查看原文
其他

诺华:技术时代的药物设计艺术

智药邦 智药邦 2022-06-15

2021年11月18日,诺华官网发表文章,介绍了诺华在人工智能药物发现方面的观点和进展。

以下是全文内容。

诺华公司正在与微软合作,将机器学习应用于药物化学,这是利用人工智能更有效地为患者提供治疗的努力的一部分。

有一种关于药物发现的误解,这种误解可能会掩盖化学家在开发新疗法时面临的一个最大挑战。正如诺华生物医学研究所(NIBR)全球发现化学主管Karin Briner所解释的那样。"我们不仅仅是发现者,我们实际上是在创造以前从未制造过的分子"。

为了开发出针对没有治疗方法的疾病的首创药物,药物猎手们通常必须从头开始创造新的药物。这是一个费力的过程,包括建立和测试数以千计的实验性化合物,以找到哪怕是一个足够有效和安全,可以在人类身上试用的化合物。

在药物发现的这些早期阶段,化学家必须设计和合成具有特定性质的分子。他们需要对所需的生物靶点(通常是被怀疑导致疾病的关键蛋白质)发挥良好的作用,同时也要具备其他属性,如可溶性。

每一批新的潜在药物都要经过一系列的实验来评估这些属性。从这些数据中,科学家们了解到哪些合成的分子是最有希望的,然后根据他们所了解的情况,着手设计下一轮新的、更优化的化合物。

这种经常重复的"设计-制造-测试-分析"周期需要数年时间,但有充分的理由认为人工智能可以帮助大幅提高这一过程的效率。

药物开发过程中固有的迭代学习适合于人工智能方法。希望人工智能(特别是机器学习)将有助于加速这一周期,并帮助我们更有效地选择最有希望的化合物。

--诺华生物医学研究所(NIBR)全球发现化学主管Karin Briner

这就是为什么两年前,诺华开始与机器学习领域的领导者微软合作,利用改变游戏规则的数字技术,帮助更快地将药物带给患者。这产生了一个数字化赋能的"样板"生成化学管线,已经被应用于一系列不同的药物化学项目,其中一些已经开始结出硕果。

合并技术变革

在过去的几十年里,有两条独立的技术路线在发展。一条涉及使科学家能够在医学和生物学领域收集大量数据的技术,即基因组测序、蛋白质科学和结构生物学等领域的进展,其中成像使人们能够以前所未有的分辨率看到分子水平上发生的事情。另一条路线与人工智能和机器学习有关,它使计算科学家能够理解大量的数据,否则这些数据对人类的分析来说就太难了。

在药物发现方面,这些路线已经开始汇合。

在生物医学方面,诺华公司已经积累了大量的信息数据,这些数据来自于几十年来进行的数十万次实验。这些数据包含了关于无数化合物特性的线索,以及它们如何与各种药物靶点,甚至是相互之间的作用。

挑战在于如何利用这些海量数据进行跨模式学习,并在每个新的药物发现挑战中产生有意义和可操作的洞察力。

--诺华公司人工智能创新中心全球负责人Iya Khalil

微软和它的计算专长。

微软欧洲研究院实验室主任Chris Bishop说:"你所需要的计算能力是令人难以置信的,比如说,一种药物进入人体并与蛋白质结合以治愈一种疾病。这就是机器学习发挥作用的地方。虽然人类可以设计和运行一个或也许几个实验,解释结果,然后循环回来设计下一个实验,但这个管线在机器学习的帮助下,可以模拟成千上万的实验,同时分析成千上万的变量"

当然,为了使机器学习发挥作用,它必须经过训练。诺华公司的现有数据是训练的一个探索空间。通过实验性、生成化学管线运行的持续模拟是另外一个。

Khalil说:"人工智能不仅可以从我们过去的实验中学习,而且,随着实验室中每一次新的设计和测试的迭代,机器学习算法可以识别新的模式,并帮助指导早期药物发现和开发过程。希望在这样做的过程中,我们可以增强我们人类科学家的专业知识,以便他们能够更快地设计出更好的分子"。随着这个实验管线产生的第一批优化的分子现在正在实验室中合成,我们的科学家正在更多地了解特定算法的行为,以及如何最好地将它们与我们的人类智能相结合。以适当的迭代方式,该管线正在进行相应的调整。

我们希望,一旦充分完善,计算机模型将有助于预测分子结构或揭示哪些实验参数在特定情况下可能是最有用的,这基本上缩短了一个迭代周期,否则将需要几年时间。

增进专业知识

参与合作的人强调,机器学习不会取代科学家的专业知识、经验和直觉。相反,人工智能预计将增强人类的专业知识。我们的目标是最大限度地减少寻找和分析相关数据所涉及的长期和有时繁琐的工作,并促进人类研究人员和人工智能之间的一种取舍关系。此外,这项合作的专家预计,机器学习可能有助于预测哪些处方设计具有最佳的有效潜力,或者揭示哪些实验参数在特定的药物开发场景中最有用。

微软研究院人工智能架构和战略公司副总裁Vijay Mital说:"人工智能帮助研究人员快速访问埋藏在多个文件的密集文本、图像、表格和图表中的宝贵证据,并像使用Excel一样轻松地进行推理。"它使专家能够利用公司以及更广泛的世界的所有相关非结构化信息,做出基于学习的决策。"

所有这些都将有望带来更快、更有效的药物发现管道。

 但是,为了最大限度地发挥人工智能在药物发现中的优势,它将必须在各个研究项目中得到应用。为此,诺华公司也一直在与微软合作,使那些可能对计算机经验有限的研究人员能够使用这些工具。

我们必须使人工智能药物开发民主化,将人工智能的力量带到尽可能多的研究人员和医生手中,以便利用这些强大的技术来解决医学中的问题。

--诺华该项目的洞察力战略与设计团队负责人Luca Finelli

参考资料

https://www.novartis.com/stories/art-drug-design-technological-age

https://scitechdaily.com/ai-machine-learning-innovation-to-develop-chemical-library-for-drug-discovery/

----------- End -----------




感兴趣的读者,可以添加小邦微信(zhiyaobang2020)加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或

姓名-学校-职务/研究方向





- 历史文章推荐 -

诺华

Patterns|诺华举办内部挑战赛,用AI预测候选药物的临床试验成功率

●如何管理人工智能和数据科学:来自诺华的实践经验和教训

●20家顶尖制药公司如何将AI应用于药物研发:近年来主要合作活动

●Drug Discov Today|药物研发风险地图

AI药物发现的数据共享模式探索:以十大顶尖药企参加的MELLODDY项目为例



您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存