 技术还模拟了一系列化学反应，用于筛选和生产潜在候选药物。
「Valence 的独特之处在于，我们是第一家将低数据学习技术引入药物设计的公司，并开发了设计高质量分子的技术，针对多种参数进行了优化，可以很容易地合成。」Cohen 阐述道。
Valence Discovery 使用所谓的小样本学习算法，分析大小数据集来解释分子结构和生物活性之间的联系。这包括现有深度学习算法无法实现的属性和目标。
因此，Valence Discovery 的技术可以帮助预测化合物的重要特性和之间的关系，这些特性可能会避开人类化学家或其他 AI 驱动的方法。
通过将 AI 与经验丰富的化学家的直觉相结合，AI 工具可用于快速、经济高效地发现或创造新的、有效的类药物化合物。
「我们希望输入我们的分子应该满足的参数，并能够有效地生成满足这些参数的新分子。」Cohen 解释说。
这种称为多参数优化的方法可以通过最大限度地减少与脱靶的有害相互作用来提高药物的靶标选择性并降低毒性。
此外，多参数优化可以减少为寻找潜在候选药物而合成的化合物数量。它还可以减少候选药物经过验证的设计周期数。
AI 当然不会在短期内完全取代人类在药物研发方面的独创性。但 AI 工程师和生命科学家之间更密切的合作、信任和交流对于实现人类在药物研发中的全部潜力至关重要。随着 AI 工程师和生命科学家互相对各自的交叉领域有更深入的了解，AI 对药物研究的影响力会越来越大。
Artificial Intelligence: A Road to Faster and Better Drug Discovery?
https://t.cn/A6MXvCNL
Artificial Intelligence in Medicine
https://t.cn/A6MXvNSN
Hyper 一下🎊
三星联合哈佛，将大脑神经「复制」到芯片
韩国当地时间 9 月 26 日，三星电子宣布，其研究人员和哈佛大学教授联合提出了一种将大脑神经元连接图（neuronal wiring map）「复制、粘贴」到高密度三维存储网络上的可能。
左：通过计算机辅助分析程序提取出的突触连接图
右：电镜下 CMOS 纳米电极阵列模仿的大鼠神经元
三星称，如果研究成功，研究人员可以研发出一种接近大脑的存储芯片。这意味着，该存储芯片将不仅能够做到存内计算，还将做到像人类大脑那样「思考」，做到低功耗、轻松学习的同时，也能够具备自主性和认知能力。
这种「类脑计算」被推崇为 AI 芯片未来发展的方向，已经吸引了包括 IBM、高通、英特尔等科技巨头，清华等高校，以及一些创新企业开展相关研究。而截至目前，还没有一个选手能够做到技术与应用的绝对领先。
但三星与哈佛团队也在论文末坦言，该研究还存在一些理论上的缺陷。比如大脑神经元会因为学习和生长而发生变化，但该研究采用固态芯片乘载神经元网络，无法跟踪大脑神经元发生的缓慢变化。